用 N8N 串 Claude 打造 24 小時客服 AI Agent：從 webhook 到對話記憶完整實作

**TL;DR：**N8Nmarket 建議用 Webhook + Claude + FAQ 檢索 + 對話記憶 + 真人分流 這 5 層架構做客服 AI Agent，先用模板跑通，再補記憶與權限，通常比從零拼 workflow 快 3 到 5 倍。

上週幫一位電商 SaaS 客戶補了一條客服 workflow，原本 2 個人每天手動回 200 多則重複問題。改成 n8n claude ai agent 之後，常見問題先由 AI 接住，真人只處理高風險議題，第一週就把平均首回時間從 47 分鐘壓到 6 分鐘。

這篇直接拆你真正要做的幾件事：怎麼收訊息、Claude 怎麼回答、FAQ 怎麼餵、記憶要存在哪、什麼情況一定轉真人，以及上線前哪些坑要先補。

為什麼客服場景特別適合用 N8N 串 Claude

客服不像單次文案生成，它是連續對話。你不只要回一句像人的答案，還要做到 4 件事：

接到多來源訊息，例如網站表單、LINE、Messenger、Email 或 App 內聊天室。
判斷使用者意圖，例如查訂單、詢問方案、要求退款、技術故障。
拉到正確資料，例如知識庫、會員狀態、訂單編號、歷史對話。
依風險分流，該自動回就回，該交給真人就立刻交。

這正是 N8N 擅長的地方。Claude 負責理解與生成，N8N 負責接 API、跑規則、寫資料與通知。兩者合起來，才會變成真的客服 Agent，而不是只會聊天的機器人。

如果你還在補 N8N 基礎，先看這篇完整入門：https://n8nstart.cc/blog/n8n-beginner-complete-guide
如果你想先建立 AI Agent 的大局觀，先看這篇：https://n8nstart.cc/blog/n8n-ai-agent-complete-guide-2026
如果你正在判斷哪種自動化該做、哪種不該做，這篇也值得一起看：https://n8nstart.cc/blog/n8n-automation-decision-framework

一條能上線的 n8n claude ai agent，最少要有哪 5 層

很多人第一次做客服 Agent，會直接把訊息送進模型，回來再發送。這樣能 demo，不能上線。你至少要有下面 5 層。

1. 入口層：Webhook 收訊與標準化

先把不同來源的訊息收進同一條 workflow。最常見做法是用 Webhook 接網站聊天元件或第三方平台，再在後面做欄位標準化。

你至少要整理出這些欄位：

channel：訊息來自哪裡
user_id：辨識同一位使用者
session_id：同一段對話的追蹤鍵
message：使用者原始訊息
timestamp：事件時間
metadata：像方案別、地區、語言、裝置等補充資料

很多客服 Agent 失憶，不是模型太笨，是 user_id 和 session_id 一開始就沒設乾淨。

2. 理解層：Claude 做意圖判斷與回答草稿

第二層才是把資料送進 Claude。建議拆成兩步：

先做意圖分類：退款、帳號、技術問題、功能教學、價格比較、其他。
再根據分類餵不同的知識片段與回答規則。

好處很直接：Prompt 較短、成本較穩、回答更可控，後續要加 VIP 分流或多語系也比較容易。

Claude API 文件可直接參考官方說明：https://docs.anthropic.com/
N8N 端的節點、憑證與 AI 功能設計，建議同步對照官方文件：https://docs.n8n.io/

3. 知識層：FAQ、文件與訂單資料要分開取

客服最常犯的錯，是把所有資料揉進同一包上下文。實作上至少分成 3 類來源：

穩定知識：FAQ、方案頁、退換貨規則、教學文件
動態資料：訂單、訂閱狀態、付款紀錄、工單狀態
對話資料：最近幾輪訊息、已收集到的條件、是否曾轉真人

穩定知識適合做 FAQ 模板；動態資料即時查 API；對話資料則留在 session store。不要把訂單狀態硬塞進長期記憶，因為它本來就會變。

如果你想進一步看 AI Agent 常見工作流圖譜，可以接著讀：https://n8nstart.cc/blog/n8n-ai-agent-workflow-patterns

4. 記憶層：只記必要資訊，不要把聊天全文一直堆

所謂對話記憶，不是把 50 輪聊天全丟給模型。比較穩的做法是「短期記憶 + 摘要記憶」。

短期記憶：保留最近 5 到 10 輪對話
摘要記憶：把重要事實壓成結構化欄位

例如：

customer_name
plan_type
order_id
issue_type
sentiment
handoff_required

這樣模型每次讀的是「最近上下文 + 已知事實」，成本更低，也比較不會同一題問三次還在重複自我介紹。

5. 控制層：高風險問題一定要轉真人

客服 Agent 最怕的不是答慢，而是答錯。只要涉及下面幾類情境，建議直接走真人分流：

退款、法務、帳務爭議
個資存取、刪除、帳號安全
高情緒客訴
Claude 對答案信心不足
找不到對應知識或資料

這裡可以用 N8N 的 IF、Switch 與通知節點，把對話摘要送到 Slack、Email 或工單系統。若你想看更多落地案例，可以讀這篇：https://n8nstart.cc/blog/n8n-automation-efficiency-real-cases

