一、前情提要：幫 AI 裝上記憶力

昨天的 Day24，我們完成了一個關鍵性的技術基礎：

✅ 使用 Google Sheets 讓 AI 擁有「記憶力」
✅ 解決 LINE API 無法回溯訊息的限制
✅ 將用戶每一句話都即時儲存，讓 AI 有了「上下文」可供參考

📌 但要特別強調一件事：
昨天的內容，只是「記錄上下文」而已，還沒真正應用在實際流程中。

你可以把昨天的流程想像成：
我們替 AI 架好了大腦主機板，也裝上了記憶體，但 CPU 還沒啟動。

🧠 換句話說：AI 雖然有資料庫可以讀，但昨天我們並沒有讓它「讀出來判斷」。

那今天呢？

今天就是：
👉 正式啟動 AI 的大腦
👉 開始讓 AI 參與流程

二、使用者情境

我們延續昨天的情境：
客戶的表達方式是 逐步輸入 或 邊想邊修改：

• 第一句：「你好，我想詢價」
• 第二句：「工件材質是鋁合金」
• 第三句：「尺寸大概 30x40x20 mm，要倒角」
• 第四句：「啊對了，不是鋁，是不鏽鋼」

在原本的流程中，AI 只會看單一句話 → 每次都當成一個新的需求。
結果就是Odoo系統中會出現：好幾張商機
但其實我們知道，客戶在說的是「同一個商機的不同補充」。

所以今天我們就是要利用有記憶力的 AI，來幫我們完成以下事情：

1️⃣ 整合客戶完整的需求
2️⃣ 判斷哪些資訊還沒講清楚
3️⃣ 主動用對話方式詢問、引導
4️⃣ 整理為一份完整摘要，請客戶確認
5️⃣ 確認後才新增 Odoo 商機

這樣的過程，才是真正像真人客服一樣「一步步引導」，而不是讓客戶像填表機器人一樣被動填資料。

三、實際操作流程

🔧 步驟 1：新增 Gemini

首先，我們要先釐清：
如果客戶逐句輸入詢價內容，可能會有哪些情境？

1️⃣ 表示想了解產品，但沒有提供具體資訊
2️⃣ 提供了工件材質
3️⃣ 提供了加工需求
4️⃣ 提供了工件尺寸
5️⃣ 點選了「規格無誤」按鈕，回傳規格無誤

根據這五種可能，我設計了一套邏輯：
👉 讓 AI 分析客戶的整段對話，判斷是否有遺漏關鍵資訊。
如果有缺漏，AI 會只回覆一項優先度最高的缺少項目；
若資訊都已完整，AI 則會幫我們統整為一份清單，並等待客戶確認。

簡單來說：

• 若缺「工件材質」與「加工需求」→ 請 AI 回覆「工件材質」
• 若只缺「加工需求」→ 回覆「加工需求」
• 若全部資訊齊全 → 整合為摘要 + QuickReply

因此，我們現在要來新增一個 Gemini 模組，並設定對應的 Prompt。
📌 注意：Prompt 的輸入內容，必須是該客戶的完整對話紀錄(也就是Google Sheets的對話紀錄)，而不是單一句話！

請根據以下對話紀錄，依照購買流程順序判斷是否已取得完整資訊，並輸出對應結果。

購買流程如下順序進行判斷：
-購買：明確表示想要購買刀具產品。
-工件材質：說明被加工物體的材質，例如鋁、不鏽鋼、鑄鐵等。
-加工需求：說明希望刀具能達成的加工效果，例如去毛邊、內孔加工、倒角等。
-工件尺寸：說明被加工物體的尺寸或體積，例如「材積大概5」、「長寬高約10公分」。

