▮客服不是靠記憶工作：用 NotebookLM 把老客服的經驗變成「店裡都能用的答案庫」▮

「電商客服」很常出現「新客服最常問的問題，老客服早就回答過幾百次」的狀況。

• 「這個客人這樣要求可以嗎？」
• 「這種情況退貨要怎麼處理？」
• 「這個商品之前有人反映過嗎？」
• 「這種尺寸問題以前你們都怎麼回？」

對資深客服來說，這些問題可能早就熟到不用思考，但對剛進公司的新人來說，每一個都是第一次遇到，於是店裡很容易形成一個循環：「新人不知道，就去問資深客服」，「資深客服不確定，就去翻以前的聊天紀錄」，「聊天紀錄找不到，就再去問店長」，最後，真正有價值的客服經驗，往往沒有留在公司的資料裡，而是留在某幾個人的腦袋裡。

這其實是很多品牌官網電商客服「很難標準化」的原因。

商品規格可以整理成文件，退換貨規則可以寫成 SOP，常見問題也可以做成 FAQ，但還有一種資訊更難整理，就是「以前遇到這種狀況，我們是怎麼判斷的？」

因為客服每天累積的不只是問答，而是大量的情境判斷：「什麼情況可以彈性處理？」、「什麼情況一定要照規則？」、「客人反映某個商品問題時，過去曾經怎麼處理？」、「遇到特殊要求時，店裡通常會採取什麼做法？」，這些經驗如果沒有被留下來，資深客服離職、新人接手，甚至只是原本負責的人休假，都可能讓同一個問題重新問一次。

而 NotebookLM 可以成為處理這類問題的一個工具，可以把過去整理好的客服紀錄、商品資料、退換貨規則、FAQ、內部說明等資料集中起來，讓 AI 協助整理與查找，它的價值不只是「幫客服回答問題」，而是把原本分散在不同文件、聊天紀錄與人員經驗裡的資訊，逐漸整理成一套可以查詢、可以交接，也能持續補充的客服工作知識庫。

這樣一來，電商客服 新人遇到問題時，不一定每次都要先問資深客服，而資深客服最有價值的經驗，也不會隨著一句「我記得以前好像是這樣」就消失。

⚿ 文章目錄 ⚿

▍一、真正難交接的不是客服話術，而是「判斷過程」

▍二、把客服資料分成「規則、案例、回答」，NotebookLM 才真正派得上用場

▍三、NotebookLM 最適合做的，不是「自動回客人」，而是幫客服快速找到依據

▍四、最值得建立的，其實是「客服查詢習慣」

▍五、一個簡單測試，就能知道你的客服知識庫有沒有真的建立起來

▍結語｜別讓客服經驗只存在某一個人的腦袋裡

一、真正難交接的不是客服話術，而是「判斷過程」

很多店家在做客服 SOP 的時候，第一個想到的通常是要把「標準答案整理出來」。

例如：

客人問：「可以退貨嗎？」

標準回答：「您好，本商品提供七日鑑賞期……」

這種整理方式當然是有用的，對於配送方式、付款方式、商品規格這類有明確答案的問題，直接提供標準回覆，可以讓新人少花很多時間摸索。

但客服真正難處理的，往往不是「答案是什麼」，而是：這個案例到底適不適用這個答案？

1. 同一句問題，情境不同，答案可能完全不同

例如客人說：

「我收到商品後發現不喜歡，可以退嗎？」

如果只給新人一段「退貨話術」，事情其實還沒解決，因為客服還需要進一步確認：

• 商品是否符合退貨條件？
• 是否已經使用？
• 包裝是否完整？
• 是否屬於特殊商品？
• 是否已經超過退貨期限？
• 是否有其他例外規定？

會因為這些條件的不同，影響最後的處理方式，所以客服真正需要掌握的，不只是「這句話要怎麼回？」而是「遇到這種情況，我要先確認什麼？」這兩件事情看起來很接近，但實際上差很多，前者是在背答案、發罐頭訊息的感覺，後者才是在學習如何判斷，而客服工作之所以難交接，往往就是因為後者沒有被留下來。

