在飯店業打滾多年，從第一線的櫃檯人員做到副理，我最熟悉的動作是鞠躬，最常說的話是「不好意思」。
我們這一行常說：「服務要有溫度。」 但我常常在想，當我們的資深員工能精準叫出老客人的名字、記得他喜歡高樓層、不喝冰水時；我們使用的管理系統，卻常常像個「最不懂人情世故的新人」。
這是我重返校園、鑽研 AI 技術的起點。我想做的專案——「煉金術 AI 智慧管家」，不是為了交作業，而是為了給過去在現場感到的無力感，一個技術上的解答。
1. 最真實的動機：當系統遺忘了對話，我們就失去了信任
在櫃檯站久了，你會有種直覺。 你知道哪位客人其實很在意隱私，哪位客人喜歡被熱鬧簇擁。這些資訊，過去都只存在於資深員工的腦袋裡，一旦人員流動，服務的溫度就斷層了。
導致我決心開發這個系統的最後一根稻草，是一次「母親節慘案」。
我們有位住客陳先生，多年來入住都特別交代「全素食」。這件事，現場人員都刻在心裡。但有一年的母親節檔期，行銷部門發了一波無差別推播，硬生生地把一張「頂級戰斧牛排優惠券」送到了陳先生的手機裡。
電話那頭，陳先生的語氣不是憤怒，而是失望：「我以為我們是老朋友了，原來你們根本不知道我是誰。」
那一刻我拿著電話不斷賠罪，心裡卻很清楚：這不是前台人員的錯，是我們的系統「失憶」了。 每一次對話視窗的關閉，那些關於喜好的珍貴數據就跟著消失。我們把互動當成消耗品，但我認為，那應該是資產。
2. 實作過程：用資深管家的待客之道訓練 AI
既然傳統的系統不夠聰明，我就試著自己打造一個。 這個專案的核心挑戰在於：如何讓 AI 學會「讀空氣」，並像資深管家一樣「記住重點」。
第一步：聽 (Listen) — NLU 意圖識別
以前我教新進員工要「聽出弦外之音」，現在我教 LLM (大型語言模型) 做一樣的事。 系統必須分辨客人這句話是在「客訴宣洩」、「明確訂位」還是「許願閒聊」。如果是客訴，系統權重要調高，就像副理要親自出馬一樣。
第二步：記 (Tag) — 自動化標籤與向量資料庫
這是最困難，也最關鍵的一步。 使用 Vector DB (向量資料庫) 搭配自動貼標機制。當客人提到「小孩對花生過敏」，系統不僅是回答「好的」，更會在後台即時生成 #過敏體質、#親子客 的標籤。 這些標籤不會消失，它們會成為下一次服務的基石。
第三步：回 (Act) — RAG 檢索增強生成
技術上最讓我卡關的，是「速度」與「準確度」的平衡。 一開始為了檢索大量歷史訊息，AI 回覆速度不夠快。但在飯店現場，讓客人乾站著等待就是服務瑕疵。 我後來調整了架構，將數據結構化，讓 AI 能瞬間撈取關鍵標籤。現在，當系統看到 #素食 標籤時，能即時生成：「陳先生您好，這次母親節我們為您準備了特製的松露素食套餐...」。
3. 轉型與反思：最好的科技，是隱形的服務
這個專案對我來說，不只是一個 MVP (最小可行性產品)，它驗證了我對「服務業轉型」的想像。
在測試階段，這套系統的意圖識別準確率達到了 85%。這意味著，我們終於有機會讓系統像資深夥伴一樣，精準地提供差別化服務，而不是讓客人覺得自己只是一組流水號。
我從這個專案學到了什麼？
- 領域知識 (Domain Know-how) 是最強的護城河： 寫程式的人很多，但懂「為什麼這句話會惹怒客人」的人不多。我發現，那些年在現場累積的經驗，才是我訓練 AI 模型最珍貴的養分。
- 數據資產化的價值： 對話不該是船過水無痕。將「非結構化的閒聊」轉化為「結構化的標籤」，是企業未來的黃金礦脈。
- 未來的藍圖： 現在它只是一個 LINE 上的管家。未來，我希望能結合 IoT，當系統識別到
#怕熱的客人入住時，能在他開門前就自動將房內空調降至 23 度。這才是真正的 OMO (Online-Merge-Offline) 智慧體驗。
脫下制服、走進教室，我依然覺得自己是個 Hotelier。 只是這一次，我不再用鞠躬來解決問題，而是用程式碼，試圖找回那些被系統遺忘的溫度。
如果你也是正在尋求轉型的服務業夥伴，或者是對 MarTech、AI 導入現場 有興趣的朋友，歡迎留言交流。這條路很新，但值得我們一起探索。
