從「會動就好」到流量癱瘓:LINE OA 串接 n8n 與 AI 代理人的 30 天血淚實戰
☰ 目錄
在 2026 年的這個時代,大家都在談 Vibe Coding、無頭架構和全自動 AI 代理人,彷彿只要把幾個 API 串起來,系統就能自己印鈔票。但身為一個每天在伺服器日誌裡打滾的工程師,我必須說句實話:理想很豐滿,現實往往是 502 Bad Gateway。
一切從那通凌晨兩點的客訴電話開始
靠人工輪班接 LINE OA 客服,會在半夜和週末漏接急單,這條路在 2026 年已經走到盡頭。
那天凌晨兩點,我的手機狂震。接起來是老闆那帶著怒氣的聲音,原來是一個我們的重要大客戶,在 LINE OA 上連續傳了六則訊息,結果等了兩個小時沒人理,氣到直接跑去 Google 商家狂刷一星評論。那一刻我才真正意識到,靠人工輪班接客服這條路,在 2026 年已經徹底走到盡頭了。
我們原本的客服流程充滿痛點:
- 輪班空窗期:
半夜和週末根本找不到人回覆,導致流失急單。
- 回覆品質不一:
新人客服常常給錯資訊,甚至搞錯退貨流程。
- 傳統機器人太笨:
舊有的關鍵字回覆就像無頭蒼蠅,客戶只要多打一個錯字,機器人就只會跳「請重新輸入」。
老闆在電話裡的指令很簡單:「Eric,你們工程部門不是整天說 AI 代理人(AI Agent)很神嗎?現在就去弄一個出來,我明天早上就要看到它會動。」我掛掉電話,盯著天花板,心裡默默苦笑。老闆永遠覺得「導入 AI」就像安裝一個 App 一樣簡單,但這件事到底有多複雜,只有真正跳下去做的人才知道。這也就是這場「倉促上線」災難的開端。
我以為接起來就算完成,結果架構設計根本就錯了
只把 LINE、n8n 與 OpenAI 接起來的 AI 客服只做到「會動就好」,沒有考慮邊界條件和容錯機制。
一開始,我的工程師直覺告訴我這其實不難。初步構想是:用 n8n 作為自動化中樞,接收 LINE Messaging API 的 Webhook,然後把使用者的訊息丟給 OpenAI 的 API,最後再把 AI 的回覆透過 n8n 推送回 LINE OA。聽起來完美無缺,感覺三個小時就能收工回家睡覺。
- LINE 訊息Webhook
- n8n自動化中樞
- OpenAI API產生回覆
- 推送回 LINE OA沒有容錯
初步構想聽起來完美無缺,上線第三天各種災難級的 Bug 開始爆發。
第一天的蜜月期與第三天的災難
第一天,系統的確「跑起來了」。看著測試帳號能和 AI 對話,我甚至有點飄了,覺得自己真是個天才。但在系統正式上線的第三天,各種靈異現象和災難級的 Bug 開始爆發:
- AI 嚴重幻覺(Hallucination):
客戶問退貨期限,AI 居然很熱心地說「我們提供 90 天無條件退貨」,老天,我們公司的規定明明是 7 天!老闆看到截圖差點沒把我殺了。
- 金魚腦症候群:
客戶傳了兩張照片,問「這兩個哪個好?」,然後再補充一句「還是買紅色的?」。因為沒有狀態管理,AI 對於每一則新訊息的反應都像是第一次見面,完全忘記上一秒客戶講過什麼,只回了「請問您需要什麼幫助?」。
- 尖峰時刻的 Timeout 慘劇:
中午休息時間訊息量大增,API 回應變慢,導致 n8n 的 Webhook 流程全部卡死。系統不只沒回覆,甚至沒有任何錯誤提示,客戶在 LINE 那頭無盡等待。
這就是工程師常犯的毛病:「會動就好」。沒有考慮邊界條件、沒有設計容錯機制,這種草台班子架構帶來的技術債,差點毀了公司的客服信譽。我終於懂了,這不是單純串接 API,這是要建立一個有邏輯的「數位大腦」。
踩完這三個大坑之後,我才搞懂 AI 客服的底層邏輯
穩定的 AI 客服要靠三個底層邏輯:RAG 知識庫、對話狀態管理、容錯與重試機制。
痛定思痛後,我花了將近兩週重新打掉重練,這才歸納出串接 n8n 與 AI 代理人的三大底層邏輯與解法:
上線後踩到的坑
- AI 嚴重幻覺,亂講退貨期限
- 金魚腦症候群,忘記上一秒的對話
- 尖峰時刻 Timeout,流程靜靜地掛掉
對應的解法
- 導入 RAG,先查向量資料庫再回答
- 用 Redis 暫存對話歷史
- 錯誤處理、重試與 Fallback 流程
坑一:讓 AI 「裸奔」,沒有導入 RAG 技術
