📚職涯停看聽・知識庫← 總部儀表板
📅最後更新：2026/05/20
📑 目錄

Claude 把 LINE 客服變成轉單系統（2026-05-20）

🔗 https://www.threads.com/@kai_ch_chen/post/DYUpH_cj_-c 平台：Threads ｜ 作者：@kai_ch_chen ｜ 分類：knowledge/references/AI工具

維度 1：定性（基本資料）

  • 平台：Threads
  • URL：https://www.threads.com/@kai_ch_chen/post/DYUpH_cj_-c
  • 作者：@kai_ch_chen（台灣 AI×行業實作教學帳號，聚焦 Claude 在各行業的落地實作，提供完整可執行的程式碼與 JSON schema）
  • 發布日期：2026-05-14
  • 互動數據：觀看 1.0萬 / 按讚 113 / 轉發 331
  • 內容類型：社群貼文型（主貼文 + 4 則串聯回文，包含完整 JSON schema、Google Sheets 欄位定義、Python 預測函式）
  • 可信度評估：高。含完整可執行程式碼，轉發率高（331÷113≈2.9x），讀者認可實作可行性

維度 2：讀取記錄

  • 讀取方式：Chrome MCP navigate + read_page（accessibility tree）+ computer 截圖（IMP-058）
  • 內容完整性：完整。主貼文 + 全部 4 則串聯回文均讀取到，涵蓋 JSON schema / Google Sheets RAG 表欄位 / Python predict_transition 函式
  • 讀取限制：已截圖讀取 6 張圖片卡片；截圖過程中 viewport 超出問題已修正（縮小 region 重取），6 張圖卡可讀文字已補入維度 3 D 欄

維度 3：核心概念五欄比較

概念 A 是什麼 B 解決什麼問題 C 我們目前做法 D 來源做法 比較結論
LINE 對話 → Claude JSON 萃取 → 客戶 RAG 表 每則 LINE 訊息由 Claude 以 JSON schema 解析，萃取 8 類資訊（baby_info / diet / purchase / channel / family / engagement / complaint / baby_status），寫入 Google Sheets 形成個人化 RAG 知識庫 LINE 客服回覆靠人工記憶，無法做到個人化推薦或精準提醒 SYS-10 LINE Bot 已接 Gemini，能讀取 inbox.md 回答問題，但只有對話記憶，無結構化客戶資料表 Claude Tool Use + Google Sheets API，每次訊息更新對應欄位，「每位客戶 = 一張結構化表 = 一個專屬 RAG 知識庫，Claude 先查歷史再回答」；圖卡示意：身份需求 / 商品數量 / 急迫度三維萃取 A：高；B：可用；C：保留現有架構，可考慮加入結構化資料萃取層；D：部分採——JSON schema 設計概念直接可用，但奶粉業 8 維度須重新定義為職涯諮詢 8 維度
購買時機預測（predict_transition） Python 函式根據寶寶月齡 + 目前產品推算下次購買時間，倒數 10 罐時自動觸發廣告排程；範例：8 個月寶寶 8 罐奶粉 → 4 個月喝完 → 到 1 歲換奶粉 → 在第 10 罐自動推廣告 廣告投放時機靠感覺，轉換率低；精準時機才有效益 Tim 的 21 天回訪機制（s4-21day-followup.md）是手動的，無演算法輔助決策何時主動聯繫 predict_transition(baby_age_months, current_product) → 計算 days_until_transition → 排程廣告；「複製即用，依你的行業改 8 面向定義」 A：高；B：可用；C：保留；D：部分採——「預測下次服務時機」的思路可遷移到「何時主動推 S6 升單、發電子報回訪」決策；廣告自動化本身不適用（非電商）
框架遷移設計（「依你的行業改 8 面向」） 整個 RAG 系統的 8 個資訊維度以 JSON schema key-value 定義，換行業只需重新定義 8 組 key；主貼文明確說「複製即用，依你的行業改 8 面向定義」 一般教學場景固定，讀者無法直接套用；框架遷移設計讓可用性大幅提升 Tim 的六大顧問框架已文件化（six-consulting-frameworks.md），但無對應的結構化 JSON schema，無法讓 AI 自動萃取客戶資訊 開放性 JSON schema 設計 + 教學內容框架化；鼓勵讀者「依自身行業重新定義 8 維度」 A：高；B：可用；C：保留；D：全採（概念層）——值得為職涯諮詢定義「客戶 8 維度 JSON schema」供 SYS-10 Phase 4 使用

