AI 知識庫治理香港中小企指南：RAG、Chatbot、CRM 與私隱安全如何落地

直接答案：香港中小企想把 AI chatbot、RAG 搜尋、CRM 或內部 AI 助手做得穩定，第一步不是選模型，而是建立「AI 知識庫治理」：哪些資料可用、由誰審批、多久更新、哪些問題必須拒答或轉人工、哪些個人資料不可進入 AI 流程。沒有這一層，AI 會很快由「自動化」變成「自動答錯」。

很多公司導入 AI 時會先問「用 ChatGPT、Claude 還是其他模型？」但對香港服務型公司、教育機構、B2B 顧問、維修、醫療美容、IT 外判或網頁設計公司來說，真正影響成敗的是公司知識是否整理好。客戶問價、問流程、問條款、問支援範圍，如果 AI 引用的是舊版文件、散落 WhatsApp 的口頭答案，或者未經審批的同事筆記，風險會比人手回覆更高。

本文針對正在規劃 AI Chatbot、系統開發、香港網頁設計、IT 外判 或 SEO 服務 的中小企，示範一套可落地的 AI 知識庫治理框架。目標不是把所有文件丟入向量資料庫，而是把 AI 變成可追蹤、可更新、可交代的營運工具。

甚麼是 AI 知識庫治理？

AI 知識庫治理，是把公司可被 AI 使用的內容當成一個正式系統管理。它包括知識來源、資料分類、更新責任、版本紀錄、審批權限、引用方式、拒答規則、測試和監察。對 RAG（Retrieval-Augmented Generation）或企業 chatbot 來說，模型只是回答引擎；知識庫才是答案的地基。

如果知識庫沒有治理，常見後果包括：AI 引用過期價格、把內部條款說成對外承諾、把草稿文件當正式政策、把客戶個人資料暴露給不應看到的人，或者在 SEO 內容、客服答案和銷售報價之間出現矛盾。這些問題很少靠「換更好的模型」解決，通常要回到流程和資料設計。

為甚麼 2026 年更應先做知識庫，而不是先買 AI 工具？

2026 年的 AI 工具已經很容易接到網站、WhatsApp、CRM、Notion、Google Drive、Slack 或內部系統。容易接入反而增加風險：如果任何人都可以把資料放進 AI 流程，答案會越來越難追蹤。香港公司尤其要留意個人資料、客戶查詢、學生資料、報價條款和專業責任。

PCPD 的 Artificial Intelligence: Model Personal Data Protection Framework 強調機構使用 AI 時要有策略、管治、風險評估和人類監督。NIST 的 AI RMF Generative AI Profile 亦把風險管理放在整個 AI 生命周期，而不只是模型上線一刻。對中小企來說，最實際的翻譯就是：先管好知識、權限和流程，再讓 AI 回答。

從 SEO 角度看，知識庫治理也能改善內容品質。Google Search Central 在 2026 年更新的 generative AI Search guidance 中，仍然把 crawlable、helpful、unique content 放在核心位置。公司把真實查詢、服務流程、限制和比較表沉澱成知識庫，就可以反向產生更有用的服務頁、FAQ 和 blog，而不是只生成大量相似文章。

AI 知識庫應該放甚麼？不要放甚麼？

很多 AI 項目失敗，是因為知識庫太大、太亂、太快上線。較好的做法是由「高頻、低風險、可核對」內容開始，先支援客服和銷售初步分流，再逐步加入技術文件、內部流程和 CRM 狀態。

適合第一階段放入 AI 知識庫的資料

• 正式服務頁內容，例如 網頁設計、AI chatbot、SEO、IT 外判、系統開發的服務範圍。
• 已審批 FAQ，包括價格影響因素、流程、交付時間、維護範圍和常見限制。
• 報價前必問欄位，例如行業、現有網站、頁面數量、語言、CMS、CRM、WhatsApp、付款或會員需求。
• 客服分流規則，例如新客查詢、售後支援、緊急 IT 問題、帳單問題、投訴或合作查詢。
• 可公開的案例摘要和流程說明，避免放入客戶敏感資料。
• 品牌語氣、拒答句式和人工接手模板。

不應直接放入 AI 知識庫的資料

• 客戶身份證、電話、地址、健康、財務、學生或合約敏感資料。
• 未審批 proposal、內部成本表、同事私人筆記或舊版條款。
• 只適用於個別客戶的折扣、承諾、SLA 或專案例外安排。
• 法律、醫療、金融或安全相關最終建議，除非有專業審批和明確責任界線。
• 競爭對手資料、未授權第三方內容或不能確認版權的文件。

RAG、Chatbot、CRM 與 SEO 如何串起來？

AI 知識庫最有價值的地方，是把網站內容、客服問題、銷售跟進和內部交付變成同一套可維護的資料流。它不應只是 chatbot 後台的一個文件夾，而應該連接到公司如何獲客、如何報價、如何交付。

