20b - AI 客服自动化

1. 访问 intercom.com，注册账户（Essential 计划 $29/座席/月起）
2. 进入 Settings → Fin AI Agent
3. 开启 Fin AI Agent 功能
4. 选择 Fin 的工作模式：
   - Fin as first responder（Fin 先回答，无法解决再转人工）← 推荐
   - Fin as backup（人工不在线时 Fin 接管）

知识库来源优先级：

1. Help Center 文章（最佳来源）
   → Settings → Help Center → 创建/导入文章
   → 支持 Markdown、HTML、富文本
   → 建议：至少准备 20-30 篇覆盖核心问题的文章

2. 外部网页（产品文档站）
   → Settings → Fin AI Agent → Content Sources
   → 添加文档站 URL（如 docs.yourproduct.com）
   → Fin 会自动爬取并学习内容

3. 已有对话记录
   → Fin 自动从历史成功对话中学习
   → 无需手动操作

4. 自定义回答（Fin Custom Answers）
   → 针对特定问题手动编写标准回答
   → 适合：定价、退款政策、法律条款等敏感问题

Settings → Fin AI Agent → Behavior

1. 人设设置：
   - 名称：[你的产品名] 助手
   - 语气：友好专业 / 轻松活泼 / 正式严谨
   - 语言：自动检测用户语言

2. 回答规则：
   - ✅ 只基于知识库内容回答（防止幻觉）
   - ✅ 不确定时说"我帮你转接人工客服"
   - ✅ 敏感话题（退款、法律）直接转人工
   - ❌ 禁止讨论竞品
   - ❌ 禁止承诺未发布的功能

3. 转接规则：
   - 用户明确要求人工 → 立即转接
   - Fin 连续 2 次无法回答 → 自动转接
   - 用户情绪负面（检测到愤怒/失望）→ 优先转接

1. 内部测试（1-2 天）
   → 团队成员模拟用户提问
   → 检查回答准确性和语气
   → 调整知识库中的薄弱环节

2. 灰度发布（3-5 天）
   → 仅对 10-20% 的新对话启用 Fin
   → 监控 AI 解决率和用户满意度
   → 收集"Fin 无法回答"的问题，补充知识库

3. 全量上线
   → 对所有新对话启用 Fin
   → 设置每日/每周报告，持续优化

月度成本估算（以 SaaS 产品为例）：

基础费用：$29/座席/月（Essential 计划）
Fin AI 费用：$0.99/次 AI 解决（按量计费，最低 $49.50/月）
Copilot 费用：$29/座席/月（可选，辅助人工客服）

场景模拟：
├── 月均 500 次客服对话
├── Fin 解决率 60%（300 次 AI 解决）
├── AI 费用：300 × $0.99 = $297/月
├── 基础费用：$29/月
├── 总计：约 $326/月
└── 对比：1 名兼职客服约 $1,500-2,000/月

ROI：节省约 $1,200/月，3-4 周回本

┌─────────────────────────────────────────────────┐
│                  多渠道接入层                      │
│  Discord │ Slack │ Email │ Web Chat │ Telegram   │
└─────────┬───────┬───────┬─────────┬─────────────┘
          │       │       │         │
          ▼       ▼       ▼         ▼
┌─────────────────────────────────────────────────┐
│              n8n Webhook 统一入口                  │
└─────────────────────┬───────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────┐
│           消息预处理 & 意图分类                     │
│  ├── 语言检测                                     │
│  ├── 情绪分析                                     │
│  └── 问题类型分类                                  │
└─────────────────────┬───────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────┐
│         AI Agent（Claude/GPT + RAG 知识库）        │
│  ├── System Prompt（角色定义 + 规则）              │
│  ├── 向量检索（产品文档、FAQ）                     │
│  └── 对话记忆（Window Buffer Memory）             │
└─────────────────────┬───────────────────────────┘
                      │
              ┌───────┴───────┐
              ▼               ▼
     ┌──────────────┐ ┌──────────────┐
     │  能回答       │ │  不能回答     │
     │  → 直接回复   │ │  → 转接人工   │
     │  → 记录日志   │ │  → 发送通知   │
     └──────────────┘ └──────────────┘

