AI X 自動化指南

AI（人工智慧）是讓電腦模仿人類「理解、判斷、生成」能力的技術。換句話說，人工智慧的定義，就是讓機器具備原本只有人才有的理解與生成能力。現在大家在用的 ChatGPT、Claude 這類生成式 AI，本質是讀過海量文字後，能聽懂你的話、幫你寫文章、寫程式、分析資料、回答問題。對企業來說重點不是「AI 多聰明」，而是它能把原本要人花時間做的重複腦力工作——分類郵件、整理報表、回覆客服、草擬文案——接手處理。你負責出題和把關，它負責把量做出來。

AI 最實際的幾類用途是：

• •客服自動回覆：讀懂問題，從你的資料庫找答案
• •文件與報表整理：把雜亂的訂單、發票、Email 變成結構化資料
• •內容生成：產品描述、社群貼文、電子報草稿
• •資料分析：從一堆數字裡抓出趨勢和異常

以電商為例，最常見的是訂單自動匯入、自動對帳、客訴自動分類派工。判斷一個應用值不值得做，看「這件事每天／每週重複幾次」——越高頻、越規則化，自動化的回報越大。

一般聊天機器人是「你問一句、它答一句」，每次都要你下完整指令。AI Agent 則是你給它一個「目標」，它會自己拆步驟、決定用哪些工具、呼叫幾次，直到完成。差別在它有「推理＋使用工具」的能力——能自己查資料、讀資料庫、呼叫 API、再把結果丟回去判斷。例如你說「把這週訂單對帳並寄報表給會計」，聊天機器人只會教你怎麼做，AI Agent 會真的去抓訂單、比對、產報表、寄信。代價是設計門檻高、要控制它別亂跑，所以實務上先從單一明確任務做起。

LLM（大型語言模型）是生成式 AI 的核心，ChatGPT、Claude 都屬於這類。它讀過海量文字後學會「預測下一個字」，所以能寫文章、回答問題、寫程式。和以前的 AI 最大的差別是：傳統 AI 多半只能做單一任務（辨識貓狗、分類垃圾信），你得先幫它定義規則或標好答案；生成式 AI 則是同一個模型就能跨任務——寫信、翻譯、摘要、寫程式都行，而且用自然語言下指令就好。對企業來說，這代表導入門檻大幅降低，很多原本要客製開發的功能，現在用對提示詞就能先做出雛形。

比較務實的講法是：AI 不會直接取代你，但會取代「不用 AI 的人手上那部分重複工作」。AI 擅長高頻、有規則、產出量大的任務——草擬文案、整理資料、初步分類；它不擅長需要經驗判斷、跨部門協調、要為結果負責的事。所以與其擔心被取代，更實際的是把它當成放大器：讓它接手你最花時間的瑣事，你把省下的時間放到判斷和決策上。真正會被拉開差距的，是「會用 AI」和「不會用」的人，而不是人和 AI。

會。AI 幻覺指的是模型「一本正經地講出看似合理、實際上卻錯誤或捏造」的內容——例如編出不存在的法條、引用假的數據或網址。原因是 LLM 本質是在「預測最像答案的文字」，不是真的「知道」事實。實務上有三招可以壓低風險：

• •接 RAG：只根據你提供的資料回答，並附上出處方便查證
• •設計提示詞：明確要求它「不確定就說不知道」
• •人工把關：重要結果一定有人覆核才送出

簡單說，AI 適合當草稿和助手，但別把它的輸出當成已查證的事實直接用。

n8n 是一套「工作流程自動化」工具，把不同軟體服務串在一起，讓資料自動在它們之間流動。你用拖拉節點的方式設計流程：某件事發生（例如收到一筆蝦皮訂單）→ 自動做下一步（寫進 Google Sheets → 通知 Slack → 寄確認信）。常見用途：訂單匯入、自動對帳、客服分流、定時抓報表、把 AI 接進流程裡自動分類或回覆。n8n 最大的特色是可以「自架（self-hosted）」，資料完全在你自己的伺服器上、不經過第三方，而且開源版本免費。