原始 JSON Schema（來自串聯回文 Part 1）

{
  "baby_info": { "age_months": null, "gender": null, "weight_kg": null },
  "diet": { "milk_brand": null, "allergy_flags": [], "solid_food_stage": null },
  "purchase": { "products": [], "frequency_days": null, "quantity_per_order": null },
  "channel": { "preferred_channel": null, "payment_method": null, "promotion_sensitive": null },
  "family": { "structure": null, "monthly_budget_ntd": null },
  "engagement": { "inquiry_cycle_days": null, "repurchase_rhythm": null },
  "complaint": { "past_complaints": [], "returns": [], "referral_source": null },
  "baby_status": { "night_feeding": null, "constipation": null, "teething": null }
}

Google Sheets RAG 表主要欄位（來自串聯回文 Part 2）

customer_id, line_user_id, last_updated, baby_age_months, baby_gender, milk_brand, allergy_flags, solid_food_stage, preferred_channel, payment_method, promotion_sensitive, monthly_budget_ntd, inquiry_cycle_days, repurchase_rhythm, past_complaints, referral_source, night_feeding, constipation, teething

Python 預測函式骨架（來自串聯回文 Part 3）

def predict_transition(baby_age_months, current_product):
    # 根據月齡與產品反推下次購買時機
    # 返回 days_until_transition
    pass

維度 4：可採用點（具體行動）

  • 【知識庫/KM】定義職涯諮詢版「客戶 8 維度 JSON schema」草稿（對標奶粉店 8 維度）→ 為 SYS-10 LINE Bot Phase 4 個人化諮詢打底，讓 AI 能從對話自動萃取客戶結構化資訊 → 難度：中 → P3
  • 【SYS-10/DEV】LINE Bot Phase 4：新增 Claude Tool Use 客戶資料萃取 → 每次諮詢對話萃取職涯 8 維度 → 寫入 Upstash KV 作為個人 RAG → 難度：高 → P3
  • 【策略/STR】參考「購買時機預測」邏輯，重新審視 21 天回訪機制：定義哪些對話信號（如提到換工作時間軸、薪資談判進度）預示客戶進入下一服務階段，作為主動聯繫觸發點 → 難度：低（思路層，無需開發）→ P3

維度 5：明確不採用

  • LINE → 自動廣告轉訂單的電商閉環：Tim 的諮詢是時間型高接觸服務，非標準化快消品，主動廣告排程不適用 — 不採用原因：商業模式根本不同，每位客戶的「服務時機」需主觀判斷，無法用客觀數據自動排程
  • Google Sheets 作為 RAG 主知識庫：Tim 已有 HQ repo + Upstash KV 雙軌架構，引入 Google Sheets 增加同步複雜度，且 RCF-031 已定義 KV 寫入格式 — 不採用原因：已有更好替代方案（Upstash KV），LEG-1 個資合規邊界更清晰

維度 6：整體對比判斷

  • 與現有系統的關係：補充缺口。SYS-10 LINE Bot 目前只有單向問答（inbox.md 路由 + Gemini 回答），無結構化客戶資料積累；本文架構補足「從每次對話提取結構化數據 → 個人化 RAG」的缺口
  • 最有價值的一點：「每位客戶 = 一個專屬 RAG 知識庫」的設計思維——把流動對話文字變成可查詢的結構化知識，讓 AI 回答有脈絡、有記憶
  • 最需要注意的風險：職涯諮詢內容屬敏感個資，遷移時需確認 D3-A 個資攔截（RCF-031）的白名單邊界，且 LEG-1 禁止諮詢記錄完整版上雲
  • 整體評分：高價值。架構思路直接可遷移到 SYS-10 Phase 4，JSON schema 框架設計（8 維度遷移方法）對職涯客戶資料化有具體參考

維度 7：立即行動

本次採用點均為中/高難度，無低難度直接執行項目 → 採用點已列入維度 4，步驟九分流處理。

維度 8（確認）

  • Step A condensed entry 已寫入：AI工具.md ✅
  • Step C index 已更新：knowledge/analyses/README.md ✅
← 返回 學習分析