資深客服可能早就知道，看到某種描述就要先檢查哪個條件；知道哪些情況可以直接處理，哪些情況需要詢問主管；也知道某些商品雖然看起來符合一般規則，實際上還有額外限制，但這些經驗如果沒有被整理，新人就只能透過一次次「問前輩」慢慢學，久了之後，公司不是沒有 SOP，而是真正重要的 SOP 藏在資深客服的經驗裡。

2. 把「案例」留下，比要求員工背答案更實際

客服知識整理可以換一個方向：不要只整理標準答案，也把過去怎麼判斷的案例留下來。

例如過去曾經遇到：

客人拆封後發現尺寸不合，但商品沒有使用痕跡。

與其只留下最後回覆給客人的那段話，不如把整個處理脈絡一起記錄：案例背景 → 判斷條件 → 處理方式 → 最終回覆，這樣下一次新人遇到類似的問題，看到的就不會只是「上次客服怎麼回」，而是還能理解：

• 當時遇到了什麼情況
• 客服確認了哪些條件
• 為什麼最後採取這個處理方式
• 對客人最後是怎麼說明的

這會比單純複製一段舊話術更有價值，因為客服面對的問題，很少會每次都長得一模一樣，所以真正能幫助新人的，不是告訴他「這題的答案」，而是讓他看懂「以前遇到類似問題時，店裡怎麼判斷」，當這些案例累積起來，客服知識就不再只是一本 FAQ，而會逐漸變成一套可以參考的決策脈絡。

而這也是 NotebookLM 比較適合切入的地方，它不只是拿來整理「常見問答」，而是可以把原本分散的文件與案例放在一起，讓客服在遇到新問題時，先找到過去有哪些相似情況，以及當時是怎麼處理的。

二、把客服資料分成「規則、案例、回答」，NotebookLM 才真正派得上用場

如果把所有客服聊天紀錄、商品資料、內部規定全部丟進 NotebookLM，表面上看起來資料很完整，實際要使用的時候，不一定會好找，因為客服真正需要的，通常不是「更多資料」，而是：我現在遇到這個問題，應該先看什麼？

比起把資料全部混在一起，更實際的做法，是先把客服知識拆成三個層次：規則 → 案例 → 回覆，三者各自負責不同的事情。

第一層：規則「店裡到底怎麼處理」

第一層是最基礎的規則資料。

例如：

• 退換貨規則
• 出貨規則
• 運費規則
• 優惠券使用規則
• 會員規則
• 訂單修改規則
• 特殊商品注意事項

這些內容通常是客服最不能自行猜測的。例如「這筆訂單能不能修改」、「這個商品能不能退」、「滿額優惠是否可以併用」，如果公司已經有明確規定，就應該以正式規則為準，而不是參考某位客服「以前好像有這樣處理過」。

所以，「規則文件」應該是客服知識庫裡的最高優先級依據，案例可以拿來參考，但不能因為「上次這樣處理」，就直接取代現在的正式規則。

第二層：案例「以前真的遇過什麼」

第二層是實際案例。

規則可以告訴客服「原則上怎麼處理」，但現實中的客人往往不會乖乖照規則題目出現。

例如：「客人已收到商品，但表示尺寸不合，商品有試穿痕跡，之前是怎麼處理？」

這時候光看「退換貨規則」可能還不夠，如果公司過去曾經遇過相似情況，就可以把當時的處理方式拿來參考，像是：當時客服確認了哪些條件、最後怎麼判斷、是否需要主管確認，以及最後如何處理。

案例的價值就在魚「它提供的是規則之外的情境脈絡」，而且案例不一定要把整段聊天紀錄原封不動留下來，更實用的方式，是整理成：案例情境 → 關鍵條件 → 判斷結果 → 處理方式，這樣未來遇到相似問題時，比直接翻幾百則聊天紀錄有效率得多。

