一、前情提要：AI 從「能回覆」到「能判斷」

昨天的 Day18，我們已經把 Gemini 串進 Make，測試過它能夠回訊息。
不過，如果 AI 只是單純「會回話」，那還不算真正幫上忙。

真正的關鍵在於：
👉 AI 能不能聽懂客戶的需求，並做出正確判斷？

雖然有時候客戶講的話，比你前任的心思還難猜🤯，但我相信只要 prompt 下得好，AI 也可以迎刃而解。

反正今天我們的重頭戲就是：

• 🎯 Day14 彩蛋一：判斷客戶要查的是「單據」還是「明細」
• 🎯 Day16 彩蛋：讓 Gmail 分類更聰明，不只是硬加標籤，而是依「內容語意」自動判斷

也就是說，今天開始，AI 不再只是「語言模型」，而是你的 超智慧分流器 🚦。

二、使用者情境

案例 1：客戶需求判斷

• 客戶輸入：「我要查 SO2025-0006 的明細」
• 系統要能理解這不是單純的「查訂單」，而是要進一步查詢「訂單明細」。

傳統做法是靠「字串包含 單據：」來判斷，但這太死板了。
如果客戶輸入「可以幫我看 SO2025-0006 的內容嗎？」
👉 舊方法直接 GG，根本無法正確判斷。

所以我們需要 AI 幫忙判斷語意，而不是死規則。

案例 2：Gmail 智能分類

• 收到信件：「您好，這是刀具報價單」 → 應該分類到「VIP / 詢價」
• 收到信件：「Odoo 報表排程寄送」 → 應該分類到「其他」
• 收到信件：「50% OFF！廣告促銷」 → 應該分類到「其他」

Day16 我們雖然會加標籤，但那時候只是「無差別通通加上去」。
今天要讓 AI 幫我們分辨內容，再決定該加哪個標籤。

三、實際操作

今天要完成兩個彩蛋的解法，我會分開說明，並且附上我設計 Prompt 的思路。

🎯 Part 1：Day14 彩蛋一解法（判斷「單據 / 明細」）

在 Day14 的時候，我是靠「字串包含 單據：」來判斷要不要查明細，這方法很死板。

於是我重新設計了一個 Prompt，讓 AI 先幫我看懂訊息內容，到底是要查「單據」還是「明細」，若為明細，則再請 AI 幫我取出單號的部分，查詢完單號明細後，再請 AI 整理格式，回傳給 LINE。

這是這整個的 UML 流程圖，可以看到 AI 分別擔任了判斷、抽取資料、格式整理的角色。

雖然看起來很複雜，但其實我只是想表達一件事：
你可以看到，我使用 AI 做了很多事，像是幫忙判斷類別、整理格式，這些原本都要人工處理的工作，現在全部交給 Gemini 搞定了。

接下來就說明我在Make流程中 AI 的 ** Prompt 設計思路**

• 📌 任務說明：請 AI 幫我做分類，輸出只有「單據」或「明細」兩種結果。
• 📚 資料來源：帶入使用者輸入的文字（{{20.events[].message.text}}）。
• 📏 規則條列：清楚定義「單據」是查歷史訂單、「明細」是查單據明細且有單號。
• 🧪 範例：我寫了 4 個範例，涵蓋模糊查詢和精準查詢，幫助 AI 學會差異。
• 🚫 禁止項目：強調「只能輸出類別，不要說明文字」。

Prompt設計

請根據以下文字進行歸類，並只輸出類別，不需要任何說明或多於文字。
文字：{{20.events[].message.text}}
規則：
-類別分為：單據、明細
-只需輸出類別,不要輸出其他說明文字

