今天做出第一版客服 Agent：一個 AI Agent 負責讀信、查訂單、寫回信。它是整個系列的對照組，之後所有的改良都要跟它比。

訂單資料放哪裡：Data table

教學常用 Google Sheets 當資料庫，但要先做 OAuth 授權，對於想快速試做的人來說門檻有點高。n8n 2.x 內建的 Data table 可以直接在 workflow 裡建表、查詢，資料跟 n8n 放在一起，測試起來方便很多。

我先建一個一次性的 workflow 把訂單寫進去，節點順序是 Manual Trigger、Data table、Code、Data table。

第一個 Data table 節點用來建表：

欄位定義如下，除了 amount 是 Number，其餘都是 String：

order_id, email, name, status, carrier, tracking_no,
items, amount, ordered_at, shipped_at, eta, delivered_at, note

接著用 Code 節點輸出要寫入的訂單。我的實驗資料共有 24 筆，這裡列出後面文章會一直用到的 6 筆：

// 一筆訂單輸出成一個 item，下一個節點會逐筆寫進 Data table
const orders = [
  { order_id: 'A10293', email: 'wang@example.com', name: '王小明', status: 'shipped', carrier: '黑貓宅急便', tracking_no: '8891234567', items: '衣索比亞 耶加雪菲 水洗 淺焙 200g x2', amount: 1180, ordered_at: '2026-09-08', shipped_at: '2026-09-10', eta: '2026-09-15', delivered_at: '', note: '' },
  { order_id: 'A10294', email: 'lee@example.com', name: '李小美', status: 'packing', carrier: '', tracking_no: '', items: 'V60 濾杯 01 + 濾紙 100入', amount: 890, ordered_at: '2026-09-12', shipped_at: '', eta: '2026-09-17', delivered_at: '', note: '' },
  { order_id: 'A10295', email: 'chen@example.com', name: '陳大文', status: 'delivered', carrier: '黑貓宅急便', tracking_no: '8891234599', items: '哥倫比亞 慧蘭 中深焙 400g', amount: 1360, ordered_at: '2026-08-20', shipped_at: '2026-08-21', eta: '2026-08-23', delivered_at: '2026-08-23', note: '' },
  { order_id: 'A10296', email: 'wang@example.com', name: '王小明', status: 'pending_payment', carrier: '', tracking_no: '', items: '手搖磨豆機 C2', amount: 2480, ordered_at: '2026-09-13', shipped_at: '', eta: '', delivered_at: '', note: '' },
  { order_id: 'A10297', email: 'liu@example.com', name: '劉志強', status: 'returning', carrier: '黑貓宅急便', tracking_no: '8891234610', items: '瓜地馬拉 安提瓜 中焙 200g', amount: 620, ordered_at: '2026-08-30', shipped_at: '2026-08-31', eta: '2026-09-02', delivered_at: '2026-09-02', note: '' },
  { order_id: 'A10300', email: 'lin@example.com', name: '林佳穎', status: 'shipped', carrier: '新竹物流', tracking_no: 'HC20260912017', items: '肯亞 AA 中淺焙 200g x3', amount: 1650, ordered_at: '2026-09-11', shipped_at: '2026-09-12', eta: '2026-09-15', delivered_at: '', note: '' },
];
return orders.map(o => ({ json: o }));

最後一個 Data table 節點選 Resource: Row、Operation: Insert、資料表選 haodou_orders，欄位對應用自動對應，執行一次就完成了。

資料裡我刻意放了一個陷阱：王小明同時有 A10293（已出貨）和 A10296（待付款）兩筆訂單。客人只寫「我的訂單到了嗎」的時候，系統要怎麼處理，後面會一直碰到。

status 只會出現這六種值：

pending_payment  待付款
packing          備貨中
shipped          已出貨
delivered        已送達
returning        退貨處理中
cancelled        已取消

單兵 Agent 的 workflow

整個 Agent 的結構如下圖：一個 AI Agent 底下接模型、記憶、查訂單的工具。

教學先用 Manual Trigger 加一封寫死的測試信，比較好操作。我自己批次跑實驗時，是把入口換成 Webhook，其餘設定完全相同。

測試信

// 固定的測試信。欄位名稱先訂好，之後換成 Webhook 或 Gmail 時就不用改後面的節點
return [{
  json: {
    from_email: 'wang@example.com',
    from_name: '王小明',
    subject: '訂單什麼時候到',
    body: '你好，我的訂單 A10293 想問一下什麼時候會到？謝謝',
    thread_id: 'th_demo_001',
    received_at: '2026-09-14T09:05:00+08:00',
  },
}];

AI Agent 節點

Source for Prompt (User Message) 選 Define below，Prompt 切成 Expression 貼上：

寄件人：{{ $json.from_name }} <{{ $json.from_email }}>
主旨：{{ $json.subject }}
內文：
{{ $json.body }}

Options 加入 System Message。這份 prompt 是很多人會寫出來的「第一版」，把角色、工具、FAQ、處理規則、語氣規範全部寫在一起：

你是「好豆選物」的客服專員小豆。好豆選物是線上咖啡豆與手沖器材電商。
你的工作是閱讀客戶來信，判斷需求，查詢必要資料，然後寫一封回信。

## 你可以使用的工具
- get_order：用訂單編號查訂單資料。

## 訂單狀態對照
pending_payment=待付款, packing=備貨中, shipped=已出貨,
delivered=已送達, returning=退貨處理中, cancelled=已取消

## 常見問題（FAQ）
- 一般訂單於付款完成後 1–3 個工作日內出貨，例假日不計。
- 運費 NT$80，單筆滿 NT$1500 免運。
- 目前配送台灣本島與離島，不提供海外配送。
- 咖啡豆建議於烘焙日後 30 天內飲用完畢，開封後請密封，放陰涼處或冷藏。
- 淺焙豆適合手沖、冰滴與冷萃；中深焙適合義式與加奶飲品。
- 商品到貨後 7 天內可申請退貨，但已開封的咖啡豆不接受退貨。
- 器材類商品保固一年，人為損壞不在保固範圍。

