雅寶社區 · 頂客論壇 (AHPAL.COM)

🤖 AI 趨勢

那間倒閉的書店，把 AI 變成了最後一位店員

發表時間：2026 年 11 月 07 日 | 更新日期：2026 年 11 月 07 日 | 編輯：雅寶社區編輯團隊

第一，還有東西可以賣。倉庫裡的三百多本書是實體資產，網站是唯一的通路。關站等於直接把貨變成紙漿。

第二，還有承諾沒兌現。店裡有二十幾位會員的儲值金還沒用完，還有幾本預購書沒到貨。這些事情需要一個「窗口」回應，不能一關了之。

第三，也是最難量化的：網站上有十年的紀錄。留言板累積了兩千多則讀者筆記、書評、訂書需求。陳映蓉說：「那有點像店裡的牆。牆拆了就沒了。」

真正讓她下定決心的，是在科技公司做 AI 應用的侄子。他看完網站的後台資料後說：「舅媽，你的問題不是沒有網站，是沒有人回話。回話這件事，現在可以外包給模型。」

二、把 AI 變成店員：一場沒有告別式的交接

很多人以為「AI 店員」就是接一個聊天機器人，貼一段系統提示詞，然後放著。頁間書店的做法比這複雜，也比大多數人想像的樸素——沒有炫技，全部圍繞著一個目標：讓讀者覺得「有人在乎」，同時不讓 AI 假裝自己是陳映蓉。

從 FAQ 到「記得」——AI 店員的三層設計

侄子幫她設計的架構分成三層，這個分層很值得其他小店家參考，因為它對應的其實是「知識的三種壽命」。

第一層：靜態知識（不會變的事）。包含退換貨規則、運費計算、會員儲值金的使用方式、發票開立方式、書店歷史簡介。這些內容被整理成一份約六千字的文件，放進系統的知識庫。這一層的目標很單純：不要讓 AI 亂回答規章類問題。

第二層：動態資料（每天會變的事）。包含庫存數量、書籍狀態（全新／二手／絕版）、訂單與物流進度。這一層透過腳本每天凌晨從後台匯出一次，轉成模型可以檢索的格式。讀者問「某某書還有嗎」，AI 必須先查這一層才能回答，不能憑印象講。

第三層：記憶（關於「這個人」的事）。包含讀者過去的購買紀錄、留言內容、偏好標籤（例如「偏好翻譯文學」「常買童書」「對折扣敏感」）。這一層是最有價值、也最容易出事的一層。陳映蓉的決定是：記憶只用來「讓推薦更準」，不用來「裝熟」。AI 不會說「好久不見，你上次買的那本看完了嗎」，只會說「你之前買過同一位作者的書，這本新出的你可能會有興趣」。

「我一開始很怕它變得太像人。後來發現，讀者要的不是一個像人的店員，是一個記得他的店員。」——陳映蓉，於頂客論壇回文

那些沒有寫進 SOP 的事

技術只花了侄子兩個週末，真正耗時的是陳映蓉自己。她花了三個禮拜、大約二十個小時，寫了一份四十二頁的「店員手冊」，把所有她覺得「這是常識」的東西全部寫下來。這份文件後來成為 AI 的系統提示詞主幹，也是整件事最困難的部分。

手冊裡有大量外人看不出來的隱性知識，例如：

讀者說「隨便看看」的時候，通常是真的不想被推銷，只要回「慢慢看，有需要再叫我」。

有人問「這本書好不好看」，不要直接給評價，先問他最近看過什麼、喜歡哪一類。直接評價會讓對方覺得被說服，而不是被理解。

遇到「這本比別家貴」的客訴，先承認價格差異，再說明版本或贈品差異，最後提供選項（含退訂）。不要辯論。

絕版書一律回「目前沒有，但可以幫你留意」，不要說「應該買不到」，因為這句話會讓讀者覺得沒希望。

任何涉及退款、客訴、法律責任的問題，一律轉真人，AI 只負責收集資訊。

這份手冊的存在，說明了一件事：AI 店員的品質，八成取決於店家願意把多少「說不清楚的經驗」寫清楚。模型只是放大器，放大的是你原本的服務水準，好的更好，隨便的更隨便。