類別判斷邏輯：
單據:要尋找購買歷史的單據
明細:要找單據的詳細明細且有明確的單據號碼

範例1:
輸入:
你好,我想要知道我之前買了甚麼
輸出:
單據

範例2:
輸入:
你好,我想要查看單據明細
輸出:
單據

範例3:
輸入:
你好,我想要查看S0006單據
輸出:
明細

範例4:
輸入:
查看單據
輸出:
單據

範例5
輸入:
單據：S0006
輸出:
明細

這樣設計之後，不管客戶怎麼表達，AI 都能正確分辨「單據 vs 明細」，Router 就能自動分流。
因此我也稍微修改了流程圖：

🎯 Part 2：Day16 彩蛋解法（Gmail 智能分類）

在 Day16，我雖然做了 Gmail 標籤化，但當時只是「無差別加標籤」。
今天我要加上 AI 判斷，讓 AI 可以對信件內容進行分類。

所以流程是：
收到 Gmail 後，讓 AI 判斷信件內容屬於「購買」還是「其他」，然後依據結果，自動加上 Gmail 對應的標籤。

這是這整個的 UML 流程圖，也是請AI進行信件內容的判斷

接下來就說明我在 Make 流程中 AI 的 Prompt 設計思路

• 📌 任務說明：請 AI 幫我把 Gmail 訊息分類為「購買」或「其他」。
• 📚 資料來源：帶入 Gmail 的信件內容。
• 📏 規則條列：明確定義「購買」的判斷邏輯（有購買意圖、詢價、產品需求），其他一律歸為「其他」。
• 🧪 範例：設計了多種情境（購買、詢價、退貨、單據查詢、打招呼…），避免 AI 誤判。
• 🚫 禁止項目：同樣要求「只能輸出類別名稱」。

Prompt設計

請依據以下規則判斷輸入文字的類別，並只輸出類別名稱（不得輸出任何解釋或額外文字）。
文字:{{6.text}}
可選類別：
購買、其他

分類規則：
1.購買：表達有購買刀具產品的需求或意願，或是想要了解刀具產品的意願，或闡述購買刀具的需求
2.其他：除了類別購買以外的都為其他

範例：

輸入：你好，我想購買你們的產品  
輸出：購買

輸入：請問我上次買的單據明細可以提供嗎？  
輸出：其他

輸入：請問退貨流程是怎麼處理的？  
輸出：其他

輸入：你好  
輸出：其他

輸入：你好，我想要問如果要拿來切鋁的刀具，我應該要選甚麼產品? 
輸出：購買

輸入：你好，可以說明一下你們家的刀具產品嗎?
輸出：購買

這樣 Gmail 的每一封信，AI 都能幫我們判斷意圖，再讓 Make 自動加上正確的標籤。
下圖是修改後的Make流程圖

四、測試成果

來實測看看 🚀：

✅ Part 1 測試結果

1. 客戶輸入：「你好，我想要查看 S00006 單據」
   → AI 在 Make 辨識為「明細」
   → 系統自動回傳 Carousel 明細卡片

2. 客戶輸入：「早安，我想查單據」
   → AI 在 Make 辨識為「單據」
   → AI 整理完 Odoo 資料並產生 API 格式後，系統自動回傳 quickReply 選擇

3. 客戶選擇 quickReply「S00023」，回傳「單據：S00023」
   → AI 在 Make 辨識為「明細」，並擷取單號：S00023
   → AI 整理完 Odoo 資料並產生 API 格式後，系統自動回傳 Carousel 明細卡片

✅ Part 2 測試結果

1. Gmail 收到「老闆交辦事項」
   → AI 在 Make 辨識為「其他」
   → 系統標記 Gmail 信件為「其他」標籤

統整這兩個流程和結果，你會發現最大的不同就是：
👉 流程加入AI前，只是「照規則做」，加入AI後，則是真的「聽懂人話」去處理

五、結語：AI 上工的第一天

今天我們完成了兩個關鍵任務：

• ✅ 客戶需求判斷：不再靠死字串，而是靠 AI 讀懂語意，決定是查單據還是查明細。
• ✅ Gmail 智能分類：不再「無差別加標籤」，而是 AI 判斷內容，正確分類到「購買」或「其他」。

這代表 AI 正式進入流程，成為我們的 智慧分流器。

📌 後續文章預告：
我們會繼續強化 AI 和 Odoo 的應用，讓 AI 在我們的流程中，擔任判斷、整理格式…等功能的重要角色，大家就敬請期待吧！

我們明天見 👋