// n8n Webhook 节点配置
{
  "node": "Webhook",
  "parameters": {
    "httpMethod": "POST",
    "path": "customer-support",
    "responseMode": "responseNode",
    "options": {
      "rawBody": true
    }
  }
}
 
// 接收的消息格式
{
  "channel": "discord",        // 来源渠道
  "user_id": "user_12345",     // 用户标识
  "user_name": "张三",          // 用户名
  "message": "我的同步一直失败，怎么办？",  // 用户消息
  "timestamp": "2025-07-21T10:30:00Z",
  "metadata": {
    "plan": "pro",             // 用户套餐
    "signup_date": "2025-01-15" // 注册日期
  }
}

// n8n AI Agent 节点配置
{
  "node": "AI Agent",
  "parameters": {
    "agent": "conversationalAgent",
    "model": {
      "provider": "openai",
      "model": "gpt-4o-mini",
      "temperature": 0.3,
      "maxTokens": 1024
    },
    "memory": {
      "type": "windowBufferMemory",
      "windowSize": 10
    },
    "systemPrompt": "见下方 System Prompt 模板"
  }
}

你是 [产品名] 的 AI 客服助手，名字叫 [助手名]。

## 你的角色
- 你是一个友好、专业的技术支持助手
- 你只回答与 [产品名] 相关的问题
- 你的目标是帮助用户解决问题，提升用户满意度

## 回答规则
1. 只基于提供的知识库内容回答，不要编造信息
2. 如果知识库中没有相关信息，诚实地说"这个问题我需要转给人工客服"
3. 回答要简洁明了，使用用户的语言（自动检测中文/英文）
4. 对于技术问题，提供分步骤的解决方案
5. 对于定价、退款、法律相关问题，直接转接人工客服
6. 不要讨论竞品，不要承诺未发布的功能
7. 如果用户表达不满或愤怒，先表示理解和歉意，再尝试解决

## 回答格式
- 先确认理解用户的问题
- 给出解决方案（分步骤）
- 询问是否解决了问题
- 如果未解决，提供替代方案或转接人工

## 用户信息
- 用户名：{{user_name}}
- 套餐：{{plan}}
- 注册时间：{{signup_date}}

## 知识库内容
{{knowledge_base_context}}

// n8n Switch 节点 — 根据 AI 回答中的标记进行路由
{
  "node": "Switch",
  "parameters": {
    "rules": [
      {
        "condition": "AI 回答包含 [ESCALATE]",
        "output": "转接人工"
      },
      {
        "condition": "AI 回答包含 [BUG_REPORT]",
        "output": "创建 Issue"
      },
      {
        "condition": "AI 回答包含 [FEATURE_REQUEST]",
        "output": "记录需求"
      },
      {
        "condition": "默认",
        "output": "直接回复用户"
      }
    ]
  }
}

// 转接人工 — Slack 通知节点
{
  "node": "Slack",
  "parameters": {
    "channel": "#support-escalation",
    "message": "🚨 需要人工介入\n\n用户：{{user_name}}（{{plan}} 套餐）\n渠道：{{channel}}\n问题：{{message}}\nAI 分析：{{ai_summary}}\n\n请在 15 分钟内响应。"
  }
}
 
// Bug 报告 — GitHub Issue 节点
{
  "node": "GitHub",
  "parameters": {
    "operation": "createIssue",
    "repository": "your-org/your-product",
    "title": "[用户报告] {{issue_title}}",
    "body": "## 用户报告\n- 用户：{{user_name}}\n- 渠道：{{channel}}\n- 描述：{{message}}\n\n## AI 分析\n{{ai_analysis}}",
    "labels": ["bug", "user-reported"]
  }
}

// 根据渠道选择回复方式
{
  "node": "Switch",
  "parameters": {
    "rules": [
      {
        "condition": "channel == 'discord'",
        "output": "Discord Reply 节点"
      },
      {
        "condition": "channel == 'slack'",
        "output": "Slack Reply 节点"
      },
      {
        "condition": "channel == 'email'",
        "output": "Email Reply 节点"
      },
      {
        "condition": "channel == 'web'",
        "output": "Webhook Response 节点"
      }
    ]
  }
}

月度成本估算：

n8n 托管：
├── 自托管（VPS）：$5-20/月（Hetzner/DigitalOcean）
├── n8n Cloud：$24/月起（Starter，2,500 次执行）
└── Railway/Render 托管：$12-20/月