實作架構：從 webhook 到回答輸出的完整流程

下面是一條中小企業客服場景常見、而且真的能落地的流程。

Step 1：Webhook 收到訊息

來源可能是網站 chat widget、表單或客服系統。第一步只做兩件事：驗證請求是否合法，以及把欄位轉成統一格式。

Step 2：查詢使用者與歷史上下文

透過 user_id 或 email，到 CRM、會員系統、Sheets、Airtable 或資料庫查資料。先抓會影響回答的最小集合：

會員層級
最近訂單
最近工單
最近 5 到 10 輪對話

如果沒有資料，就建立新 session。

Step 3：FAQ 檢索與答案素材準備

把使用者問題先做關鍵字或語意檢索，拉出最接近的 FAQ 片段。先從 Google Sheets、Notion、Airtable 或資料表搜尋開始即可；等內容量變大，再升級成向量檢索。很多團隊一開始就衝 RAG，結果資料根本沒整理好，先把常見 30 到 50 題做成 FAQ 模板通常更快。

Step 4：Claude 生成回答與下一步動作

把這些內容一起送進 Claude：

使用者最新訊息
最近幾輪對話
結構化記憶欄位
FAQ 檢索結果
品牌回答規範
是否允許直接回答，或只能建議轉真人

Prompt 可以要求 Claude 同時輸出兩塊：

給客戶看的回覆文字
給系統用的 JSON 判斷，例如 intent、confidence、handoff

這樣後面在 N8N 裡就很好分流，不用再做一輪解析。

Step 5：寫回記憶、發送訊息、必要時通知真人

回答完成後，把重要欄位寫回記憶表，再把訊息發回原通道。如果 handoff=true，同步把摘要送給客服人員，內容建議包含：

客戶是誰
問題類型
Claude 已做了哪些判斷
為何需要人工介入
原始對話連結

這樣真人接手時不必從頭讀完，速度會快很多。

模板先行：比從零拼 workflow 更適合中小團隊

中小企業最缺的通常不是想法，是時間。與其花 2 到 3 天自己測 webhook、測 Prompt、修欄位，不如從一套可改模板開始，把時間放在 FAQ 與商業規則。

模板先行的好處很直接：更快跑通主幹、更少漏掉錯誤分支與人工交接，也更容易估算一條客服 Agent 每天能省多少人工。

上線前 6 個檢查點

1. 先設定禁止回答的範圍

例如退款金額、法務判定、合約承諾、醫療金融建議，都不要讓模型自由發揮。

2. 每次回答都要帶資料來源邏輯

若答案來自 FAQ，至少在系統內記下命中的知識來源。

3. Session 規則要固定

多久算同一段對話、多久清掉短期記憶、真人接手後是否暫停 AI，都要先定。

4. 錯誤處理不能只靠模型

API timeout、資料查不到、Webhook 重送、第三方平台限流，都要在 N8N 裡處理。

5. 先量 3 個核心數字

首回時間
自動解決率
人工介入率

6. 保留人工兜底

真正穩的客服系統，不是 100% 自動，而是大部分重複問題自動處理、關鍵問題快速轉真人。

更多技術細節與社群實作討論，可以參考 n8n 官方社群：https://community.n8n.io/
如果你要決定雲端或自架比較適合客服場景，這篇也值得一起讀：https://n8nstart.cc/blog/n8n-cloud-vs-self-hosted-comparison

結論：先做一條會分流、會記憶、會留痕的客服 Agent

n8n claude ai agent 真正的價值，不是讓 Claude 多會聊天，而是讓它在對的時機拿到對的資料，再用 N8N 把流程控住。你如果只做模型回覆，很快就會撞到答錯、忘記上下文與無法交接這幾個問題。

比較實際的做法是：先用模板把 Webhook + FAQ + Claude + 記憶 + 真人分流 跑通，先吃掉重複性最高的一批客服問題，再逐步擴到更多通道與更深的資料整合。

想直接少走測試與串接時間，可以先到 N8Nmarket 挑適合的客服與 AI Agent 模板：https://n8nstart.cc/templates
如果你想先看更多教學與案例，再從部落格一路補起來，也可以從首頁開始：https://n8nstart.cc/

FAQ

n8n claude ai agent 適合哪種公司先做？

最適合有固定重複提問的團隊，例如 SaaS、電商、教育平台、訂閱制服務。只要每天有大量 FAQ、查詢狀態、方案比較，導入效益通常很快看得到。

Claude API 跟 N8N 要怎麼分工？

Claude 負責理解問題、整理上下文、生成回答草稿；N8N 負責收資料、查資料、套規則、記錄記憶、分流真人。模型負責判斷，流程工具負責執行。

客服 AI Agent 一開始就需要 RAG 嗎？

不一定。很多中小團隊先用整理好的 FAQ 模板就能處理 30% 到 50% 的問題。只有當知識量變多、文件更新頻繁、查詢粒度更細時，再升級到向量檢索會比較划算。

對話記憶要存在 Claude 裡面嗎？

不用。比較穩的做法是把記憶存在你自己的資料層，例如資料庫、Sheets、Airtable 或其他可查詢儲存，再由 N8N 在每輪對話時決定要帶哪些上下文給 Claude。

客服自動化最容易出問題的是哪一段？

通常不是模型本身，而是資料標準化、session 規則、真人分流與錯誤處理。這幾段沒設好，回答再漂亮都很難上線。