三、AI 店員的第一課：學會說「我不知道」

上線第一週，小頁就出事了。一位讀者詢問某本日本翻譯小說的續集，AI 回答「有現貨，可下單」。讀者下單後等了四天，書沒到。查了才發現，AI 把兩本封面相似的書搞混了，真正有貨的是另一本。陳映蓉退還款項、寄了一本新書道歉，並在網站首頁掛了三天公告。

這件事後來被她寫成論壇文章的第一段：「AI 店員最貴的一課，是它會很有自信地胡說八道。」

幻覺的成本，在書店裡特別貴

一般電商賣的東西，規格錯了頂多換貨。書不一樣。書的辨識維度太多：書名、作者、譯者、出版社、版次、ISBN、裝幀、是否絕版、是否為簡體版、是否有聲書版本。任何一個欄位錯了，讀者拿到的就是「不是他要的那本」。

頁間書店內部做過一次測試：用兩百題常見問題餵給尚未優化的模型，結果約有 18% 的回答含有事實錯誤，其中一半是庫存狀態誤判，另一半是書籍資訊混淆。對一家書店來說，18% 的錯誤率等於每五個客人就有一位被誤導，這在實體店面是不可能發生的事——因為店員會轉頭去看書架。

檢索增強：把庫存、書評、退換貨政策變成它的記憶

解法不是換更聰明的模型，而是改變流程。侄子替小頁加了檢索增強生成（RAG）架構，作法是：

資料清洗。把三百多本書的資料整理成統一格式，每本書固定欄位，包含三百字簡介、分類標籤、適讀對象、庫存狀態、版本備註。缺漏的欄位寧可留空，也不要讓模型自己補。

每日同步。庫存與訂單狀態每天更新一次，避免 AI 拿著昨天的資料回答今天的問題。

強制引用。系統要求回答前必須先檢索資料，並在回覆中標明依據（例如「依目前庫存顯示」）。

不知道就說不知道。檢索不到資料時，AI 的預設回覆是「這個我不確定，幫你留給闆娘處理」，並自動發一封通知給陳映蓉。

調整後再測兩百題，事實錯誤率降到 3% 以下，而且剩下的錯誤幾乎都是「資料本身過期」而非「模型亂編」。這個數字不算完美，但已經低於許多連鎖通路的線上客服。

這裡有一個給所有小店家的結論：不要期待模型不會出錯，要設計一個「出錯時傷害最小」的流程。頁間書店的做法是把「不確定」變成一個正式的、被允許的回答，而不是逼 AI 硬擠出答案。

四、當顧客開始對 AI 說心事

技術問題解決之後，真正讓陳映蓉意外的，是人的問題。

深夜兩點的訂單與留言

上線三個月，網站累積四百一十二則留言，其中約三成四發生在晚上十一點到凌晨兩點之間。內容大致分三類：詢問書籍（約六成）、抱怨訂單或物流（約兩成五），以及——將近一成五的「其他」。所謂其他，包括：「今天被老闆罵了，想找本書躲一下」、「我媽生病了，有沒有關於照顧者的書」、「你們店收掉之後，我不知道要去哪裡」。

陳映蓉看到這些留言時愣了很久。她說：「以前這些話是結帳時站在櫃檯邊講的，現在變成打字。但內容沒變。」

小頁的應對被設定得很克制：可以提供書單、可以說明店史、可以說「聽起來不容易」，但不主動給予心理建議，不假裝自己是陳映蓉，遇到涉及自我傷害的字詞時，立刻跳出求助資源並發通知給真人。有一條規則是陳映蓉親自加的：「如果有人說想聊聊，就回『闆娘看到會回你，但可能要等一下』。不要讓它假裝它會陪人聊。」

