AI 解決方案/企業知識庫建置
MixAgent企業 AI 導入

AI 讀得到該讀的,
讀不到不該讀的

企業導入 AI 最先要解決的不是選哪個模型,而是「哪些資料可以給它看」。我們把散在雲端硬碟、群組與資深員工腦袋裡的知識,整理成四級分級的結構化知識庫,並為每一個 Agent 設定讀取上限——公開資料人人可讀,個資與營業秘密則連 Agent 都碰不到。

交付的不只是一包被向量化的檔案,而是一套你們自己維護得下去的制度:每一份知識有負責人、有版本、有複檢週期;每一次回答附得出出處;每一個 Agent 讀了什麼都留得下紀錄。下面有實際的操作介面說明。

資料盤點階段不收費・可地端部署・交付後由貴公司自行維護
← 左右滑動查看完整關係圖 →
同一份關係攤成一張同心圖:核心是四級知識庫、中圈是 Agent 的協作網、外圈是串接的服務——探針往內插得越深,能讀的等級越高。滑過或點擊任一節點看關聯。
The problem

沒有知識庫的時候,實際上發生什麼

這些狀況單看每一個都不嚴重,但它們有同一個根因:公司的知識沒有一個「唯一正確的版本」放在 AI 讀得到、而且讀得對的地方。

01

每次用 AI 都要先花十分鐘交代背景

通用 AI 不認識你們的產品線、報價邏輯與客戶禁忌。每問一個問題都得先貼一堆前情提要,等講完背景,問題自己也快想通了。

知識庫做完後:AI 開工時自動載入該讀的脈絡,直接進入問題本身。
02

同一個問題,三個人給三種答案

折扣權限寫在業務手冊、退貨規則在客服的群組置頂、實際做法又是老鳥口耳相傳。文件散落且互相矛盾,沒有人知道哪一份才是現行版本。

知識庫做完後:每一條規則只有一份權威版本,標明版本、生效日與維護人。
03

資深員工一離職,判斷邏輯就跟著走

「這種客戶不能給折扣」「這個規格聽起來合理但做不到」——這些判斷從來沒被寫下來,只存在特定幾個人的腦袋裡。

知識庫做完後:把隱性判斷寫成可查詢的作業標準,新人與 Agent 都讀得到。
04

想用 AI,但沒人敢決定哪些資料能給它看

資安擋、法務擋,最後變成「先不要用」。員工於是私下用個人帳號把內部文件貼上去,風險反而更高,而且完全看不見。

知識庫做完後:分級與權限在檢索層就切開,可讀的範圍說得出理由、查得到紀錄。
Data classification

四級資料分級

分級不是把資料鎖起來,是讓每一份資料找到它該待的地方。四層等重要——L4 不是「比較少的資料」,而是規則最嚴的那一層。

L1公開資料
資料類型

官網、型錄、FAQ、公開簡報

AI 使用建議

可用一般 AI/SaaS

官網文案產品型錄公開 FAQ品牌調性指南
L2內部資料
資料類型

SOP、教育訓練、一般文件

AI 使用建議

可用企業版 AI 或私有知識庫

社群發文 SOP關鍵字策略庫廣告素材規範客服回覆話術
L3敏感資料
資料類型

客戶資料、合約、報價、財務、內部策略

AI 使用建議

建議私有雲或內部部署

客戶名單廣告預算與 ROAS報價與成效財務內部行銷策略
L4高敏感資料
資料類型

個資、醫療、法務、機密研發、營業秘密

AI 使用建議

原則上不丟給外部模型,需嚴格控管

個資檔案合約與法務營業秘密董事會簡報
The interface

知識庫實際長什麼樣

「知識庫」這三個字太抽象,所以直接看介面。交付時你們會拿到兩個東西:一個維護知識用的管理後台,以及 Agent 依知識庫作答時的檢索行為。下面逐區說明。

一、知識庫管理後台

Knowledge console

日常維護的地方。誰負責哪一份知識、哪些已經過期該複檢、哪一份 Agent 讀得到——都在同一個畫面上。不需要工程師幫忙,業務或客服主管就能自己改。

知識庫管理後台 — 原騰科技 介面示意圖
1依分級篩選
全部412
L1 公開96
L2 內部187
L3 敏感98
L4 高敏感31
2依複檢狀態
有效341
待複檢54
已過期17
3知識條目清單
報價與折扣權限
L2 有效 業務部 · 陳專員下次複檢 09/30
退換貨與保固政策
L1 待複檢 客服部 · 林主任已逾期 6 天
大客戶議價歷程與禁忌
L3 有效 · 遮罩 業務部 · 王經理下次複檢 11/15
員工個資與薪資檔案
L4 已鎖定 · Agent 不可讀 人資部
4條目詳情與權限
條目