輸出邏輯、順序如下：

一、若對話中出現"規格無誤"的語句，表示前一筆單據已完成。
→ 請只讀取這句之後的內容。前面的資料一律忽略。


二、若三項資訊皆齊全，請統整為下列格式：
1.工件材質:xxx
2.加工需求:xxx
3.工件尺寸:xxx

三、若有缺少資訊，請依照購買流程順序，回傳第一個缺少的欄位名稱（只輸出一項）：
工件材質
加工需求
工件尺寸

請勿輸出任何說明或格式說明，只需輸出結果。

對話紀錄如下：{{70.array}}

範例 1：
輸入：
我想購買刀具
我要用來切鋁的
我要倒角跟去毛邊
材積約為10

輸出：
1.工件材質:鋁
2.加工需求:倒角、去毛邊
3.工件尺寸:10

範例 2：
輸入：
我想購買刀具
我要用來切鑄鐵的

輸出：
加工需求

範例 3：
輸入：
嗨，我是佳佳精密的
我們有在找可以加工不鏽鋼的刀具
主要是希望可以用在內孔加工跟倒角這兩種用途
目前的工件大約是 12x12x20 的尺寸

輸出：
1.工件材質:不鏽鋼
2.加工需求:內孔加工、倒角
3.工件尺寸:12x12x20

範例 4：
輸入：
哈囉～我們最近在挑刀具，想問一下你們家的規格
我想要加工鋁材，會用在倒角跟去毛邊上
之前用別家的效果沒有很好
這次想試試看你們家的
目前就先給這些資訊，方便報個價嗎？

輸出：
工件尺寸

範例5：
輸入：
我要購買刀具
材質鋁
鑽孔
16材
規格無誤
我想買你們的產品
我要用來切鑄鐵

輸出：
加工需求
(輸出加工需求的原因是因為有出現規格無誤，所以規格無誤前的資料都不需參考，只統整規格無誤後的資料)

🔧 步驟 2：新增 Router 設定路線

接下來，根據我的 Prompt 設計，AI 可能會產生以下五種結果：

• 購買
• 工件材質
• 加工需求
• 工件尺寸
• 統整後的完整資訊

所以我們需要設定 五條分流路線。

特別是最後一條「統整資訊」的判斷，因為AI會回傳的格式為：

1.工件材質:xxx
2.加工需求:xxx
3.工件尺寸:xxx

所以我們可以設置嚴謹一點的篩選：
如果AI文字包含

• 工件材質:
• 且包含 加工需求:
• 且包含 工件尺寸:

則就走統整路線。

🔧 步驟 3：設定前四種路線的對應流程

針對前四種「缺少資訊」的情境，我設計了兩種詢問方式：

1. 提供 QuickReply 按鈕（讓使用者點選，例如：只提供「鋁」一個選項）
2. 讓使用者直接以自然語言輸入（例如：「是鋁合金」）

所以新增一個Line的Make an API Call

我在這邊呈現兩種範例
1.這是我第一次購買路線的Make an API Call設置

URL：/v2/bot/message/reply
BODY：
{
  "replyToken": "{{3.events[].replyToken}}",
  "messages": [
    {
      "type": "text",
      "text": "請選擇或說明工件材質：(被加工物體的材質)",
      "quickReply": {
        "items": [   
          {
            "type": "action",
            "action": {
              "type": "message",
              "label": "鑄鐵",
              "text": "工件材質:鑄鐵"
            }
          },
         {
            "type": "action",
            "action": {
              "type": "message",
              "label": "不銹鋼",
              "text": "工件材質:不銹鋼"
            }
          },
         {
            "type": "action",
            "action": {
              "type": "message",
              "label": "鋁",
              "text": "工件材質:鋁"
            }
          }
        ]
      }
    }
  ]
}

2.這是我工件材質路線的Make an API Call設置
至於加工需求和工件尺寸就請大家練習，就其實也是依樣畫葫蘆

URL：/v2/bot/message/reply
BODY：
{
  "replyToken": "{{3.events[].replyToken}}",
  "messages": [
    {
      "type": "text",
      "text": "請選擇或說明工件材質：(被加工物體的材質)",
      "quickReply": {
        "items": [   
          {
            "type": "action",
            "action": {
              "type": "message",
              "label": "鑄鐵",
              "text": "工件材質:鑄鐵"
            }
          },
         {
            "type": "action",
            "action": {
              "type": "message",
              "label": "不銹鋼",
              "text": "工件材質:不銹鋼"
            }
          },
         {
            "type": "action",
            "action": {
              "type": "message",
              "label": "鋁",
              "text": "工件材質:鋁"
            }
          }
        ]
      }
    }
  ]
}