情感投射與倫理邊界

即使網站上明確標示「我是 AI 店員小頁」，仍有讀者把它當成陳映蓉。有人問「闆娘你最近好嗎」，有人問「你是不是捨不得」。

這帶出三個必須面對的倫理問題：

一、語氣要不要模仿本人？陳映蓉的決定是不模仿。小頁有自己的名字、自己的說話方式（簡短、中性、不用表情符號），避免讓讀者產生「這是闆娘」的錯覺。

二、要不要虛構店主的近況？不。AI 一律回答「闆娘目前有其他工作，留言她會看」，不編造生活細節。这一点看似小事，但它決定了這個 AI 是「代理人」還是「替身」。

三、讀者的私密留言怎麼處理？所有對話紀錄保存九十天後刪除，只有涉及訂單與客訴的內容會保留。陳映蓉每個月會看一次「非交易類留言」的摘要，但看不到完整對話。

這三條邊界，其實就是「AI 接手」能不能長久的核心。讀者願意對一個 AI 說心事，不是因為它像人，而是因為那個空間曾經有人。一旦 AI 開始假裝自己是那個人，信任就會從「懷念」變成「被騙」。

五、這不是一間書店的故事，是整個零售業的預演

頁間書店的案例之所以值得寫，不是因為它特別，而是因為它很普通。台灣每年有數以千計的小型零售店結束營業，其中大多數店家都有網站、有社群帳號、有一批買過的客人。過去這些數位資產在鐵門拉下那一刻就歸零，現在它們有機會被「留守」。哪怕只是每個月多賣出二十本書，對一個已經收攤的人來說，都是實質的收入。

從「人走茶涼」到「人走 AI 留守」

這個轉變有兩個推力。第一是模型成本暴跌：兩年前要花數萬元才能做到的對話品質，現在每月幾千元就能維持。第二是工具鏈成熟：向量資料庫、自動化流程、通訊軟體整合，都有免費或低價方案，不需要工程團隊。

日本已經出現類似模式：一些結束營業的地方書店、雜貨店，把線上商店交給 AI 客服維持，店主則轉為兼職處理出貨與客訴。台灣目前還不多見，但條件已經齊備。可以預期，未來兩到三年，「歇業後仍維持線上營運」會成為小型店家的標準選項之一，而不是少數人的實驗。

小店家能用得起的 AI 營運堆疊

如果你想複製頁間書店的做法，以下是它實際使用的工具組合，全部以「小店負擔得起」為前提：

對話層：LINE 官方帳號（台灣讀者最習慣）＋網站嵌入式聊天視窗。前者處理熟客，後者處理陌生流量。

模型層：小型或中型語言模型 API，按用量計費。頁間選的是每百萬 token 約數美元的級別，不用最頂規，因為重點在資料而非模型。

知識層：Google Sheets 或 Notion 當商品後台（店家本來就會用），每天匯出成結構化檔案，再灌進向量資料庫。免費額度通常足夠應付數百本書。

自動化層：n8n 或 Make 之類的低程式碼工具，負責每日同步庫存、發送通知、把客訴轉成 Email。

監控層：一份簡單的日誌表，記錄每則對話、是否轉真人、是否有負評。頁間用 Google Sheets 就夠了。

人工備援：一支手機門號。所有 AI 判斷需要轉人的對話，都會打到這支手機。

整組堆疊沒有客製化開發，沒有自架伺服器，也沒有一套要價數十萬的 CRM。這是它能夠被複製的關鍵。

六、成本、風險與現實：AI 店員不是免費的

一個月多少錢？一份誠實的帳單

陳映蓉在論壇上公開了三個月的平均月成本，這份帳單很有參考價值：

模型 API 費用：約新台幣 1,200 元（每月約 2,500 至 3,000 次對話）

LINE 官方帳號中用量方案：約 800 元

向量資料庫與主機：0 至 300 元（使用免費額度，超量才收費）

網域與既有網站維護：約 300 元（攤提）

維護人力：每週約 1.5 小時。若自己來，成本是時間；若外包，行情約每月 3,000 至 5,000 元

合計每月約 2,300 至 7,600 元。對比一個兼職店員（時薪 190 元、每月 40 小時）約 7,600 元，AI 確實便宜，但不是零成本，也不是零維護。陳映蓉說得很直白：「它不會自己變好。書單要更新、規則要修、客訴要看。我每個月還是要花一個下午陪它。」