報價與折扣權限

版本

v4 · 生效 2026/06/12

來源

業務作業手冊 第 3 節

維護人

業務部 陳專員

複檢週期

每 90 天

可讀取的 Agent
Ivy 數據參謀 Morgan 營運總管 Amber 客服接待
逐區導覽
  1. 1分級篩選 每一份知識入庫時就標上 L1–L4,這個等級同時決定它會不會出現在某個 Agent 的檢索範圍內。分級是權限的來源,不只是標籤。 待執行
  2. 2複檢狀態 知識會過期。系統依複檢週期自動把條目推進「待複檢/已過期」並通知維護人——這是知識庫半年後還敢用的關鍵機制。 待執行
  3. 3條目清單 每一列都看得到分級、狀態、負責部門與負責人。L4 的條目顯示為已鎖定,代表它連索引都不建立,Agent 在技術上就取不到。 待執行
  4. 4詳情與權限 版本、生效日、原始出處與複檢週期一目了然;下方直接列出哪些 Agent 讀得到、哪些讀不到,改權限不必找工程師。 待執行

二、Agent 依知識庫作答

Retrieval & citation

知識庫真正的價值在這一步:AI 回答時附得出出處,而且查不到的時候會誠實說查不到,不會自己編一個聽起來很合理的版本。

Agent 對話 — 引用知識庫 介面示意圖
業務
這個客戶要求 8 折,我可以直接答應嗎?
Agent
依現行規則不行。業務可自行核決的上限是 9 折;8 折屬於需要主管核准的區間,且採購量須達 50 台以上。這位客戶目前的詢價數量是 20 台,建議先報 9 折並確認是否有追加需求。
1引用出處
報價與折扣權限 v4L2 內部 · 第 3 節 · 生效 2026/06/12
量價級距對照表 v2L2 內部 · 表 1 · 生效 2026/05/02
業務
那這個客戶去年的實際成交價是多少?
Agent
2這個問題我查不到可引用的依據。個別客戶的成交價屬於 L3,不在我的讀取範圍內,請向業務主管調閱。我不會用推測的數字回答你。
3已自動開立補充工單 #1042 — 待確認是否開放此類查詢
4存取紀錄 09:14:22 agent=amber query="折扣權限" hit=報價與折扣權限 v4 §3 scope=L1–L2 task=#8821
存取紀錄 09:14:51 agent=amber query="成交價" hit=none denied=L3 ticket=#1042
這段對話發生了什麼
  1. 1引用出處 每一個結論都標明它依據哪一份條目、哪一個版本、哪一節。你不必相信 AI,你可以直接去查它引用的那一頁。 待執行
  2. 2誠實拒答 查不到就說查不到,並說明為什麼(超出讀取等級)。願意拒答的系統,才敢拿去面對客戶與稽核。 待執行
  3. 3缺口自動回收 答不出來的問題會開成工單,累積成知識庫的補充清單——用得越久,庫越完整,而不是越用越糊。 待執行
  4. 4存取留痕 每一次檢索都記錄觸發者、時間、命中的條目與任務識別碼,稽核時回答得出「誰授權它看的、為了什麼」。 待執行
Data sources

