30 分鐘，建立基礎的 AI 知識庫 | 集智學習科技VIP客服平台

主題索引

1. 5% 帶來的效益

做法很簡單！

只要將整理好的文件檔案 (如請假制度、行政流程、SOP 等)，直接拖曳到 xms+ AI 知識庫系統，AI 就能依據內部的文件回答企業內專屬的問題囉。

而原本負責回答的專家，

則從「回答」改成每天從統計資料中「檢查」

同事問了什麼問題、AI 怎麼回答

如果 AI 回答的很好，

就存成 FAQ，下次問類似的問題，費用直接節省 10,000 倍！

還能藉此向 AI 學習、獲得成長呢。

萬一回答有問題呢？

那就即時亡羊補牢，提醒當初提問的人，以及修正後存成 FAQ 就好。

如果想要更保守，

也可以只開放給自己用就好，在回答別人的問題之前，都先問 AI，讓 AI 幫你找到答案或提供怎麼回答的內容。

畢竟 AI 的正確率與品質比一般人高太多了，可以成為一個很棒的輔助。

一個小小簡單的動作和改變

將文件丟給 AI
角色從「回答」改成「檢查」

就能帶來驚人的效益

減少大量重複回答的負擔
更快、更好的品質
收集真實的需求 (會問，代表需求)
記錄隱性經驗 (回答，就是經驗)

如何操作呢？

可以參考：「[操作] 建立 AI 小幫手 (1) - 基礎 AI 服務」

5% 帶來的效益

雖然這些佔資深員工的經驗比例不高 (5%)，

但依然很有價值、也非常實用！

因為光是這 5% 的規定，

就佔了人資或行政每天許多重複性的回答，把這些瑣碎的常見問題、SOP 等直接丟給 AI，馬上就能幫團隊省下大把時間，讓我們更能專注在真正重要的事情上。

之後再持續收集新的問題與回答，

讓知識庫不斷成長，就能形成企業的動態知識大腦。

AI，比資深專家更厲害

此外，xms+ AI 更導入進階的 agentic 技術並且優化，

能試著了解使用者想問的問題，找到參考文件並「分析」後回答。

例如：

使用者問：「我時數最多，昨天禮拜天，今天禮拜一我是第一個被彈放嗎？」

這完全就是我們平常講話的口吻對吧？

充滿了時間點，口語化的條件，

還有那種只有自己人才聽得懂的內部行話「彈放」，這絕對不是你能在任何一本正式的官方員工手冊裡找到的標準句子，一般的 RAG 僅透過一次 embedding vector「相似度」的比對也通常找不到。

xms+ AI 就像有經驗的人類一樣

試著理解使用者想問什麼，例如「彈放條件、時數最多」
依據知識庫內文件提供的資料，分析並找出哪些文件與問題相關
再從文件內列出的一堆「原則」中解析後回答

這個過程，

尤其第三項，甚至比實際的資深專家還厲害呢！

因為文件裡面有太多規則，

多到常常都要開會討論、尋找、比對哪一條規則適用，而且有時候還無法下定論呢。

圖: xms+ AI 可以理解使用者想問什麼，並從文件的一堆規則中整理回答

問題：要有文件、成本高

AI 很厲害沒錯，但這是有前提的

文件要夠完整
這個例子中，幾乎把遇到的 case 都條列出來，難度很高也不好維護。
費用高
即使 xms+ AI 已經大幅降低 token 消耗，但這個 case 仍需要約台幣 1.1 元，小量使用還可以，當用量大時絕對是一筆需要精打細算的營運開銷。

避免 AI 幻覺

還有，讓 AI 生成還有一個大問題 ~

無法避免的 AI 幻覺 (一本正經胡說八道)。

這代表即使 95% 的情況都回答的很好，

但如果那 5% 的錯誤是不可承擔的高風險，例如，產線操作員聽信了 AI 瞎掰的答案去操作生產流程，結果搞到整批產品報廢，這種不確定性的風險，正是很多 AI 專案最後根本無法落地的原因。

AI 幻覺的解法也很直接 ~

就是「不讓 AI 生成」！

為此，xms+ AI 提供「限制 AI 生成」的功能，不讓 AI 生成內容，只列出參考資料就好。

當作知識管理的加強版，

透過「語意」來找資料，克服傳統用「關鍵詞」找不到的困擾，就像在內部知識庫裝一個比 Google 搜尋還強的 AI 搜尋一樣。

100 分的解法

雖然我們可以找到漂亮的解法來讓 AI 回答那 5% 的經驗，

但另外 95% 還留在資深員工的「隱性經驗」要如何克服呢？還有昂貴的 token 費用呢？

解法比我們想像中的還容易喔

只要做到每天花 10 分鐘，執行「問AI、整理FAQ」這兩個小小的行為，就能做到

記錄隱性經驗
避免 AI 幻覺
token 費用降低到趨近於 0

更詳細的說明，

可以參考：「每天 10 分鐘，打造一個沒幻覺的 AI 知識庫」