AI-first 版本：不要從「Chatbot + Ticket System」出發，而要從「Customer Service Agent」出發
如果目標是讓 AI 真的替客戶完成事情，而不只是回答 FAQ，那架構應該從上一版的：
Chatbot → Knowledge Base → Ticket
改成：
AI Agent → Reason → Use Tools → Take Action → Verify Result → Human Handoff
對 Industrial PC / IIoT Distributor，理想的 Agent 應該可以自主完成：
「幫我找一台支援 -20°C、4 COM、雙 LAN 的 fanless PC → 檢查庫存 → 查我的 account pricing → 建立 RFQ → 寄給業務。」
而不是只回答「這是我們的產品型錄」。
我會把候選方案縮到這 12 個
A. Open-source / Developer-first Agent Platform
| Rank | Solution | GitHub Stars | Agent 能力 | RAG | Tool / API Actions | Multi-Agent | 適合你們 |
|---|---|---|---|---|---|---|---|
 |
n8n | ~200.6K |  |
|
|
|
極高 |
 |
Dify | ~152.4K | |
|
|
|
極高 |
 |
RAGFlow | ~88.3K | |
|
|
|
極高 |
| 4 | CrewAI | ~57.1K | |
|
|
|
高 |
| 5 | LangGraph | ~39.7K | |
|
|
|
極高，但工程導向 |
| 6 | Letta | ~24.2K | |
|
|
|
中高 |
GitHub 截至目前約為 n8n 200.6K、Dify 152.4K、RAGFlow 88.3K、CrewAI 57.1K、LangGraph 39.7K、Letta 24.2K stars。([GitHub]) Letta 則約 24.2K stars，主打具有持久狀態與 memory 的 agent。([GitHub])
但 GitHub Stars 不等於適合 Customer Service。對你們來說，我真正會研究的是前三名加 LangGraph。
1. n8n：我現在反而會把它排到非常前面
n8n 已經不是單純 Zapier alternative，它現在直接把自己定位成 AI Agents + Workflow Automation Platform，同時提供 400+ integrations、custom code、self-host 與 cloud。([GitHub])
對 Industrial Distributor，它最大的價值不是回答問題，而是 執行 Business Action。
例如 Agent 可以收到：
Can you check whether IPC-6100 is in stock and create a quote for 20 units?
Agent 接著自己：
Understand Intent
↓
Identify SKU
↓
Call ERP API
↓
Check inventory
↓
Check customer CRM record
↓
Retrieve account pricing
↓
Calculate quantity price
↓
Create RFQ
↓
Create CRM Deal
↓
Send confirmation
這才是真正的 Agent Automation。
n8n 特別適合當你們的「Action Layer」
可以串：
- HubSpot
- Salesforce
- Zendesk
- Jira
- Gmail
- PostgreSQL
- MySQL
- REST API
- GraphQL
- ERP
- WMS
- Shopify
- WooCommerce
- Slack
- Microsoft Teams
- Webhook
- 自己的 backend
所以我會把：
n8n = AI Agent 的手腳
而不是把它當 chatbot。
2. Dify：最適合做 Customer-facing AI Brain
Dify 目前已明確定位為建立 Agentic workflows、RAG pipelines 的平台，Agent 可採 LLM Function Calling 或 ReAct，並使用 built-in 或 custom tools。([GitHub])
Dify 比 n8n 更適合負責：
- Conversation
- Intent understanding
- Product Knowledge
- RAG
- Context
- Prompt
- Agent reasoning
- Tool selection
- Customer-facing response
所以非常適合：
Customer
↓
Dify Agent
↓
"What does this customer want?"