🔧 步驟 4：統整路線的設置

這條路線需要特別處理，因為 AI 回傳的是整合好的完整資訊，例如：

1.工件材質: 不鏽鋼
2.加工需求: 倒角
3.工件尺寸: 30x40x20 mm

我們要做的有兩件事：
1️⃣ 將這份資料回覆給客戶
2️⃣ 加上 QuickReply：「✅ 規格無誤」

到這邊你可能會想說：

那就先用 Send a Reply Message 回資料，再用 Make an API Call 發送 QuickReply，不就好了？

❗但其實這是個 陷阱
因為quickreply 一定要使用Make an API Call
而Make an API Call是需要使用要Reply Token
但你還記得Day13說的嗎?

1. Reply Token 只能用一次，用過就失效
2. 若要在之後回覆，必須改用 Push Message

所以正確做法如下：

1️⃣用 Line 的 Send a Push Message 傳送統整資訊（因為不需要 Reply Token，使用 line_uid 來判斷要發送給哪一位使用者）

2️⃣再用 Make an API Call 發送帶有 QuickReply 的確認訊息

URL：/v2/bot/message/reply
BODY：
{
  "replyToken": "{{3.events[].replyToken}}",
  "messages": [
    {
      "type": "text",
      "text": "請幫我確認規格是否正確，若不正確請直接在聊天窗敘述你要更改的資訊",
      "quickReply": {
        "items": [   
          {"type": "action",
            "action": {
              "type": "message",
              "label": "規格無誤",
              "text": "規格無誤"
            }}
        ]
      }
    }]}

🎯 到這裡，我們就完成了像 「真人對話般的機器人」：

• 客戶逐句輸入資料
• AI 自動整合＋補問
• 客戶點選確認

至於如何將資料寫入 Odoo CRM 商機，就請參考 Day23 的說明吧~
那接下來就來成果演示一下吧~

四、測試成果

我們實測了一段真實互動：
1️⃣ 客戶第一句：「你好，我想詢價」
2️⃣ AI 判斷為「詢價意圖」
3️⃣ 系統開始提問：「請提供工件材質」
4️⃣ 客戶逐步說明
5️⃣ 系統持續補問、判斷是否有缺漏
6️⃣ 系統整合為摘要並請客戶確認
7️⃣ 客戶點選「規格無誤」
8️⃣ 成功新增 Odoo CRM 商機
9️⃣ LINE 回覆：「✅ 已新增，稍後與您聯繫」

結果呈現：https://youtu.be/UNbxfoNeKJs

五、結語：記憶 × 判斷 × 引導，一條龍的沉浸式詢價

今天的任務，我們可以說是幫 AI 打通了任督二脈：

✅ 把對話寫入 Google Sheets（記憶）
✅ 用 Gemini 分析上下文（判斷）
✅ 補問缺漏資訊，引導對話（引導）
✅ 確認後才寫入 Odoo（精準寫入）

這樣的流程，才是真正的「對話式詢價」，
不是填表單的包裝，而是從語意到行為都像真人客服。

📌 明天預告

玩到這裡，你可能心中也有個疑問：

「啊你不是說這系列是 No Code 嗎？為什麼我看你用 Make 跟 Odoo 串接時，全部都在用什麼 Make an API Call？ Make 不是有 Odoo 模組嗎？」

沒錯，這就是我們明天的主題！

我會完整說明：

• 為什麼我捨棄了現成的 Odoo 模組
• 為什麼我使用 Make an API Call 、 它有什麼優勢

我們明天見 👋