第三層：回覆「最後怎麼跟客人說」

第三層才是實際對客人的回覆。

這一層很重要，因為「知道怎麼處理」和「知道怎麼說明」其實是兩回事。

例如公司內部可能需要確認：

• 商品是否符合退貨條件
• 是否有使用痕跡
• 是否需要人工審核
• 是否需要主管確認

但這些內部判斷，不代表全部都要原封不動告訴客人。

所以，可以把「內部判斷」和「對外說法」分開保存，這樣客服在使用 AI 協助整理回覆時，就能先根據規則與案例確認「應該怎麼處理」，再把結果轉換成適合客人閱讀的說法。

例如內部可能是：

「商品已有試穿痕跡，需依退貨規範確認是否符合退貨條件。」

對客人的說法則可以是：

「您好，因商品已有試穿痕跡，退貨是否符合相關條件還需要進一步確認，麻煩您提供商品目前的狀況，我們再協助您確認。」

兩者處理的是同一件事情，但用途完全不同。

所以這三層資料可以簡單理解成：

• 規則，決定能不能這樣處理。
• 案例，幫助理解以前遇到類似情況怎麼處理。
• 回覆，負責把判斷結果轉換成客人聽得懂的話。

當這三種資訊被整理好，NotebookLM 的角色就不只是「幫你找文件」，而是協助客服更快找到與眼前問題有關的依據與案例，這才是客服知識庫真正有用的地方。

三、NotebookLM 最適合做的，不是「自動回客人」，而是幫客服快速找到依據

這也是這套方法和一般 AI 客服最大的差別。

以 QDM 現有的 LINE Bot 來說，主要是讓顧客可以自行查詢訂單、會員資訊、常見服務等，核心目的在於「縮短等待，提升服務效率」，這跟 NotebookLM 的使用情境則不太一樣。

NotebookLM 不是直接站在顧客面前回答問題，而是站在客服身邊，比較像是：客服坐在電腦前遇到問題時，旁邊多了一個可以查資料、找案例的「店舖知識助理」。

這個差異很重要，因為客服真正需要的，很多時候不是 AI 幫他「決定答案」，而是幫他在大量資料裡，快速找到可以支持判斷的依據。

｜先讓它找依據，再要求它整理答案

例如客服收到客人的訊息：「客人說商品有瑕疵，但已經使用過了，這種可以怎麼處理？」

與其直接問 AI：「幫我回覆客人。」

更適合先問 AI：「請根據目前提供的退換貨規則與過往案例，找出與這個情境最接近的資料。先列出判斷依據，不要直接產生客服回覆。」

這一步其實很重要，因為客服可以先確認「AI 找到的資料是不是對的」，例如它找到的案例是否真的相似？引用的規則是不是目前有效的版本？有沒有漏掉某個限制條件？

確認依據沒有問題之後，再進入下一步：「根據上述判斷，整理成一段可以提供給客人的客服回覆，語氣親切、清楚，不要自行增加資料中沒有的承諾」，這時候 AI 做的事情就比較單純，會把已經確認過的資訊，整理成比較好讀的文字，整個流程就會變成：找資料 → 找案例 → 確認依據 → 輔助判斷 → 產生回覆草稿 → 人工確認，而不是：客人一問 → AI 自己決定答案 → 直接送出去。

兩種方式看起來都用了 AI，但風險其實差很多，尤其是退換貨、退款、客訴、補償等涉及公司規則或例外處理的問題，AI 能不能找到資料是一回事，最後能不能這樣處理又是另一回事。

所以 NotebookLM 在客服流程裡比較適合扮演的角色，不是「自動客服」，而是：幫客服縮短找資料的時間，把原本需要翻聊天紀錄、找 SOP、問資深同事的工作，變成可以先查詢知識庫，再由人做最後判斷。

這樣 AI 才是在幫客服累積經驗，而不是讓客服把判斷權直接交出去。

四、最值得建立的，其實是「客服查詢習慣」

知識庫最怕的不是資料不夠，而是：大家根本沒有查的習慣。

就算整理了再完整的規則、案例與客服紀錄，如果新人遇到問題還是直接問旁邊的資深客服，久了之後，知識仍然只會停留在少數人的腦袋裡，所以導入 NotebookLM 後，不用要求客服「什麼問題都問 AI」，更實際的做法，是先建立幾個簡單的查詢習慣：