三者都是把服務串起來的自動化工具，最大差別在「資料放哪」和「費用結構」。Zapier、Make 是訂閱制雲端服務，上手快，但任務量一大費用很快飛起來，資料也會經過它們的伺服器。n8n 可以自架，資料完全留在你自己手上，開源版免費，量再大也不按次收費。流程會碰敏感資料（個資、訂單、財務）或任務量高、想長期省成本，n8n 自架幾乎是唯一划算解；只是輕量偶爾跑，Zapier、Make 上手更快。

基本流程可以。n8n 是視覺化拖拉介面，常見串接（表單→試算表、訂單→通知、定時抓資料）點一點就能完成，不用寫 code。但老實說，當流程變複雜（資料格式要轉換、串沒有現成節點的 API、加判斷邏輯），會碰到需要寫一點 JavaScript 或看懂 API 文件的地方。務實的態度是「簡單的自己做、複雜的找人做或先學」。想自己上手，建議從一個真實小痛點開始（例如把表單回覆自動整理進試算表），做出來最有感、也學得最快。

n8n 有兩種用法。一是「自架（self-hosted）」，用開源的 Community 版本，軟體本身免費，你只要付自己伺服器的費用（一台小主機月租幾百塊就能跑），流程跑再多也不額外收費。二是官方的「n8n Cloud」，免架設、開箱即用，但按方案和執行量訂閱收費。差別在於：自架省錢、資料自己掌握，但要會基本的伺服器維護；Cloud 省事，適合不想碰主機的人。我的接案大多走自架，長期成本最低，資料也完全留在你手上。

核心差別是「誰來顧主機」和「資料放哪」：

• •自架（self-hosted）：免授權費、資料不出門、能裝社群節點、客製空間大，代價是要自己負責更新和備份
• •n8n Cloud：官方代管、打開就能用、自動更新，但要訂閱付費、執行量有上限，資料也會經過它的伺服器

判斷原則：流程會碰個資、財務這類敏感資料，或量大想長期省成本，選自架；只是輕量、偶爾跑、不想管技術細節，Cloud 上手最快。

自架的話，安全性其實掌握在你自己手上——資料完全留在你的伺服器、不經過任何第三方，這正是很多企業選 n8n 而非雲端 SaaS 的主因。要顧好的是基本功：伺服器設好權限與防火牆、憑證（API key、密碼）用 n8n 內建的 Credentials 加密保存而不是寫死在流程裡、定期更新版本。這些我在交付時都會一起設定好，並教你怎麼維護。相比把資料丟給國外 SaaS，自架反而更可控。

RAG（檢索增強生成）白話講就是「讓 AI 回答前，先去翻你的專屬資料庫」。一般 AI 只會用訓練時學過的通用知識，不知道你公司內部的東西。RAG 的做法是：先把你的文件（產品手冊、SOP、客服紀錄）建成可搜尋的知識庫，使用者一問，系統先找出最相關的段落，再讓 AI 根據那些段落回答。好處是答案有憑有據、可隨時更新（換文件就好，不用重訓模型），也不會像通用 AI 那樣亂編。企業最常拿來做內部知識問答、客服助理、新人查詢。

可以，這正是 RAG 最典型的應用。做法是把你的資料（PDF、Word、試算表、網站內容、甚至過往 Email）整理、切段、建成向量知識庫，再接上對話介面，員工或客人就能用自然語言問、它從你的資料裡找答案。重點不在技術多炫，而在三件事：

• •資料要夠乾淨：垃圾進、垃圾出
• •答案要能附來源：方便回頭查證
• •設好「查不到就老實說不知道」：避免亂答

這類內部 AI 問答助理是我常接的案子之一，想做可以直接聊需求。

向量資料庫是專門用來「依語意找相似內容」的資料庫。它把每段文字轉成一串數字（向量），意思相近的文字、數字也會靠得近。所以使用者問問題時，系統能用「語意」而不是「關鍵字」去找最相關的段落——就算用詞完全不同也找得到。這正是 RAG（讓 AI 根據你的資料回答）的關鍵零件。常見的有 pgvector、Pinecone、Qdrant，各有適合的場景；資料量不大時，用 PostgreSQL 加 pgvector 通常最省事又夠用。

