AI Agent 如何串接 Email：自動分類、草擬、回覆與升級人工的流程與護欄

Email 大概是每個團隊最想丟給 AI Agent 處理的東西：每天進來的信多到看不完，很多又是重複的問題，業務跟客服光是分信、回信就耗掉大半天。於是讓 Agent 自動分類、草擬、甚至直接回覆，聽起來像是把人從信海裡解放出來的救星。但 Email 和內部系統最大的不同在於：它直接寄給外面的人。一封 Agent 自動寄出的信，代表的是公司的嘴，它一旦回錯——把客訴當成一般詢問敷衍過去、隨口報了一個錯的價格、誤承諾了一個做不到的交期——傷害的不是一格內部資料，而是客戶當下對你的信任，而且收回來的成本極高，因為話已經說出口了。這篇文章站在要為對外溝通負責的角度，講清楚怎麼設計 Email Agent 的分類、草擬、回覆與升級人工，讓它只在安全的範圍內自動，把高風險的信穩穩交還給人。

一、Email Agent 的關鍵，是「分流」而不是「全回」

接 Email 第一個該扭轉的觀念是：好的 Email Agent，重點不在於它能回多少信，而在於它能不能準確地把信「分流」——哪些自己處理、哪些只草擬不寄、哪些直接轉人工。把所有信都丟給 Agent 自動回，是災難的開始；真正安全又有效的設計，是讓 Agent 當一個聰明的分流員，把對的信送到對的處理方式去。

                  ┌──────────────────┐
                  │   進來的 Email     │
                  └─────────┬────────┘
                            ▼
                  ┌──────────────────┐
                  │  Agent 先分類判斷   │
                  └─────────┬────────┘
        ┌───────────────────┼────────────────────┐
        ▼                   ▼                     ▼
┌──────────────┐  ┌──────────────────┐  ┌──────────────────┐
│ 例行 / 低風險   │  │ 需判斷 / 中風險     │  │ 敏感 / 高風險       │
│ FAQ、進度查詢  │  │ 報價、客製需求      │  │ 客訴、退款、法務     │
│ → Agent 自動回 │  │ → Agent 草擬，人寄  │  │ → 直接升級人工      │
└──────────────┘  └──────────────────┘  └──────────────────┘

這張圖想說的核心是：信件不是只有「能不能自動回」這個開關，而是至少有三條路。例行低風險的信，Agent 可以自動回；需要判斷的信，Agent 草擬好、但由人按下寄出；敏感高風險的信，Agent 連草擬都先別急，直接標記升級給人處理。把分流做對，Agent 才能在替你省下大量例行回覆的同時，不去碰那些一回錯就很難收場的信。

二、決定一封信走哪條路的，是「回錯的後果」

Agent 該把一封信分到哪一條路，判斷依據不是它「看起來好不好回」，而是「萬一回錯，後果有多嚴重、多難收回」。客戶問營業時間，回錯了改一下再說一聲就好；客戶問退款，回錯了可能引發爭議甚至客訴升級。我自製了一張信件處理分級表，把常見的信件類型依風險排出建議的處理方式，方便你照著對到自己的信箱：

這張表最該記住的原則是：凡是會「對外做出承諾」或「牽涉情緒與爭議」的信，都不該讓 Agent 自動寄。報價、交期是承諾，客訴、法務是風險，這些信 Agent 最多扮演「先整理重點、草擬初稿」的角色，真正按下寄出的那一刻，必須是人。

三、用一段護欄 Prompt，限定 Agent 能自動回的範圍

要讓 Agent 守住分流的界線，可以用一段護欄 Prompt 寫死它「什麼信能自動回、什麼信只能草擬、什麼信要升級」。以下這段可以放進 Agent 設定：

你負責處理進來的 Email。每一封信都先分類，再依規則行動：

【可自動回覆】只有以下這類信可以自己回並寄出：FAQ、營業時間、訂單進度查詢、公開文件索取。回覆後標記「已自動回覆」。

【只能草擬，不可自行寄出】牽涉報價、折扣、客製需求、交期的信：產生一份草稿，標明「待人工確認後寄出」，並列出你不確定、需要人補的地方。

【直接升級人工，不要自己回也不要草擬太多】客訴、退款、退貨、投訴、法務、情緒激動的信：只做一件事——摘要重點 + 標記為「需人工優先處理」，附上你判斷它敏感的原因。

【遇到不確定】只要你無法確定一封信屬於上面哪一類，一律當成高風險，升級人工。寧可多轉人工，不可自動回錯。

這段 Prompt 沒有放任何框線字元，是一段乾淨的可用工具，不會被當成架構圖。它把「寧可多轉人工，也不要自動回錯」這個保守原則寫進 Agent 的行為裡——對 Email 這種對外的渠道，謹慎遠比積極重要。