LLM API 费用（以 GPT-4o-mini 为例）：
├── 输入：$0.15/百万 token
├── 输出：$0.60/百万 token
├── 月均 500 次对话，每次约 2000 token
├── 总 token：约 100 万/月
└── 费用：约 $0.75/月

向量数据库（知识库检索）：
├── Supabase pgvector：免费层足够
├── Pinecone：免费层 100K 向量
└── 本地 ChromaDB：$0

总计：$5-25/月（自托管）vs Intercom 的 $326/月
节省：90%+ 的成本

┌─────────────────────────────────────────┐
│              知识库数据源                  │
│                                         │
│  产品文档  FAQ  故障排除  更新日志  教程   │
└──────────────────┬──────────────────────┘
                   │
                   ▼
┌─────────────────────────────────────────┐
│            文档处理流水线                  │
│                                         │
│  1. 文档加载（Markdown/HTML/PDF）         │
│  2. 文本分块（500-1000 token/块）         │
│  3. 元数据标注（来源、类别、更新日期）     │
│  4. 向量嵌入（text-embedding-3-small）    │
│  5. 存入向量数据库                        │
└──────────────────┬──────────────────────┘
                   │
                   ▼
┌─────────────────────────────────────────┐
│            向量数据库                     │
│  Supabase pgvector / Pinecone / Chroma  │
└──────────────────┬──────────────────────┘
                   │
                   ▼
┌─────────────────────────────────────────┐
│         检索增强生成（RAG）               │
│                                         │
│  用户提问 → 向量检索 Top-K 相关文档       │
│  → 拼接上下文 → LLM 生成回答             │
└─────────────────────────────────────────┘

客服知识库必备内容清单：

1. FAQ（常见问题）— 20-50 条
   ├── 产品功能类（怎么用 X 功能？）
   ├── 账户类（怎么修改密码/邮箱？）
   ├── 定价类（有免费版吗？怎么升级？）
   └── 技术类（支持什么系统/浏览器？）

2. 故障排除指南 — 10-20 篇
   ├── 安装/配置问题
   ├── 常见错误代码及解决方案
   ├── 性能问题诊断
   └── 数据同步/迁移问题

3. 功能使用教程 — 每个核心功能 1 篇
   ├── 快速入门（5 分钟上手）
   ├── 核心功能详解
   └── 高级用法和技巧

4. 政策文档
   ├── 退款/取消政策
   ├── 隐私政策摘要
   ├── 服务等级协议（SLA）
   └── 数据处理说明

5. 更新日志 — 最近 3-6 个月
   ├── 新功能发布
   ├── Bug 修复
   └── 已知问题

基于以下产品信息，生成一份完整的客服知识库：

## 产品信息
- 产品名称：[名称]
- 产品描述：[一句话描述]
- 核心功能：
  1. [功能 1]：[简述]
  2. [功能 2]：[简述]
  3. [功能 3]：[简述]
- 定价方案：
  - 免费版：[包含什么]
  - Pro 版：$[价格]/月，[包含什么]
  - 团队版：$[价格]/月，[包含什么]
- 支持平台：[Web/iOS/Android/Desktop]
- 技术栈：[前端/后端/数据库]

## 请生成以下内容

### 1. FAQ（30 个常见问题和回答）
按类别组织：
- 产品功能（10 个）
- 账户管理（5 个）
- 定价与付费（5 个）
- 技术支持（5 个）
- 安全与隐私（5 个）

### 2. 故障排除指南（10 个常见问题）
每个问题包含：
- 问题描述
- 可能原因（2-3 个）
- 解决步骤（分步骤）
- 如果仍未解决的下一步

### 3. 功能使用教程（每个核心功能 1 篇）
每篇包含：
- 功能简介（1-2 句）
- 前置条件
- 操作步骤（带截图占位符）
- 常见问题

### 4. 退款/取消政策说明
包含：
- 退款条件
- 退款流程
- 取消订阅步骤
- 数据保留政策

## 格式要求
- 使用 Markdown 格式
- 每个问题/教程独立一个 section
- 语气友好专业
- 回答简洁，控制在 200 字以内

# knowledge_base_builder.py
# 客服知识库构建脚本
 
import os
from langchain_community.document_loaders import (
    DirectoryLoader,
    TextLoader,
    UnstructuredMarkdownLoader,
)
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import SupabaseVectorStore
from supabase import create_client
 