兩者都是讓 AI「更懂你的東西」，但路線不同。RAG 是回答前先去翻你的資料庫、根據查到的內容作答，知識靠外掛——換文件就好，更新快、答案能附出處、成本低，適合常變動的知識（產品資訊、SOP、客服紀錄）。Fine-tuning 是拿你的資料去「再訓練」模型，把知識和風格寫進模型本身，適合要它學特定語氣、格式或專業判斷，但成本高、資料一變就得重訓。多數企業需求用 RAG 就解決了；想要固定語氣或專業風格時，才考慮兩者搭配。

這取決於你用哪種架構。把資料丟進公開的免費版 AI 工具，確實有被當成訓練資料的風險；但企業導入的正規做法不是這樣：

• •用 API 串接：OpenAI、Anthropic 的 API 都載明不會拿企業資料訓練
• •知識庫放自己的環境：AI 只在回答當下「讀取」相關片段，不會被吸收進模型

再加上權限控制和「查不到就不答」的設計，內部 AI 助理是可以做到安全可控的。我在規劃時會把資料邊界和權限一起設計進去。

提示詞工程就是「把需求講清楚到 AI 能穩定做對」的方法。同一個模型，含糊地問和結構化地問，產出品質可以差很多——好的提示詞會交代角色、目標、限制、輸出格式，必要時附上範例（few-shot）引導它。差別在哪？臨時用一次，隨便問也還好；但要把 AI 接進每天要跑的流程、要求結果穩定可預期，提示詞設計就是成敗關鍵。我接的 AI 應用案，很大一部分工夫其實花在這裡：把提示詞調到「換不同輸入也不會跑掉」。

最簡單的算法，就是把兩筆帳放一起比：

• •現在的成本：這件事每週花多少人力時間 × 時薪，就是你每週在燒的錢
• •自動化的成本：一次性的建置費用 ＋ 後續維護

舉例，一個流程每天手動做 1 小時、一週 5 小時，自動化後幾乎歸零，省下的人力時間累積幾個月通常就蓋過建置費。越高頻、越耗時、越容易出錯（出錯還要花時間補救）的流程，回本越快；一個月才做一兩次的事，CP 值就低。我在需求訪談時會先幫你抓這筆帳，划不來的我會直接說。

三種情況我會建議先別急著自動化：

• •每次都不一樣、要靠人判斷的事：規則無法明確化，硬自動化反而容易出錯
• •頻率很低的事：一年跑兩次，花時間建流程不划算
• •流程本身還沒理順的事：把一個混亂的流程自動化，只會更快地製造混亂

務實的順序是：先把流程理清楚、規則寫明白、確認它高頻又穩定，再來自動化。自動化是放大器，前提是你放大的東西本身是對的。

直接寄信到 asdtodd42@gmail.com，或透過頁面底部的「免費諮詢」。我會在 1–2 個工作天內回覆，安排一次免費的線上需求訪談（約 30–60 分鐘），先把你的問題和目標聊清楚，再判斷適不適合自動化、怎麼做最划算。

每個專案依整合系統數量、複雜度、功能範圍報「固定價」，不是按時計費，你事先就知道總花費、不會做到一半被加價。服務頁面上的價格為起始參考價，實際報價在需求訪談、確認範圍後給你。

依專案複雜度而定，一般 n8n 流程自動化約 1–3 週，AI 應用開發約 2–6 週。需求訪談後會提供更準確的時程與分階段規劃，讓你清楚每階段交付什麼。

上線後有 2 週免費調整期，期間發現的問題免費修復。之後可以選擇維護合約，或依實際狀況按次報價，不綁長約。