你們現在的東西,接得上嗎

大部分接得上。以下是常見的資料來源類型與處理方式;沒有列到的系統,只要能匯出或有 API,訪談時我們會直接告訴你可不可行。

檔案與雲端硬碟

文件檔案

Google DriveSharePointDropboxNAS本機資料夾

Word、PDF、Excel、簡報與純文字都可處理。掃描件需先做文字辨識,辨識品質會影響檢索準確度。

協作與知識工具

既有的內部文件庫

NotionConfluenceHackMDGoogle 文件

已經整理過的內容通常最快上線。可設定定期同步,讓知識庫跟著原始文件一起更新。

對話紀錄

客服與內部溝通

LINE 官方帳號MessengerSlack客服工單系統

歷史對話是最好的問答素材來源。匯入前會先做個資遮罩,並只保留問答結構、不保留對話者身分。

營運系統

結構化資料

ERPCRM訂單系統SQL 資料庫試算表

這類資料通常不整份入庫,而是建立即時查詢介面——避免快照過期,也避免把敏感欄位複製一份出來。

公開內容

官網與對外資料

官網產品型錄公開 FAQ法規條文

屬於 L1,可定期自動抓取更新。要注意版本控管——舊版報價流出去不違法,但 AI 拿舊版回答客戶會出事。

沒有文件的部分

資深員工的判斷

訪談逐字稿會議錄音教育訓練錄影

最重要的知識往往沒有文件。這部分靠結構化訪談補齊,通常是整個專案裡價值最高、也最容易被跳過的一段。

舊系統沒有 API 也不代表做不到——匯出成檔案再定期匯入是可行的做法,只是更新頻率會受限。訪談時我們會把每一個資料源的接法與更新頻率逐項列出來,讓你先知道哪些是即時的、哪些是每週同步的。

不確定你們的資料現況適不適合?

那就是資料盤點要回答的問題,而這一階段不收費。我們會看過你們的資料散在哪、有多少已經過期、哪些碰不得,然後給一份分級表——就算最後決定不建系統,那份表本身也有價值。

How we build it

建置流程

知識庫不是把檔案全部上傳就完成。真正花時間的是分級、去重與定義複檢週期——知識會過期,沒有維護機制的知識庫半年後就沒人敢用。

STEP 01 · 約 1–2 週

資料盤點與分級

盤點現有文件、系統與口耳相傳的規矩,逐項標上 L1 到 L4。這一步通常會發現三成以上的文件已經過期或彼此矛盾。

你會拿到:一份資料清單與分級表,就算後續不建系統,這份表本身也有價值。

STEP 02 · 約 2–4 週

結構化與去重

把文件轉成 AI 讀得懂的條目——問答、步驟、事實、表格各有各的形式,並合併重複與衝突的版本,標明權威來源。衝突處會列出來請你們裁決,我們不自行決定哪個版本是對的。

你會拿到:可檢索的知識條目,每一條標明來源與版本。

STEP 03 · 約 1–2 週

存取權限設計

為每個 Agent 設定讀取上限,並決定哪些查詢需要留下紀錄。權限在檢索層就切開——不在範圍內的條目不建索引,不是靠提示詞叫 AI「忍住不說」。

你會拿到:權限矩陣與存取紀錄機制。

STEP 04 · 持續

維運與複檢機制

設定每一份知識的複檢週期與負責人,過期自動提醒。交付後由貴公司自行維護,不必回頭找我們改一行字。我們會做一次操作交接與教育訓練。

你會拿到:管理後台帳號、操作手冊與一次交接訓練。

What you get

交付內容

以下為常見範圍,實際規格依資料盤點結果調整。整套都是客製化建置,不是套裝功能的開關。

01

資料分級表

全公司文件與資料源的清單,逐項標上 L1–L4 與處理建議。這份表同時是資安與法務溝通的依據。

02

結構化知識庫

去重、對齊、標明權威來源後的知識條目,含向量索引與檢索設定,可依語意查詢並回傳出處。

03

知識庫管理後台

上方示意的操作介面。新增、修改、下架知識條目,設定複檢週期與維護人,非技術人員可自行操作。

04

權限矩陣與存取紀錄

哪一個 Agent、哪一個部門可以讀到哪一級資料,逐項明列;每一次檢索留下可稽核的紀錄。

05

檢索 API 與串接

可供既有系統、客服工具或 Agent 呼叫的檢索介面,回傳結果一律附帶出處與分級標記。

06

操作手冊與交接訓練

一份給維護人的操作說明,加上一次實際帶著操作的交接訓練,確保交付後你們自己維護得下去。

Is this for you

什麼情況該做,什麼情況先別做

需求訪談時我們會誠實講。知識庫不是每一家公司現在都該做的事——順序做錯,錢會白花。

適合現在做

  • 公司已有一定量的文件與 SOP,但散在不同地方、版本不一致
  • 客服或業務每天在重複回答同一批問題,答案卻不見得一致
  • 已經在用 AI,但發現它不認識公司、答案不能直接拿去用
  • 資安或法規要求明確,需要說得出哪些資料被 AI 讀過
  • 準備導入 AI Agent,需要先把它們要讀的知識準備好
  • 有資深員工即將退休或轉調,判斷邏輯需要留下來

