
我建立了一個 AI 接待員
2026年3月25日 · Waiting7777 · 4 分鐘閱讀
AI用 AI 做修車廠接線生 — 看傳統行業如何被技術升級
最近看到一個很有趣的案例,有個開發者幫自家修車廠做了個 AI 接待員,專門處理電話預約跟客服。這讓我想到一件事:很多傳統行業其實不需要什麼複雜的 AI,只要能解決一個核心痛點,就已經很有價值了。
修車廠的痛點很簡單 — 師傅在忙的時候沒人接電話,客人打不通就跑去別家了。聘請專職接線生成本太高,老闆娘兼職接又會影響其他工作。這種場景特別適合 AI 來處理,因為對話結構相對固定:詢價、預約、確認時間,就這幾種。
Tech Stack 分析
這個專案的技術選擇很實務:
語音處理用的是 Twilio + OpenAI Whisper,Twilio 負責電話系統整合,Whisper 做語音轉文字。這組合已經很成熟了,延遲控制在可接受範圍內。
對話引擎直接上 OpenAI GPT-4,沒有自己訓練模型。這很聚明,因為修車廠的對話場景不需要特殊的領域知識,GPT-4 加上好的 prompt engineering 就夠了。
資料儲存用 Supabase 管理預約記錄跟客戶資料,real-time 的特性讓老闆可以即時看到新預約。
部署選擇 Vercel,搭配 serverless functions 處理 webhook。對小型應用來說,這樣的 setup 維護成本最低。
整體來說就是標準的 SaaS 產品架構,沒有什麼黑科技,但組合起來就能解決實際問題。
實作重點
最關鍵的部分是 prompt design。修車廠的對話有幾個特色:客戶通常不太會描述車子問題、價格敏感、時間彈性不大。所以 AI 要學會:
- 引導式提問 — 不能讓客戶自由發揮,要主動問車款、年份、症狀
- 價格透明 — 直接給出常見維修的參考價格,避免客戶覺得被坑
- 時間確認 — 一定要 double confirm 預約時間,因為師傅的時間很珍貴
作者有提到一個有趣的細節:AI 會故意表現得「不太完美」,比如偶爾停頓、用一些口頭禪,這樣客戶不會覺得太假。這種 humanization 的技巧在客服場景很重要。
成效與反思
上線三個月後,這個 AI 接待員處理了 70% 的來電,預約轉換率比人工接聽還高 15%。原因可能是 AI 不會有情緒、不會催促,客戶反而比較願意多聊幾句。
但也有限制:複雜的技術問題還是要轉人工,AI 目前還沒辦法判斷車子異音是哪裡出問題。不過對修車廠來說,能處理 70% 的常規預約就已經很划算了。
值得學習的地方
這個案例最有價值的地方不是技術有多厲害,而是對場景的理解。作者沒有想要做一個「萬能的修車 AI 助手」,就專注在「接電話預約」這一件事,反而做得很好。
另外,他們沒有追求 100% 的自動化,而是設計了合理的 fallback 機制。當 AI 判斷問題太複雜時,會主動轉給人工,這樣既保證服務品質,又不會讓師傅被簡單問題打擾。
老實說,這種 AI + 傳統行業的組合還有很多空間可以探索。理髮店、診所、餐廳,很多服務業都有類似的痛點。關鍵是要找到那個「夠小但夠痛」的切入點,用現有的工具就能快速驗證和迭代。
這也提醒我們,不是每個 AI 專案都要用最新最炫的技術。有時候,把成熟的工具組合好,解決一個具體問題,就已經很有商業價值了。
<h2>延伸閱讀</h2> <ul> <li><a href="/blog/anatomy-of-agent-harness">拆解 Agent Harness — 你以為的 AI Agent 其實 90% 是 harness</a></li> <li><a href="/blog/coding-agents-reshaping-epd">Coding Agent 正在改變工程、產品、設計的協作方式 — 但改變的不是你想的那個</a></li> <li><a href="/blog/building-nextjs-for-an-agentic-future">Building Next.js for an agentic future</a></li> </ul>Waiting7777
前端工程師的 AI 實戰紀錄
這篇文章對你有幫助嗎?
每週一篇 — 前端工程師的 AI 轉型筆記
從前端到 AI Agent,把複雜的東西拆清楚,寄到你的信箱。