# 1. 初始化
supabase_url = os.environ["SUPABASE_URL"]
supabase_key = os.environ["SUPABASE_SERVICE_KEY"]
supabase = create_client(supabase_url, supabase_key)
 
embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",  # 性价比最高
    # text-embedding-3-large 用于更高精度需求
)
 
# 2. 加载文档
loader = DirectoryLoader(
    "./knowledge_base/",
    glob="**/*.md",
    loader_cls=UnstructuredMarkdownLoader,
    show_progress=True,
)
documents = loader.load()
 
# 3. 文本分块
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=800,       # 每块约 800 字符
    chunk_overlap=100,    # 块间重叠 100 字符，保持上下文连贯
    separators=["\n## ", "\n### ", "\n\n", "\n", " "],
)
chunks = text_splitter.split_documents(documents)
 
# 4. 添加元数据
for chunk in chunks:
    source = chunk.metadata.get("source", "")
    if "faq" in source.lower():
        chunk.metadata["category"] = "faq"
    elif "troubleshoot" in source.lower():
        chunk.metadata["category"] = "troubleshooting"
    elif "tutorial" in source.lower():
        chunk.metadata["category"] = "tutorial"
    else:
        chunk.metadata["category"] = "general"
 
# 5. 存入向量数据库
vector_store = SupabaseVectorStore.from_documents(
    documents=chunks,
    embedding=embeddings,
    client=supabase,
    table_name="knowledge_base",
    query_name="match_knowledge_base",
)
 
print(f"✅ 已导入 {len(chunks)} 个文档块到知识库")

# rag_customer_service.py
# RAG 客服查询示例
 
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import SupabaseVectorStore
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferWindowMemory
 
# 初始化检索器
retriever = vector_store.as_retriever(
    search_type="similarity",
    search_kwargs={
        "k": 5,              # 返回 Top-5 相关文档
        "score_threshold": 0.7,  # 相似度阈值
    },
)
 
# 初始化对话链
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.3,  # 低温度 = 更确定性的回答
)
 
memory = ConversationBufferWindowMemory(
    memory_key="chat_history",
    return_messages=True,
    k=10,  # 保留最近 10 轮对话
)
 
qa_chain = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=retriever,
    memory=memory,
    return_source_documents=True,
    verbose=True,
)
 
# 处理用户提问
def handle_question(user_message: str) -> dict:
    result = qa_chain.invoke({"question": user_message})
 
    # 检查是否需要转接人工
    answer = result["answer"]
    needs_escalation = any(
        keyword in answer.lower()
        for keyword in ["转接人工", "无法确定", "escalate", "人工客服"]
    )
 
    return {
        "answer": answer,
        "sources": [doc.metadata for doc in result["source_documents"]],
        "needs_escalation": needs_escalation,
    }

自动更新流程（n8n 工作流）：

触发器：每日凌晨 2:00 定时执行
    ↓
步骤 1：检查文档变更
├── 监控 Git 仓库的 docs/ 目录变更
├── 检查 Help Center 文章更新
└── 检查 Changelog 新条目
    ↓
步骤 2：增量更新
├── 仅处理新增/修改的文档
├── 重新分块和嵌入
├── 更新向量数据库中的对应记录
└── 删除已废弃文档的向量
    ↓
步骤 3：验证
├── 运行 10 个标准测试问题
├── 检查回答准确性
└── 如果准确率 < 90%，发送告警
    ↓
步骤 4：通知
└── Slack 通知：知识库已更新，新增 X 条，更新 Y 条

// discord-support-bot.js
// Discord AI 客服 Bot
 
const { Client, GatewayIntentBits } = require('discord.js');
 
const client = new Client({
  intents: [
    GatewayIntentBits.Guilds,
    GatewayIntentBits.GuildMessages,
    GatewayIntentBits.MessageContent,
  ],
});
 