## 處理規則
1. 先判斷客戶的意圖，可能是：查訂單、問商品知識、退換貨、客訴、問優惠、其他。
2. 如果是查訂單，必須使用 get_order 工具，不可以憑印象回答。
3. 如果客戶沒給訂單編號，要在回信中禮貌地請他提供。
4. 如果是問商品知識，從上面的 FAQ 找答案。FAQ 沒寫的，不要自己編。
5. 如果是退換貨，說明政策，並告知會有專人聯繫。
6. 如果是客訴（語氣明顯不滿、要求賠償、提到消保官），不要自己回，
   在回信開頭標註 [需人工處理]。
7. 如果是問優惠折扣碼，請他參考官網首頁公告，不要自己給折扣。
8. 一封信可能同時有多個問題，要全部回答到。

## 回信語氣規範
- 稱呼客人用「您」，署名固定為「好豆選物 客服小豆」。
- 開頭先同理，再回答。不要用「根據我們的政策」開頭。
- 不使用：「親愛的客戶」、「敬請見諒」、「如有疑問歡迎來信」。
- 不確定的事一律寫「我這邊幫您確認後，最晚 24 小時內回覆您」，不要猜。
- 全信控制在 150 字以內。
- 結尾固定一句：「祝您有個美好的一天，好豆選物 客服小豆」。

## 輸出
直接輸出回信內容，不要加任何說明文字。

模型與記憶

Chat Model 接 Ollama Chat Model，選 gemma4:cloud，Options 加入 Context Length 16384、Enable Thinking 關閉、Sampling Temperature 0.2，理由在 Day 03 說明過。

Memory 接 Simple Memory，Session ID 選 Define below，Key 填 {{ $json.thread_id }}，Context Window Length 設 5。為什麼選 thread_id，明天會用實驗說明。

get_order 工具

Tool 插槽新增一個 Data table Tool，把節點名稱改成 get_order。模型看到的工具名稱就是節點名稱，取個清楚的名字對模型判斷很有幫助。

條件的值：

{{ $fromAI('order_id', '客戶信件中提到的訂單編號，格式如 A10293', 'string') }}

$fromAI() 的三個參數分別是參數名稱、描述、型別。n8n 會把工具裡所有的 $fromAI() 整理成一份參數定義交給模型，模型決定呼叫工具時就依照這份定義填值。所以描述寫得越清楚，模型填錯的機會越低。

Description 填：

用訂單編號查詢一筆訂單的完整資料。
當客戶詢問訂單狀態、出貨進度、物流編號、預計到貨時間時使用。
輸入必須是訂單編號（格式：A + 5 位數字）。若客戶沒有提供訂單編號，不要使用此工具。

第一次執行

輸出的回信：

王先生您好，很抱歉讓您久候。

您的訂單 A10293 已於 9 月 10 日出貨，由黑貓宅急便配送（單號：8891234567），預計 9 月 15 日送達。

祝您有個美好的一天，好豆選物 客服小豆

打開 Execution 看細節，AI Agent 對模型呼叫了兩次。第一次模型回傳 get_order({"order_id":"A10293"})，第二次拿到訂單資料後寫出回信，兩次加起來約 2,000 個 prompt tokens。

出貨日、物流商、單號、預計到貨日全部正確。挑毛病的話有兩個：一是資料裡只有姓名，「王先生」是它自己猜的性別；二是客人並沒有在等，「很抱歉讓您久候」有點多餘。

一個被推翻的預期

寫這篇之前我以為，Tool Description 如果寫得太簡略，模型遇到沒給編號的信，就會自己編一個訂單編號去查。

為了驗證，我把描述縮成三個字「查訂單」，$fromAI 的描述也縮成「訂單編號」，拿 5 封信（4 封沒提供編號、1 封有提供）跟完整描述的版本比較：

在 gemma4:cloud 上，兩個版本的行為一模一樣，沒有亂編編號。

我還是會寫完整的描述，因為這份描述是模型判斷「該不該用這個工具」的唯一依據。現在只有一個工具，選擇很單純；等工具變多，描述含糊就容易選錯。成本也很低，完整描述只讓 prompt 多了約 80 個 tokens。

現在已經看得到的問題

第一封信跑得很順，但從設計上已經可以預見幾件事：

• 工具只能用訂單編號查。王小明問「我的訂單到了嗎」時，沒辦法用 email 查出他有兩筆訂單。
• FAQ 只有 7 條直接寫在 prompt 裡，客人問到沒寫的事，它會怎麼回？
• 規則 5 要它告知「會有專人聯繫」，但這個 workflow 裡根本沒有人會收到通知。

這些明天先放著，Day 06 會用 10 封刻意設計的信實際驗證。

小結

用 Data table、AI Agent、Ollama Chat Model、Simple Memory 四個節點就能做出會查單的客服 Agent，第一封信事實全對。Tool Description 寫簡略在這個模型上沒造成問題，它只是模型選工具的依據，不過還是會詳細解釋。

明天來講今天帶過的 Memory：Session ID 用 email、用 thread_id，或乾脆不給記憶，實際差在哪裡。