法律與責任：AI 說錯話，誰負責？

這是多數店家忽略、但遲早會碰到的問題。頁間書店遇過的最低限度情境是「庫存誤判導致下單後無法出貨」，處理方式是全額退款加補償。但如果情境升高到「AI 提供了錯誤的醫療或法律書籍建議」、「對話紀錄外洩」、「AI 承諾了店家無法履行的折扣」，責任歸屬就會變得複雜。

目前可依循的原則大致有三：

企業經營者責任不因使用 AI 而免除。消費者保護法下的責任仍然在店家身上，AI 只是工具。

明確標示。網站與對話開頭都要說明「這是 AI 助理」，避免消費者誤認。這不只是倫理問題，也是未來監管的趨勢。

保留紀錄與申訴管道。所有對話應保存一定期間，並提供真人聯絡方式。個資蒐集要符合個人資料保護法的告知義務。

頁間書店的做法是把「轉真人」設計成一個顯眼按鈕，而不是隱藏功能。陳映蓉的觀點是：「AI 可以處理八成的事，但那兩成才是會出事的。那兩成一定要留給人。」

七、給正在考慮「AI 接手」的小店老闆：一份實作清單

如果你是一家小店的經營者，正在評估「結束營業後要不要讓 AI 留守線上」，以下是從頁間書店經驗整理出的實作順序。這份清單的重點不在技術，而在「先想清楚你要留下什麼」。

先決定「留什麼」。是留庫存銷售？留客服窗口？還是留念？三者需要的設計完全不同。頁間書店三者都有，但優先順序是客服、庫存、紀念。

盤點你的隱性知識。花二十小時寫一份店員手冊。寫不出來的地方，就是 AI 一定會出錯的地方。

把資料結構化。商品、規則、常見問題，全部整理成欄位固定的表格。資料越亂，AI 越會胡說。

設定三條紅線。哪些問題 AI 絕對不能回答（退款、法律、醫療、客訴），一律轉真人。

設計「不知道」的回覆。讓 AI 有台階下，比讓它硬答安全一百倍。

明確標示 AI 身分。給它一個名字，但不要讓它冒充老闆。

建立每日同步機制。庫存與訂單資料每天更新，過期資料是幻覺的溫床。

準備一支真人熱線。至少一支手機，讓轉接機制真的能運作。

先小規模試跑。用一個月、五十位熟客測試，收集錯誤案例再公開上線。

算清楚帳。把 API、平台、人力維護全部列出來，確認每月固定支出你能承擔多久。

留下退場機制。設定一個停損點：如果三個月內客訴超過某個比例，就關掉 AI、改回人工或直接關站。不要讓它變成無人看管的殭屍網站。

最後，想清楚你要對讀者說什麼。頁間書店在網站首頁寫了一句話：「店收了，但我們還在回話。」這句話比任何技術規格都重要。

結語：鐵門裡的燈，換了一種方式亮著

頁間書店的鐵門已經拉下一年多了。倉庫裡的書從三百多本賣到剩不到八十本，速度很慢，但陳映蓉說：「慢沒關係，至少每一本都是被對的人買走的。」

小頁還在那裡。它每天早上會自動同步一次庫存，晚上會把當天的留言整理成一封信寄給陳映蓉。它不會說「歡迎光臨」，也不會假裝自己記得你昨天說了什麼。它只會在你問一本書的時候，認真查一下，然後告訴你有或沒有。

這個故事很容易被讀成「AI 取代了店員」，但實際上正好相反。頁間書店之所以能把 AI 變成最後一位店員，是因為在那之前，有人花了十一年，把「怎麼當一個好店員」寫了下來。AI 沒有創造服務，它只是把一個已經存在的服務，延長了保存期限。

真正值得問的問題，或許不是「AI 能不能當店員」，而是：當你的店有一天要收起來，你有沒有留下足夠的東西，讓一個 AI 知道該怎麼替你回話？

如果沒有，那鐵門拉下來的時候，連燈都不會剩。如果有，那間倒閉的書店，會用一種很奇怪、但還算溫柔的方式，繼續開著。

🏠 返回首頁