建議先做別的

  • 流程本身還在頻繁變動,現在寫下來的規則兩個月後就作廢
  • 公司幾乎沒有文件化的東西,該先做的是把流程寫下來
  • 只是想試試看 AI 能做什麼,還沒有具體要解決的問題
  • 沒有人願意掛名當知識的維護人——沒有維護人的知識庫必然過期
  • 真正的瓶頸是組織權責不清,那不是知識庫能解決的問題
FAQ

常見問題

這跟直接把檔案上傳給 ChatGPT 有什麼不同?
差別有三點。第一是權限:上傳檔案時所有內容一視同仁,知識庫則在檢索層依分級切開,L4 的內容連索引都不建立。第二是可追溯:知識庫的回答附得出是依據哪一份條目的哪一版,上傳檔案的對話做不到。第三是維護:上傳的檔案是一次性的,知識庫有版本、維護人與複檢週期,半年後仍然可信。單次問答用上傳就夠了;要變成公司長期依賴的基礎設施,兩者不是同一件事。
我們的資料很亂,要先整理到什麼程度才能開始?
不需要先整理。資料盤點本來就是第一階段的工作,亂是常態——我們遇過的案例裡,盤點階段幾乎都會發現三成以上的文件已經過期或互相矛盾。你們要準備的不是整理好的檔案,而是願意在衝突出現時做裁決的人:當兩份文件講法不同,只有你們知道哪一個才是現行做法。
資料一定要上雲嗎?可以完全放在公司內部嗎?
可以。實務上多數是混合:L1、L2 走雲端企業方案,效能與成本較佳;L3 遮罩後處理或留在內網;L4 走地端部署,必要時完全離線,資料不出廠區。高機密製造業與金融業常見的做法是核心資料走地端小模型、一般文書走雲端,中間有明確的資料閘門。實際切法在需求訪談時依你們的產業規範決定。
要多久?大概多少錢?
從盤點到可用的第一版,一般是六到八週,視資料量與部署方式而定。我們建議不要一次做完整個公司——先挑使用頻率最高的一到兩個場景(通常是客服常見問題或業務報價規則),兩到四週就能上線第一批,之後再逐步擴充。費用依範圍、部署方式與是否需要地端而差異很大,需求訪談後會給明確報價,訪談階段不收費。
交付之後,是不是每次改一行字都要回頭找你們?
不用,這正是我們交付管理後台的原因。新增、修改、下架條目,調整複檢週期與維護人,都可以由你們的業務或客服主管自行操作,不需要工程背景。交付時會做一次帶著操作的交接訓練。只有在要新增資料源、調整檢索邏輯或串接新系統時才需要找我們。
怎麼知道知識庫做得好不好?
看三個數字,不看文件數量。引用率:AI 的回答有多少比例附得出知識庫內的出處——答得出來但引用不出來,代表它在用通用知識瞎猜。拒答率:查不到時會不會誠實說查不到。越權嘗試紀錄:有沒有 Agent 試圖檢索超出授權範圍的內容,這是最早的異常訊號。這三個指標在管理後台都看得到。
知識庫建好之後,接下來通常會做什麼?
知識庫是底層,往上會接兩件事:一是企業內訓,讓員工知道怎麼把它用進日常流程;二是AI Agent 導入,讓各職能的 Agent 依知識庫作答與交付。順序上建議知識庫先行——沒有知識庫的 Agent,就是一個不認識你公司的通用 AI。
Where it sits

知識庫做完之後,往上接什麼

知識庫本身不是目的,它是讓其他每一件事變得可行的地基。以下是常見的往上疊法——不必全部都做,但順序建議照這個來。

實務上很少一次做完四層。最常見的起點是「知識庫的第一個場景 + 一場內訓」,跑順了再往上加。
More

其他解決方案

Next step

先盤點,再決定要不要建

需求訪談會先看你們的資料現況與資安條件,確認知識庫是不是現在該做的事——有時候答案是先整理流程,而不是先建系統。

service@tbr.digital · 需求訪談階段不收費
LINE 諮詢