把公司客服交給一個只讀過網路公開資料的通用型大模型,就像請了一個完全沒受過員工訓練的工讀生直接站櫃檯。解法是必須導入 RAG(檢索增強生成) 技術。我建立了一個輕量級的向量資料庫(Vector Database),把公司的常見問答、退換貨政策、甚至近期的行銷活動細節全部餵進去。現在,當客戶發問時,n8n 會先去向量資料庫找相關的公司文件,再打包交給 AI 進行回答。如此一來,幻覺問題減少了絕大部分。
坑二:忽略「對話狀態管理」(Session Management)
要解決金魚腦問題,必須讓 AI 記住對話脈絡。在 n8n 中,我加入了 Redis 來暫存使用者的對話歷史(Chat History)。利用 LINE 的 userId 作為辨識,當客戶傳訊息時,系統會調出過去的對話記錄一起送給 AI 模型。
// 虛擬的程式碼邏輯範例:Redis Session 管理
$userId = $line_event['source']['userId'];
$chatHistory = $redis->get('chat_' . $userId);
if (!$chatHistory) {
$chatHistory = [];
}
array_push($chatHistory, ['role' => 'user', 'content' => $userMessage]);
// 將 $chatHistory 傳遞給 AI 代理人處理...
坑三:缺乏容錯與重試機制(Error Handling & Retry)
自動化工作流最怕的就是「靜靜地掛掉」。我重新調整了 n8n 的 Workflow,在呼叫 LLM 的節點加上了錯誤處理與重試邏輯(Exponential Backoff)。如果 API 真的卡住,系統會自動切換到 Fallback 流程,回覆客戶:「系統目前較為忙碌,已將您的問題轉交給真人客服,將於上班時間回覆您。」同時觸發 Slack 通知,讓工程團隊第一時間知道發生了什麼事。
- 呼叫 LLM 節點
- 重試Exponential Backoff
- Fallback 流程轉交真人客服
- Slack 通知工程團隊
自動化工作流最怕的就是「靜靜地掛掉」。
跑了 30 天之後,我對這件事有了完全不同的看法
LINE OA 串接 n8n 的 AI 客服跑了 30 天,幫真人客服擋下近 70% 的一線進線量,但知識庫仍要專人持續維護。
- 近 70%AI 客服幫真人客服擋下的一線進線量
- 30 天LINE OA 串接 n8n 與 AI 代理人實際運行
經過一番折騰,現在這套系統確實在平穩運行了。凌晨的客訴漏接問題基本上已經絕跡,一般性的常見問題,像是查訂單狀態、問實體門市營業時間、詢問退貨流程等,AI 都能穩定且精準地處理掉,幫真人客服擋下了近 70% 的一線進線量。
但我也很清楚這個 AI 客服的「邊界」在哪裡。遇到情緒激動的客戶,或是需要判斷特殊退款情境的爭議問題,系統還是必須依賴精準的「轉接真人邏輯」(Human Handoff)。轉接機制設計得好不好,直接決定了客戶體驗的上限。
AI 客服能穩定處理的
- 查訂單狀態
- 問實體門市營業時間
- 詢問退貨流程
必須轉接真人的
- 情緒激動的客戶
- 需要判斷特殊退款情境的爭議問題
如果你們公司在 2026 年的今天,也正在考慮導入類似的 n8n + AI Agent 自動化客服,我的建議是:先從內部員工的 FAQ 機器人開始試水溫。在沒有準備好 RAG 架構、對話管理和容錯機制之前,千萬別貿然把 AI 直接推上第一線面對客戶,否則那只是在給工程團隊挖一個深不見底的坑。
推薦延伸閱讀
常見問題
LINE OA 串接 n8n 與 AI 代理人時,為什麼不直接用套版 AI 客服系統?
AI 客服回答常常亂講話、給錯資訊,要如何降低幻覺?
為什麼 AI 客服會忘記前一句對話內容,要怎麼讓它記住脈絡?
n8n 自動化客服流程在尖峰時刻卡死、靜靜掛掉,要如何避免?
企業第一次導入 n8n + AI Agent 自動客服,建議從哪裡開始?
這個主題的完整脈絡、選型比較與導入建議,都整理在指南裡。
訂閱免費電子報
把 AI 自動化、企業系統設計與 WordPress / Laravel 開發的真實案例和可直接照做的技巧,整理成電子報寄給你。只寄精選內容、不灌垃圾信,一鍵就能退訂。


