技術深讀版——引擎拆開、零件攤開。

這頁是寫給同行、工程師、想自己動手的人。如果你只想知道 AI 客服好不好用、多少錢，看〈怎麼運作〉就夠了——不讀這頁，完全不影響你開店用它。

⚡ 三十秒看懂

整套沒有黑科技：資料切片 → 標意思（Embedding） → 進向量庫 → 檢索 → 拼小抄給 LLM 回答——行話叫 RAG。零件全部開源、GitHub 都查得到，下面逐一列出。

01引擎五步拆解

「先查資料再回答」，拆成五步看。

把店的資料做成索引卡，客人一問只抽最相關那幾張，它才答得準、又不亂掰。整套工具全部免費、全部開源：

第 1 步

切片Chunking

你的價目、服務項目、預約規則、回話習慣，剪成一片一片的小卡。

第 2 步

幫每張卡標「意思」Embedding

電腦看不懂文字，得先幫每張小卡標上「意思」——意思越像的卡，標記就越接近。這樣客人一問，才找得到最像那幾張。（用哪個免費開源工具，下面零件表全講。）

第 3 步

進圖書館存起來、能秒查免費

所有小卡照「意思」排好書架、編好目錄，客人一問就能秒撈最相關那幾張。料還少的時候，用最簡單的方式就夠了（我現在就這樣）；料變大，再升級到專用的向量資料庫——pgvector、Weaviate 這些一樣不用錢。

📚 到這裡，資料都整理好、在圖書館等客人來問了。↓ 客人一問，換這兩步：

第 4 步

客人一問，秒撈最像的檢索

客人的問題進來，也照樣標上「意思」，去書架上撈出最像的那幾張——再挑出最準的，準備回答。

第 5 步

拼成小抄組合

把挑出的小卡跟問題拼成一張小抄，數位店員照著小抄回答——這就是它「有依據才回」的原因。

📖 RAG 不是我發明的——這套「先查資料再回答」的架構，是 Facebook AI 研究院（現在的 Meta AI）在 2020 年提出（Lewis 等人，NeurIPS 2020）、現在企業導入 AI 的標準做法。我只是照這套做，沒有自己發明新招。

02零件表

我用哪些零件，全部列在下面。

具體是哪些零件？每個都查得到、都免費開源，我現在用哪些、還沒上哪些，標得清清楚楚：

Dify 開源 🧰 工具箱裡有、這條鏈沒走

AI 應用的「樂高」，拉節點就兜出整套流程、不用從零寫程式。GitHub 十幾萬星（2026）。我機器上還跑著、幫客戶部署時會用；但我自己這隻示範已經改走自己寫的檢索管線，沒有經過它。

會講話的腦（LLM） ✅ 我在用

真正回話的那顆腦。我這隻示範現在走雲端的千問 qwen3.8-27b，也可以換成跑在自己店裡的模型。

RAG ＋ bge-m3 開源 ✅ 我在用

「先翻工具書再回答」那套，加上把文字變座標的翻譯機——bge-m3 對中文很強（北京智源開源、MIT 授權、中文排行榜名列前茅），客人講中文特別合用。

LINE 官方帳號＋ API ✅ 正式版在用

客人用 LINE 傳訊息就對到機器人，走官方正規管道、不怕封號。其他平台想串也能做——只要有官方 API，像 FB Messenger、IG 私訊、WhatsApp、Telegram、官網聊天窗都能接。

Chatwoot 開源 🔜 下一步

一個收件匣收所有平台（LINE／FB／IG…）、完整對話統計、一鍵轉真人。業界標準、我還沒上。

專用向量資料庫開源 🔜 料變大再上

秒撈「最相關那幾頁」的記憶櫃（pgvector、Weaviate）——就跑在你自己的電腦裡、資料存你手上。料還少時我用最簡單的方式頂著、夠用就好。

這張表我敢原原本本給你看：哪些現在就在跑（✅）、哪些是店做大的下一步（🔜），一個字都不含糊。我的做法是全部攤開，你想查哪一個都查得到。

🔍 不信？自己查。這些全是公開的開源專案，GitHub 上都翻得到——我講的不是隨口說說：

✅ 我在用 bge-m3 ↗ Ollama ↗

🔜 下一步 Chatwoot ↗ pgvector ↗ Weaviate ↗

03想自己動手？

你真的可以自己做。

零件都列在上面了，教學網路上也一大堆。你想挑戰自己架一套——真的行。卡住了、或想確認方向對不對，直接問我，不用錢。

拿這頁的任何一個零件來問都行——加 LINE 聊 →