↓
Choose Tool
↓
n8n
↓
ERP / CRM / Ticket / Email
我會把它定義成：
Dify = Brain
n8n = Hands
這兩個搭配比單獨用其中一個合理很多。
3. RAGFlow：Industrial / IIoT 技術資料 Agent 特別值得用
RAGFlow 不只是 RAG。
目前官方已把 Agent 和 Workflow 統一 orchestration，並支援：
- Multi-Agent
- Planning
- Reflection
- MCP Client
- MCP Server
- Agent runtime logs
等能力。([GitHub])
而 RAGFlow 最關鍵的優勢還是文件。
它的 DeepDoc 特別處理：
- Layout recognition
- Table Structure Recognition
- Complex tables
- Headers
- Spanning cells
- Figures
這對 Industrial PC 非常重要，因為你們的資料會有大量規格表。([GitHub])
例如：
| Model | CPU | LAN | COM | Temperature |
|---|---|---|---|---|
| IPC-A | N97 | 2 | 4 | -20~60°C |
| IPC-B | i5 | 4 | 2 | -10~50°C |
一般純 text chunking 很容易把這類資料弄爛。
RAGFlow 就更適合成為：
Product Knowledge Agent
4. LangGraph：如果準備認真打造自己的 AI Product，這是最值得研究的 framework
LangGraph 和 Dify 完全不同。
Dify 是：
Build with UI / Low-code.
LangGraph 是：
Build the Agent runtime yourself.
官方定位是 long-running、stateful agents 的 low-level orchestration framework；也已提供 Deep Agents，可以建立會 planning、使用 subagents 與 filesystem 的複雜 Agent。([GitHub])
例如可以自己打造：
Supervisor Agent
│
├── Product Agent
│
├── Pricing Agent
│
├── Inventory Agent
│
├── Technical Support Agent
│
├── Sales Agent
│
├── RMA Agent
│
└── Human Escalation Agent
Supervisor 自己決定：
這個問題要找誰處理。
這就是真正的 Multi-Agent architecture。
5. CrewAI
CrewAI 約 57.1K stars，本身就是專門設計用來 orchestration 多個 autonomous agents。([GitHub])
概念非常容易理解：
Sales Agent
Technical Agent
Product Agent
Support Agent
RMA Agent
每個 Agent 有不同：
- Role
- Goal
- Tools
- Knowledge
- Permissions
然後一起完成 task。
不過對你們而言
我會優先：
LangGraph > CrewAI
原因不是 CrewAI 不好，而是你們最終涉及：
- Customer-facing production workload
- ERP
- Price
- Inventory
- Warranty
- Account authentication
- Human approval
這些通常需要更明確的 state、control flow、checkpoint 與 deterministic control。
這是基於兩套 framework 架構定位所做的工程判斷。LangGraph 官方特別強調 long-running、stateful agents。([GitHub])
6. Letta：如果 Customer Memory 很重要
Letta 最有趣的不是 workflow，而是：
Stateful Agent Memory
官方定位就是讓 agent 可以擁有進階 memory、持續學習並隨時間改善。([GitHub])
例如：
Customer: ABC Automation
Agent remembers:
- Usually orders Advantech systems
- Requires -20°C operation
- Project is EV charging infrastructure
- Normally needs 20–50 units
- Previously purchased model XYZ
- Technical contact = David
下次客戶來：
We need another fanless system.
Agent 可以理解 customer context。
非常強。
但我目前不會拿 Letta 當你們第一層 Customer Service Platform。
Commercial SaaS：這裡反而有幾個比 Zendesk 更「AI-first」
如果你說：
I want AI-first, agent automation.
那我會重新排序上一版的 SaaS。
AI-native Customer Service Agent
| Rank | Platform | AI-first | API Actions | Multi-step Agent | Human Handoff | 我對你們的推薦 |
|---|---|---|---|---|---|---|
|
Sierra | |
|
|
 |
最高 |
|
Decagon | |
|
|
|
最高 |
|
Intercom Fin | |
|
|
|
非常高 |
| 4 | Ada | |
|
|
|
非常高 |
| 5 | Maven AGI | |
|
|
|
高 |
| 6 | Forethought | |
|
|
|
高 |
| 7 | Salesforce Agentforce | |
|
|
|
Salesforce 公司適合 |
Sierra：我會非常建議你研究
Sierra 的設計理念非常符合你描述的需求。
不是：
AI answers customer questions.
