電子商務 AI 助理有一個簡單道理：不認識你的產品、政策及內容的 AI，只是通用聊天機械人。它可能聽起來很聰明，卻會幻想產品細節、捏造退貨政策，甚至推薦你沒有售賣的產品。
有用的 AI 助理與帶來風險的系統之間，差別只在一件事：上下文。具體而言，就是支援它的知識庫有多廣、多深，以及多新。
本文會說明 CHATTERgo 如何透過深度整合 Shopify 內容、完整同步產品目錄，以及匯入多格式文件，建立全面而持續更新的知識庫，並解釋每一層上下文的重要性。
問題：LLM 並不認識你的店舖
GPT-4o 及 Claude 等大型語言模型以一般互聯網數據訓練。它們知道「退貨政策」的概念，卻不知道你的退貨政策。它們知道市場上一般有哪些護膚產品，卻不知道你售賣哪些、價格多少，以及是否有貨。
這是在電子商務部署 AI 的根本挑戰。你需要一個能做到以下事情的系統：
- 讓 LLM 以你的特定數據為依據：產品、政策及內容
- 保持數據最新：價格會變、產品會缺貨、政策會更新
- 涵蓋每種內容類型：不只是產品，也包括網誌文章、尺碼指南、常見問題頁面等
- 讓內容可被搜尋：AI 需要為每個顧客問題找到合適上下文
這就是完善的 LLM 知識庫的作用。它是讓 AI 從「抱歉，我沒有這項資料」轉變為真正有幫助、準確回應的基礎。
第 1 層：深度整合 Shopify 內容
大部分 AI 聊天方案同步產品目錄後就止步。但顧客不只詢問產品，也會問品牌故事、送貨政策、尺碼指南，以及你最新一篇穿搭貼士網誌。
CHATTERgo 同步你的全部 Shopify 內容，而不只是產品。
頁面
商戶透過 Shopify Pages 發布重要店舖資料，例如關於我們、聯絡、常見問題、送貨政策、退貨政策、尺碼指南及保養條款。
CHATTERgo 透過 Shopify API 取得每個已發布頁面，擷取完整內容，包括標題及 HTML 正文，並建立搜尋索引。當顧客問*「你們的退貨政策是甚麼？」*，AI 會擷取退貨頁面的實際文字，而非提供通用答案。
| 同步內容 | 詳情 |
|---|---|
| 標題 | 頁面標題，提供上下文 |
| 正文內容 | 完整 HTML 正文，經解析及建立索引 |
| 發布狀態 | 只有已發布頁面會啟用 |
| 網址 | 供引用的直接連結 |
| Handle | 用於識別的網址代稱 |
文章及網誌
不少 Shopify 商戶大力投資內容營銷，包括產品使用、穿搭貼士、成分深入分析及季節指南等網誌文章。這些內容對 AI 而言是寶庫，因為它們往往正好回答顧客的問題。
CHATTERgo 自動同步你的網誌及文章：
- 追蹤每個網誌，例如「新聞」、「穿搭指南」及「食譜」
- 取得每個網誌內所有文章的完整正文
- 為內容建立索引，讓 AI 可以搜尋
例子：護膚商戶發布題為「精華液疊加使用完整指南」的網誌文章。當顧客問 AI 「這些精華液應該怎樣一起使用？」，助理會擷取並整理相關網誌內容，根據商戶自身的專業知識，提供專家級答案。
Metaobjects
Shopify Metaobjects 是商戶用於專門數據的自訂內容結構，例如成分資料庫、藝術家簡介、店舖位置資料、附量度數據的尺碼表，以及物料規格。
CHATTERgo 同步含可翻譯文字欄位的 metaobjects，確保 AI 也能使用自訂內容結構。
內容同步模式
同步不是一次性匯入，而是持續更新：
| 模式 | 執行時間 | 功能 |
|---|---|---|
| 完整同步 | 首次設定或手動觸發 | 取得所有類型的全部內容 |
| 增量同步 | 按排程或按需 | 只取得上次同步後更新的內容 |
| 指定同步 | 特定項目更新時 | 重新取得單一頁面、文章或產品 |
增量同步使用 Shopify 的 updated_at 篩選條件，只重新處理變更的內容，在保持知識庫最新的同時，避免不必要的 API 呼叫。
第 2 層：完整產品目錄同步
產品是任何電子商務 AI 的核心。但產品不只是一個名稱及價格，而是包含款式、圖片、庫存、系列、metafields 及標籤的豐富數據結構。AI 對每件產品了解越多，就越能做好推薦、比較及答問。
CHATTERgo 為每件產品同步甚麼
| 數據 | 擷取內容 |
|---|---|