// 监听支持频道的消息
const SUPPORT_CHANNEL_ID = 'your-support-channel-id';
 
client.on('messageCreate', async (message) => {
  // 忽略 Bot 自己的消息
  if (message.author.bot) return;
  // 只处理支持频道的消息
  if (message.channel.id !== SUPPORT_CHANNEL_ID) return;
 
  try {
    // 调用 n8n Webhook
    const response = await fetch('https://your-n8n.com/webhook/customer-support', {
      method: 'POST',
      headers: { 'Content-Type': 'application/json' },
      body: JSON.stringify({
        channel: 'discord',
        user_id: message.author.id,
        user_name: message.author.username,
        message: message.content,
        timestamp: message.createdAt.toISOString(),
      }),
    });
 
    const data = await response.json();
 
    // 回复用户
    await message.reply({
      content: data.answer,
      // 如果需要转接，添加按钮
      ...(data.needs_escalation && {
        components: [{
          type: 1,
          components: [{
            type: 2,
            style: 1,
            label: '联系人工客服',
            custom_id: 'escalate_to_human',
          }],
        }],
      }),
    });
  } catch (error) {
    await message.reply('抱歉，我暂时无法处理你的问题。请稍后再试或联系人工客服。');
  }
});
 
client.login(process.env.DISCORD_BOT_TOKEN);

渠道接入清单：

1. Web Chat（网站嵌入）
   ├── 方案 A：Intercom Messenger（自带）
   ├── 方案 B：自建 Chat Widget + WebSocket
   └── 方案 C：Crisp/Tidio 免费 Widget

2. Discord
   ├── 创建 Discord Bot → 获取 Token
   ├── 设置 #support 频道
   └── Bot 监听消息 → 转发到 n8n Webhook

3. Slack（B2B 客户支持）
   ├── 创建 Slack App → 获取 Bot Token
   ├── 使用 Slack Connect 与客户共享频道
   └── 监听 app_mention 事件 → 转发到 n8n

4. Email
   ├── 设置 support@yourproduct.com
   ├── n8n IMAP 节点监听新邮件
   ├── AI 生成回复草稿
   └── 人工审核后发送（或自动发送简单问题）

5. Telegram
   ├── 创建 Telegram Bot → @BotFather
   ├── 设置 Webhook → n8n
   └── 支持群组和私聊两种模式

核心指标（每日追踪）：

1. AI 解决率（Resolution Rate）
   = AI 成功解决的对话数 / 总对话数
   目标：≥ 60%（优秀：≥ 80%）

2. 首次响应时间（First Response Time）
   = 用户发送消息到收到回复的时间
   目标：< 5 秒（AI）/ < 15 分钟（人工）

3. 客户满意度（CSAT）
   = 满意评价数 / 总评价数
   目标：≥ 85%
   收集方式：对话结束后弹出评分（1-5 星）

4. 转接率（Escalation Rate）
   = 转接人工的对话数 / 总对话数
   目标：< 30%

5. 解决时间（Resolution Time）
   = 从用户首次提问到问题解决的总时间
   目标：< 10 分钟（AI）/ < 2 小时（人工）

每周满意度报告工作流：

触发器：每周日 20:00
    ↓
步骤 1：收集数据
├── 查询本周所有客服对话记录
├── 统计 AI 解决率、转接率、CSAT
├── 收集用户评分和反馈文本
    ↓
步骤 2：AI 分析
├── 分析 CSAT 低分对话的共同特征
├── 识别 AI 回答不佳的问题类别
├── 生成改进建议
    ↓
步骤 3：生成报告
├── 关键指标周报（与上周对比）
├── Top 5 未解决问题
├── 知识库缺口分析
├── 下周改进计划
    ↓
步骤 4：发送
├── 邮件/Slack 发送周报
└── 存档到 Notion/Google Sheets

升级层级设计：

Level 0：AI 自动回答（目标处理 60-80%）
├── FAQ 类问题
├── 操作指引
├── 状态查询
└── 简单故障排除

Level 1：AI 辅助 + 人工确认（目标处理 15-25%）
├── AI 生成回复草稿，人工审核后发送
├── 复杂技术问题
├── 账户相关操作
└── 退款/取消请求

Level 2：人工直接处理（目标处理 5-10%）
├── 投诉和负面情绪
├── 大客户/VIP 用户
├── 安全/隐私相关
├── 法律/合规问题
└── AI 连续 2 次无法解决的问题