四、導入 SOP：先讓 Agent 只分類、再讓它草擬、最後才放它自動回

接 Email 的安全順序，是把 Agent 的角色從最被動的開始，一步步往主動放。以下這套 SOP 可以直接照做：

第一步，先只讓 Agent 做分類與摘要。讓它把進來的信標好類別、摘出重點，但完全不回信，由人依分類去處理。這一步沒有任何寄錯信的風險，卻已經能省下大量分信、讀信的時間。第二步，讓 Agent 開始草擬、但全部由人寄出。對例行信，讓 Agent 先擬好回覆草稿，人看過後按寄出。觀察它草擬的品質與語氣準不準。第三步，只把最低風險的信放給 Agent 自動回。等草稿品質穩定，把 FAQ、進度查詢這類「回錯也無傷」的信，開放給 Agent 自動回覆並寄出，其餘維持草擬模式。第四步，把高風險信的升級流程設清楚。明確規定客訴、退款、法務這類信，Agent 一律只摘要、標記、轉給指定的人優先處理，絕不自動回。第五步，持續檢查自動回的信並回饋。定期抽看 Agent 自動寄出的信，找出它回得不好或不該自動回的案例，回頭收緊 Prompt 與分類規則。

這套順序的精神是：對外的嘴要慢慢交。先讓 Agent 在「不寄信」的範圍證明它會分類、會摘要，再讓它在「人把關」下證明會草擬，最後才把最安全的一小塊交給它自動。

五、設想情境：一個把客訴當 FAQ 自動回掉的客服助理

設想一個情境，幫你把上面的護欄對到實際工作。某個團隊為了消化暴增的客服信，接了一個 Email Agent，並且為了追求「自動化率」，把它設成只要信看起來能回就盡量自動回。某天一位客戶寄來一封措辭還算客氣、但其實是在抱怨產品出問題、要求處理的信。Agent 因為信裡有產品名稱與型號，把它歸類成一般產品詢問，自動回了一封制式的產品說明，完全沒接住客戶的不滿。客戶感覺被敷衍，情緒升級，最後在公開平台抱怨被「機器人打發」，這件事的處理成本，遠遠超過當初想省下的那幾分鐘。

這個設想情境（非真實公司、非真實數據）想說的是：問題不在 Agent 回得不夠快，而在它被允許「自動回」一封本該升級人工的信。如果當初照前面的護欄，把任何帶有抱怨、要求處理語氣的信都劃進「直接升級人工、不自動回」，那麼這封信會被標記為需優先處理、交到真人手上，客戶接到的就是一個願意處理問題的回應，而不是一封答非所問的罐頭信。Email Agent 的成敗，往往不是看它自動回了多少信，而是看它有沒有忍住、把那幾封最該由人接的信乖乖交出去。

六、ROI 評估：別只算自動回信省下的人力，要把「回錯一封信修補信任的代價」算進去

替 Email Agent 算效益時，最直覺的算法是看它每天自動處理掉多少封信、替客服省下多少工時。但 Email 是對外渠道，這個算法漏掉了最關鍵的一邊：當 Agent 自動回錯一封高風險的信，要花多少力氣去安撫客戶、修補關係、甚至處理公開的負評。一封自動回出去的客訴罐頭信，省下的可能是三分鐘，但它引爆的信任損失與後續善後，可能是好幾個小時加上難以量化的商譽折損。對外溝通的錯誤，修補成本天生就比內部錯誤高，因為話已經說給客戶聽了。

所以更聰明的算法，是把「追求高自動回覆率」與「保守分流、寧可多轉人工」這兩種策略並排估：分別預估它們省下的人力、自動回錯的機率、以及單次回錯後修補信任的成本，帶進站內的 AI ROI 計算機與自動化效益計算機跑一遍。你很可能會發現，把自動回覆率刻意壓低、只自動回最安全的那一類信，整體算下來反而比「能自動就自動」划算得多——因為它替你擋掉了那幾封最貴的、會把客戶推走的信。在對外渠道上，少回錯一封的價值，常常遠大於多自動回十封。

❓ 讀完後，先問自己這幾個問題

1. 你想讓 Agent 處理的信裡，哪些是「回錯也無傷」、哪些是「回錯就難收回」？　引導思路：先把信按回錯的後果分流，無傷的才考慮自動回，難收回的一律走草擬或升級，別讓 Agent 用同一個標準對待所有信。

2. 如果一封客訴信措辭客氣、看起來像一般詢問，你的設計會把它自動回掉，還是會擋下來升級？　引導思路：把這個情境想清楚；最危險的信往往不會在標題寫「我要客訴」，你的護欄要保守到能接住這種偽裝成詢問的抱怨。

3. Agent 自動寄出的信，現在有沒有人會回頭抽看、確認它沒在替公司亂講話？　引導思路：誠實回答這題，你就會知道自己現在這套自動回信，是有人在守的安全範圍，還是一張沒人看管、隨時可能對客戶失言的嘴。

結語：Email Agent 的價值，在於它懂得「不回」哪些信

接 Email Agent 的真正目標，不是追求多高的自動回覆率，而是讓它在替你消化大量例行信件的同時，準確地把高風險的信穩穩交還給人。做到這點的關鍵，是把重心放在「分流」而不是「全回」：例行低風險的自動回，需判斷的只草擬、由人寄，敏感高風險的直接升級人工；從只分類做起，一步步往自動回放寬，並且持續抽查它替公司講出去的話。一個好的 Email Agent，衡量它的不是它多勤勞地回了多少信，而是它有多懂得在該閉嘴的時候閉嘴、把那幾封最該由人接的信交出去。