| 核心資料 | 標題、完整 HTML 描述、handle、供應商及產品類型 |
| 狀態 | 啟用、已封存或草稿；只有啟用產品可被搜尋 |
| 價格 | 款式最低及最高價格，連同貨幣代碼 |
| 圖片 | 已優化為 400×400 的主要產品圖片，連同替代文字 |
| 款式 | SKU、條碼、價格、供貨情況、庫存數量及已選選項，例如尺碼、顏色等 |
| 系列 | 產品所屬系列，例如「夏季特賣」及「暢銷產品」 |
| Metafields | 商戶定義的自訂數據，例如物料、保養指引及產地等 |
| 標籤 | 用於分類的產品標籤 |
為何每個欄位都重要
款式及選項讓 AI 回答*「有 8 號尺碼嗎？」或「500ml 版本多少錢？」*等問題。沒有款式資料，AI 只能泛泛地談論產品。
系列提供具有上下文的分組。當顧客說*「給我看看你們的暢銷產品」或「哪些產品正在特價？」*，AI 可按所屬系列篩選。
Metafields 是商戶儲存專業產品知識的地方，例如布料成分、致敏原資料、相容性詳情及保養指引。家具商戶可能以 metafields 儲存尺寸，食品商戶可能儲存營養資料。這些數據讓一般產品推薦變成有根據、詳細的答案。
標籤支援超越 Shopify 內建產品類型的語意分類。商戶可以將產品標記為「純素」、「適合送禮」或「限量版」，讓 AI 進行更細緻的篩選。
用於語意搜尋的向量嵌入
CHATTERgo 不只儲存產品數據，還使用 OpenAI 嵌入模型，為每件產品生成向量嵌入。這讓 AI 根據意思尋找產品，而不只是配對關鍵字。
關鍵字搜尋：顧客詢問「保濕霜」→ 找到標題中含「保濕霜」的產品。
語意搜尋：顧客詢問「洗面後皮膚感覺乾燥繃緊」→ 找到補水產品、屏障修護霜及溫和潔面產品，即使它們的標題都沒有「乾燥」一詞。
整個產品數據結構，包括標題、描述、款式、系列、metafields 及標籤，會嵌入為單一向量，確保語意搜尋考慮所有產品屬性。
保持產品資料最新
產品同步採用游標式分頁及增量更新：
- 排程工作找出上次同步後更新的產品
- 將每件更新產品加入佇列，獨立處理
- 透過 Shopify GraphQL API 取得產品完整數據
- 生成新的嵌入
- 在向量資料庫新增或更新產品記錄
變成 ARCHIVED 或 DRAFT 的產品會標記為停用，確保 AI 不會推薦不可購買的產品。
第 3 層：多格式知識庫
除了 Shopify 內容，商戶亦有儲存在文件、簡報、試算表及網頁中的知識，而這些內容從未放進 Shopify 店舖。CHATTERgo 知識庫可處理所有這些來源。
支援格式
| 格式 | 用途 | 擷取方法 |
|---|---|---|
| 產品手冊、目錄、條款及細則、證書 | 複雜版面使用 PyMuPDF + GPT-4o Vision | |
| Word (.docx) | 政策文件、培訓指南、標準作業程序 | python-docx，並擷取嵌入圖片 |
| PowerPoint (.pptx) | 培訓簡報、產品介紹、品牌指引 | python-pptx，並分析投影片圖片 |
| Excel (.xlsx) | 尺碼表、價格表、產品規格 | openpyxl，並轉換為結構化文字 |
| 網頁（網址） | 外部資源、網誌文章、合作夥伴內容 | Firecrawl API / BeautifulSoup 解析 |
| 手動文字 | 常見問題條目、簡短筆記、自訂內容 | 直接輸入文字 |
視覺增強擷取
對具有複雜版面的文件，例如表格、圖解或附文字的產品圖片，CHATTERgo 使用 GPT-4o Vision 智能擷取內容：
- 表格保留結構化格式，而非攤平成難以閱讀的文字
- 圖片按上下文描述，例如「[圖片：產品尺寸圖，顯示 12cm × 8cm × 3cm]」
- 手寫或特殊字體文字透過 OCR 辨識，並標示不確定內容
- 保留閱讀次序，確保上下文不會混亂
這很重要，因為大量電子商務知識存在於視覺豐富的文件中，例如附圖片網格的產品目錄、附量度圖解的尺碼指南，以及以表格列出保障範圍的保養卡。
分塊及嵌入
上載文件會經過多步驟流程：
- 擷取：從來源格式取出內容
- 分塊：將文字分為約 3,000 字元的片段，片段之間重疊 200 字元，以保留跨分塊邊界的上下文