例如一家 B2B 服務公司可以先把「網站製作報價前必問 12 題」放入知識庫，chatbot 在網站收集資料，WhatsApp 發送摘要，CRM 記錄服務類型和預算範圍。之後每月把客戶仍然問不清的問題回寫到服務頁和 FAQ。這樣 AI 不是孤立工具，而是改善整個銷售流程。

安全與私隱：AI 知識庫必須設計的 7 條 guardrails

OWASP Top 10 for LLM Applications 把 prompt injection、敏感資料披露、過度代理、向量與 embedding 弱點、錯誤資訊等列為重要風險。中小企未必需要一開始就做大型安全架構，但至少要把以下 guardrails 寫入需求文件。

1. 來源白名單：AI 只可引用已批准資料來源，不能任意讀取整個雲端硬碟。
2. 答案附來源：高價值回答應顯示或記錄引用文件，方便同事核對。
3. 拒答規則：遇到法律、醫療、金融、合約承諾、敏感個人資料或不確定答案，要轉人工。
4. 權限分層：客服、銷售、工程、管理層看到的知識範圍不同，避免內部資料外洩。
5. 輸入過濾：偵測 prompt injection、要求忽略規則、索取內部資料、要求輸出系統提示等攻擊模式。
6. 人工覆核：報價、合約、客訴、退款、SLA、技術可行性和高風險建議要由真人確認。
7. 日志與回溯：記錄問題、引用資料、AI 回答、轉人工原因和同事修正，方便持續改善。

30 日 AI 知識庫落地 checklist

第 1 至 5 日：界定用途和範圍

• 選一個高頻場景，例如網站查詢、報價前資料收集、IT 支援分流或內部服務搜尋。
• 列出 AI 可以回答、只可收集資料、必須轉人工的問題類型。
• 決定 success metric，例如資料完整度、回覆時間、錯誤率、合格 lead 比例。
• 指定知識庫 owner，避免「人人都可以改，沒有人負責」。

第 6 至 12 日：整理資料和權限

• 挑選 20 至 50 條正式知識項，不要一開始匯入所有文件。
• 為每條知識加上服務類型、適用對象、最後更新日期、負責人和風險等級。
• 移除或匿名化個人資料、客戶名稱、內部成本和未審批承諾。
• 建立「不可回答」和「轉人工」模板。

第 13 至 20 日：建立 AI 測試版本

• 把知識庫接到 chatbot、內部搜尋或 CRM 分流流程。
• 準備至少 50 條真實測試問題，包括正常問題、模糊問題、惡意 prompt 和資料不足情況。
• 檢查答案是否引用正確資料、是否過度承諾、是否懂得拒答。
• 設計 WhatsApp 或 CRM 交接摘要，讓真人可以接續跟進。

第 21 至 30 日：小範圍上線和回饋

• 只在一個服務頁、一個內部團隊或一個客服流程試行。
• 每日檢查無答案問題、錯誤引用、客戶中途離開和人工修正。
• 把重複問題回寫到服務頁、FAQ、SEO blog 和銷售 brief。
• 決定下一階段是否擴展至更多服務、更多資料來源或更多自動化動作。

LoftyGroup 建議的最小可行架構

對大部分香港中小企，第一版 AI 知識庫不需要很複雜。LoftyGroup 通常會建議由以下架構開始：網站服務頁和 FAQ 作為公開知識、內部文件作為受控知識、CRM/WhatsApp 作為查詢紀錄和交接渠道、AI chatbot 或 RAG 作為回答介面、人工審批作為安全閘口。

這種做法的好處是可逐步擴充。公司可以先處理 80% 重複問題，證明 AI 對回覆時間和 lead quality 有幫助，再加入更深入的系統開發，例如 CRM 自動分派、報價草稿、ticket 分流、內部知識搜尋、SEO 內容建議和管理層報表。

如果你的網站正在改版，這也是規劃知識庫的好時機。服務頁、FAQ、schema、內部連結、WhatsApp CTA、CRM 欄位和 AI chatbot 應該同時設計，而不是網站上線後才補。這能減少重工，也令 AI 回答和 SEO 內容保持一致。

FAQ：AI 知識庫治理常見問題

下一步：先做一次 AI 知識庫盤點

如果你已經有網站、WhatsApp 查詢、FAQ、報價表、CRM 或內部文件，可以先做一次 60 至 90 分鐘盤點：哪些內容可公開、哪些只限內部、哪些已過期、哪些問題常被客戶追問、哪些答案會產生法律或私隱風險。這一步通常比直接購買 AI 工具更有價值。

想評估你的公司是否適合做 AI chatbot、RAG 知識庫或 AI 系統整合？可以透過 WhatsApp LoftyGroup 發送現有網站、服務類型和最近 10 條常見查詢。我們可以先協助你判斷應先整理知識庫、改善網站內容，還是直接進入 AI chatbot / CRM 串接試點。

參考資料

• PCPD：Artificial Intelligence: Model Personal Data Protection Framework
• PCPD：AI Security resources
• NIST：AI RMF Generative AI Profile
• OWASP：Top 10 for Large Language Model Applications
• OWASP：LLM01 Prompt Injection
• Google Search Central：Optimizing for generative AI features
• Google Search Central：Guidance about AI-generated content