• 不確定 → 先查。
• 查不到 → 再問人。
• 問完 → 把新案例留下來。

這三個動作持續做下去，知識庫才會越來越有價值。

1. 新人遇到「不確定」的問題，先查再問

例如新人遇到：「我不確定這個退貨案例以前怎麼處理。」

以前的做法可能是直接問資深客服，但有建立知識庫之後，就可以先查詢，如果找得到相似案例，就先依照規則與案例理解處理方式，如果資料裡找不到，再詢問資深客服或主管。

這個順序看起來只差了一個步驟，長期下來卻會產生很大的差別，因為資深客服不需要一直回答：「這個以前有沒有遇過？」、「上次同樣事件是怎麼處理？」、「這個商品到底能不能退貨？」等相關問題，而新人也不會永遠停留在「有問題就問某個人」的階段。

要留意的是：每一次「查不到」，其實都是知識庫的一個缺口：

• 如果同一類問題一直被問，就代表這個情境值得補進資料庫中。
• 如果新人經常找不到某項規則，也可能代表原本的文件不夠清楚。
• 如果同一個案例被反覆詢問，則可以考慮把它整理成正式案例。

客服平常的查詢行為，本身就能反過來告訴店家：哪些知識最值得補。

2. 遇到特殊案例，就把答案留下來

假設今天客服遇到一個過去從沒發生過的特殊狀況，客服確認規則、詢問主管並完成處理後，不要讓這次經驗就這樣結束，就可以順手整理成一筆案例：

案例名稱：已使用商品的瑕疵反映

情況： 客人收到商品後表示有瑕疵，但商品已有使用痕跡。

判斷依據： 依照目前退換貨規則，確認商品狀況及相關條件。

最後處理： ……

對外回覆： ……

不需要寫成一篇很長的報告，重點是把當時為什麼這樣判斷，以及最後怎麼處理留下來，下一次遇到相似問題時，客服就不必再從零開始討論，而且這筆資料未來不只服務新人，它也可能成為資深客服、主管，甚至未來新進員工的參考依據。

3. 讓知識庫形成「越用越完整」的循環

真正好用的客服知識庫，不是一次整理完就結束，它比較像是一個持續累積的循環：遇到問題 → 查詢資料 → 找不到就詢問 → 完成判斷 → 留下案例 → 下一次再查。

一開始，知識庫可能只有基本規則與幾個常見案例，但使用一段時間後，會慢慢累積出更多真實情境，新人遇到問題，可以先查，資深客服不用一直重複回答，主管也能看到哪些問題經常出現，甚至當某個規則需要修改時，也可以回頭檢查過去的相關案例，避免新舊處理方式混在一起。

這才是建立電商客服知識庫真正的目的。

不是讓公司多了一個 AI 工具，而是讓「問過一次的問題」，有機會變成「下一次查得到的答案」。

當客服團隊開始有了查詢的習慣，NotebookLM 才不會只是放資料的地方，而是會逐漸變成團隊日常工作的一部分。

五、一個簡單測試，就能知道你的客服知識庫有沒有真的建立起來

不用一開始就整理幾千則客服紀錄，因為如果一開始就想把所有資料全部整理完，很容易做到最後，只剩：整理資料本身。

更實際的方法是先挑一個範圍做小型測試，先確認這套方法真的能解決問題，再慢慢擴大。

1. 先挑 電商客服「新人最常問資深客服」的問題

可以從一個新人經常需要請教資深客服的「主題開始」。例如：退換貨判斷，它通常會比「商品尺寸怎麼選」更適合拿來當第一個測試範圍，因為尺寸問題可能只需要查商品規格，但退換貨判斷通常同時涉及：規則、案例、判斷條件與客服回覆。