- 嵌入：為每個分塊生成向量嵌入，供語意搜尋使用
- 儲存：儲存分塊及中繼資料，包括來源文件、分塊索引、內容類型及存取層級
- 即時進度：索引流程廣播進度更新，讓商戶追蹤狀態
分塊之間的重疊十分重要：如果相關答案跨越分塊邊界，例如問題涉及一塊末段及下一塊開首的內容，重疊部分確保 AI 仍能找到並組合完整答案。
第 4 層：多語言內容
對面向全球銷售的商戶，內容存在於多種語言。CHATTERgo 在兩個層面處理：
Shopify 翻譯同步
CHATTERgo 整合 Shopify 翻譯 API，跨語言地區同步內容：
- 產品翻譯：標題、描述及可翻譯 metafields
- 頁面翻譯：店舖頁面的本地化版本
- 文章翻譯：多語言網誌內容
- Metaobject 翻譯：目標語言地區的自訂內容
系統追蹤翻譯狀態，包括待處理、已完成及過時，並識別需要關注的欄位。
AI 驅動的回應語言
除了已同步翻譯，CHATTERgo AI 亦自動偵測顧客語言，並以相應語言回應。日本顧客瀏覽英文 Shopify 店舖時，會獲得日文回應；系統在有翻譯內容時使用翻譯，否則以 AI 翻譯原文作為後備。
為何所有這些上下文都重要
看看一個具體例子。顧客瀏覽護膚店舖並問：
「我是敏感肌，想找不會令皮膚乾燥的溫和潔面產品。有沒有 $30 以下、不含香料的選擇？」
要答得好，AI 需要：
| 所需上下文 | 來源 |
|---|---|
| 你售賣哪些潔面產品 | 產品目錄同步 |
| 價格及供貨情況 | 含價格的款式數據 |
| 「不含香料」屬性 | Metafields 或標籤 |
| 是否「適合敏感肌」 | 產品描述 + 知識庫 |
| 成分詳情 | Metafields 或已上載產品規格 |
| 如何使用產品 | 網誌文章：「敏感肌溫和潔面程序」 |
| 不適用時的退貨政策 | Shopify Pages：退貨政策 |
沒有全面上下文，AI 可能會：
- 推薦含香料的產品，因為缺少 metafield 數據
- 建議已缺貨產品，因為缺少款式或庫存數據
- 報錯價格，因為產品數據過時
- 沒有提及你那篇實用的敏感肌護理網誌，因為缺少文章同步
- 捏造退貨政策，因為缺少頁面同步
有了完整上下文，AI 就能提供具體、準確、可信的答案，讓顧客感覺像與知識豐富的店員交談，而不是與通用機械人對話。
技術架構
所有上下文層的組合方式如下：
| 層級 | 數據來源 | 更新頻率 | 搜尋方法 |
|---|---|---|---|
| 產品 | Shopify GraphQL API | 增量更新，按排程及按需 | 向量相似度，語意搜尋 |
| Shopify 內容 | Shopify REST + GraphQL API | 增量同步 | 向量相似度，語意搜尋 |
| 知識庫 | 檔案上載 + 網址 | 上載時 | 向量相似度，語意搜尋 |
| 翻譯 | Shopify Translation API | 隨內容同步 | 配合語言的檢索 |
當顧客提問，CHATTERgo AI 助理會：
- 將問題編碼為向量嵌入
- 搜尋所有上下文層，同時查找產品、內容及知識庫
- 擷取最相關的分塊，按語意相似度排序
- 只使用已擷取上下文，組合有依據的回應，不產生幻覺
- 在適當時引用來源，連結至產品頁面、政策頁面等
這就是應用於商務的檢索增強生成（RAG），而檢索質素直接決定生成質素。
開始使用
使用 CHATTERgo 設定全面知識庫，只需幾分鐘，而不是幾星期：
- 連接 Shopify 店舖：產品目錄及內容同步自動開始
- 上載文件：將 PDF、文件及試算表拖放至知識庫
- 加入網址：貼上外部資源、指南或合作夥伴內容連結
- 設定 AI 助理：設定語氣、專業程度及品牌聲音
- 正式上線：AI 助理現在有完整上下文，能準確回答任何顧客問題
每份新增內容都令 AI 更聰明。每項同步的產品細節都令推薦更精準。每個建立索引的政策頁面，都能避免一個捏造的答案。
上下文不只是重要，而是一切。
CHATTERgo 深度整合 Shopify，包括頁面、文章、網誌、metaobjects 及完整產品目錄，並支援 PDF、DOCX、PPTX、XLSX、網頁及文字上載。所有內容均轉換為向量，供語意搜尋使用，並透過增量同步保持最新。