Level 3：升级到管理层（< 1%）
├── 严重投诉
├── 数据泄露事件
└── 服务中断影响

你是一个客服升级判断助手。根据用户的消息和对话历史，判断是否需要升级到人工客服。

## 判断规则

### 必须升级（返回 ESCALATE）：
- 用户明确要求人工客服
- 用户表达强烈不满或愤怒（包含脏话、威胁、全大写）
- 涉及退款、取消订阅、账户删除
- 涉及安全、隐私、数据泄露
- 涉及法律、合规问题
- 你连续 2 次无法给出有效回答

### 可以 AI 处理（返回 AI_HANDLE）：
- FAQ 类问题（功能使用、定价查询）
- 简单故障排除（重启、清缓存、重新登录）
- 操作指引（怎么做 X）
- 状态查询（我的订阅什么时候到期）

### 需要 AI 辅助 + 人工确认（返回 AI_DRAFT）：
- 复杂技术问题（需要查看日志/配置）
- 账户操作（修改套餐、合并账户）
- 非标准退款请求

## 输出格式
{
  "decision": "ESCALATE | AI_HANDLE | AI_DRAFT",
  "reason": "判断理由",
  "priority": "low | medium | high | urgent",
  "category": "问题类别",
  "sentiment": "positive | neutral | negative | angry"
}

RustSync AI 客服架构：

渠道接入：
├── Discord #support 频道（主要渠道，80% 的问题）
├── support@rustsync.app 邮件（20% 的问题）
└── 官网 Chat Widget（未来计划）

AI 客服核心：
├── n8n 自托管（Hetzner VPS，€4.5/月）
├── GPT-4o-mini（API 费用约 $1/月）
├── Supabase pgvector（免费层）
└── 知识库：50 篇文档，约 200 个文档块

问题分类与处理：
├── 安装问题（35%）→ AI 直接回答，查询安装文档
├── 同步失败（25%）→ AI 给出诊断步骤，复杂问题转人工
├── 功能使用（20%）→ AI 直接回答，查询功能教程
├── 功能请求（10%）→ 记录到 Linear，AI 回复"已记录"
├── Bug 报告（5%）→ 创建 GitHub Issue，AI 回复 Issue 链接
└── 其他/无法判断（5%）→ 通知创始人，AI 回复"稍等"

RustSync 客服工作流节点：

1. [Webhook] 接收 Discord/Email 消息
       ↓
2. [Code] 统一消息格式
       ↓
3. [AI Agent] 问题分类
   System Prompt：
   "分析用户消息，返回分类：
    INSTALL | SYNC_FAIL | USAGE | FEATURE | BUG | UNKNOWN"
       ↓
4. [Switch] 根据分类路由
   ├── INSTALL/USAGE → [AI Agent] 查询知识库回答
   ├── SYNC_FAIL → [AI Agent] 给出诊断步骤
   │   └── 如果诊断无效 → [Slack] 通知创始人
   ├── FEATURE → [Linear API] 创建 Feature Request
   ├── BUG → [GitHub API] 创建 Issue
   └── UNKNOWN → [Slack] 通知创始人
       ↓
5. [Switch] 根据渠道回复
   ├── Discord → [Discord] 回复消息
   └── Email → [Email] 发送回复
       ↓
6. [Google Sheets] 记录对话日志
   ├── 时间、渠道、用户、问题类别
   ├── AI 回答、是否转接
   └── 用于周报分析

RustSync AI 客服运行 3 个月数据：

指标对比：
├── AI 解决率：72%（目标 60%，超额完成）
├── 平均响应时间：3 秒（之前人工：2-8 小时）
├── 月均处理对话：380 次
├── 转接人工：28%（主要是同步失败的复杂问题）
├── 用户满意度：4.2/5（基于 Discord 反馈）
└── 月度成本：约 $7（VPS $5 + API $2）

节省时间：
├── 之前：每天 1-2 小时处理客服（月均 40 小时）
├── 现在：每天 15-20 分钟处理转接问题（月均 8 小时）
└── 节省：32 小时/月，可以专注于产品开发

关键学习：
1. 知识库质量决定 AI 解决率 — 投入时间写好文档
2. "不确定就转人工"比"瞎回答"好 100 倍
3. 定期分析"AI 无法回答"的问题，持续补充知识库
4. Discord 用户更能接受 AI 回答（社区文化）