準備三種資料：

1. 目前正式的退換貨規則
2. 過去幾個實際處理案例
3. 對應的客服回覆

接著，不要拿已經看過的舊問題來測試，可以另外準備 5～10 個新的情境，模擬新人實際可能遇到的問題，再看看 NotebookLM 能不能：

• 找到正確的規則
• 找到與情境相近的案例
• 分辨不同條件下的處理方式
• 不自行補充資料裡不存在的規定
• 整理出客服可以理解的判斷依據

如果這些基本測試都能穩定完成，再逐步增加其他範圍，例如訂單修改、物流問題、優惠活動、會員問題或特殊商品。

這比一次把所有客服資料全部整理進去，更容易知道到底是哪一部分真的有效。

2. 最後看的是「新人能不能少問一次」

這套方法最實際的驗證方式，其實不是要看 AI 寫得漂不漂亮，也不是要看它回答得有多像真人，而是在看一個實際的改變：新人以前一天要問資深客服 10 次，現在能不能自己解決其中 3～5 次？

如果可以，就代表知識庫真的開始發揮作用，因為它降低的不是單純的打字時間，而是降低了「每遇到一個問題，就重新找人教一次」的成本。

而且這個成果還會持續累積，今天新人因為知識庫少問了一次，明天這個問題又被整理成新的案例，下一個新人就可能連問都不用問，最後真正被留下來的，就不只是幾份文件，而是一套團隊可以反覆使用的工作經驗。

讓已經發生過的事情，不需要每次重新教一次，這才是客服知識庫真正值得建立的原因。

結語｜別讓客服經驗只存在某一個人的腦袋裡

電商平台做久了，店裡一定會累積大量只有資深客服才知道的「眉角」，像是哪種情況要特別注意、哪個問題以前發生過、哪條規則有例外、遇到敏感問題時怎麼說比較合適，這些經驗很有價值，卻也很容易隨著人員異動一起消失。

所以客服知識管理真正要解決的，並不是：「我要怎麼讓 AI 幫我回覆更多客人？」而是：「一個資深客服累積三年的經驗，能不能留下來，讓下一個人繼續使用？」

NotebookLM 可以是其中一個工具。

但真正重要的，從來不是用了哪一個 AI，而是有沒有把原本分散在聊天紀錄、文件與員工記憶裡的經驗，整理成公司可以持續使用的知識，當新人遇到問題，可以先查，當資深客服處理完特殊案例，可以留下，當店長發現規則需要調整，可以更新，後續當同樣的問題再次出現，就不必從頭開始問，久而久之，店裡累積的就不只是「會回答問題的人」，而是一套可以查詢、交接、更新，也能持續累積的客服工作知識。

這才是把零碎客服問答變成「客服救星」真正有價值的地方。

因為好的客服知識庫，不是讓 AI 取代客服，而是讓一個人累積的經驗，不必只服務他自己。

好商品，值得被更多人看見。

從開店開始，把商品、顧客與生意真正連結起來 👉 [立即免費開店]

電商開店幫手：https://blog.qdm.tw/

E-commerce customer service plays a crucial role in building trust and ensuring long-term success for online stores. In the digital shopping environment, customers expect fast, accurate, and empathetic responses to their inquiries regarding product details, order status, shipping updates, and return policies. High-quality support directly impacts conversion rates, repeat purchases, and overall customer lifetime value.

To streamline operations, modern e-commerce brands integrate multiple communication channels, including live chat, email, social media messaging, and automated AI chatbots. AI tools help handle repetitive and basic customer inquiries, allowing support teams to focus on complex service cases that require human intervention. Establishing standardized operating procedures and a comprehensive FAQ knowledge base ensures consistent service quality across all touchpoints.

Furthermore, effective customer service acts as a valuable feedback loop for e-commerce businesses. Analyzing recurring customer complaints and questions provides essential insights into product quality, logistics issues, and website user experience. By continuously optimizing support processes and personalizing customer interactions, e-commerce retailers can build strong brand loyalty, improve customer satisfaction, and maintain a competitive advantage in the market.