而是：
AI resolves customer problems.
官方的 Agent SDK 可以組合 triage、respond、confirm 等 skills 成複雜 workflow；Agent 可以真正執行 actions，例如更新 subscription 或提交 warranty claim。([Sierra])
最後一個例子其實跟你們非常接近：
submit a warranty
也就是 Industrial Distributor 的：
RMA / Warranty Agent
Sierra 用在你們身上的想像
Customer：
My IPC stopped booting after 8 months.
Agent：
Identify product
↓
Ask serial number
↓
Query ERP
↓
Find order
↓
Verify warranty
↓
Ask diagnostic questions
↓
Search technical manual
↓
Determine likely failure
↓
Generate troubleshooting steps
↓
Still fails
↓
Create warranty case
↓
Submit RMA
↓
Generate shipping instructions
↓
Notify FAE
Sierra 官方明確把 Agent 定義成不只是回答，而是可以 take action 解決 customer request。([Sierra])
這就是你正在找的東西。
Decagon：同樣非常 Agent-first
Decagon 的核心也是 autonomous Customer Experience Agent。
它的 integrations 能讓 Agent：
- retrieve data
- trigger actions
- API integration
- custom tools
- escalation
- chat
- voice
而且可以透過 custom tool integrations 操作外部系統。([Decagon])
它甚至正在把方向推向 self-improving CX agents；2026 年推出 Duet Autopilot，主打經驗驗證後自動改善 agent。([Decagon])
Sierra vs Decagon
我會把它們列為目前真正應該 benchmark 的：
AI-native CX Agent Platforms
而不是拿：
Zendesk Chatbot vs Freshdesk Bot
來比較。
Intercom Fin：如果希望最快上線，我可能選它
Intercom Fin 在 2026 年已經非常接近完整 Agent。
最值得注意的是 Fin Procedures。
它允許用自然語言定義 process，同時加上 deterministic controls 與 external system actions。([Intercom])
例如：
Customer wants RMA
↓
Verify serial number
↓
Check purchase
↓
Check warranty
↓
Check RMA eligibility
↓
Create RMA
↓
Send confirmation
Fin 的 API 甚至提供 capability discovery 與 procedure execution endpoint。([Intercom Developers])
所以這已經不是傳統 chatbot。
Ada：Agent Automation 很完整
Ada 的 AI Agent 可以直接透過 HTTP：
- GET
- POST
- PUT
- PATCH
- DELETE
操作 external systems。([Ada Docs])
官方舉的完整 Agent workflow 概念就是：
Authenticate customer
→ Check account
→ Execute workflow
→ Update system of record
→ Confirm result
([Ada])
這與你要做的：
Authenticate customer
→ Find order
→ Check warranty
→ Create RMA
→ Update CRM
幾乎完全相同。
Maven AGI
Maven AGI 也是非常純粹的 Agent-first CX platform。
官方描述其 Agent 可以跨：
- Chat
- Voice
- Web
理解 intent、reason through complex scenarios，並在企業系統中執行 secure multi-step actions。([Maven AGI])
它也直接把 system actions embed 到 Agent 裡，讓 Agent 自動跑複雜 multi-step workflows。([Maven AGI])
因此也值得 POC。
你們真正應該建立的是 6 個 Agents
我不會建立一隻：
Neteon Chatbot
我會建立一個 Agent Supervisor + Specialized Agents。
CUSTOMER
│
▼
┌─────────────────┐
│ Supervisor Agent │
└────────┬────────┘
│
┌─────────────┼──────────────┐
│ │ │
▼ ▼ ▼
Product Agent Sales Agent Support Agent
│ │ │
▼ ▼ ▼
Product DB CRM / ERP Manuals
Datasheets Pricing Knowledge
Manuals Quotation Diagnostics
┌─────────────┼──────────────┐
▼ ▼ ▼
Inventory Agent RMA Agent Human Agent
│ │
ERP Warranty DB
WMS Ticket / ERP
Agent 1 — Product Selection Agent
Customer：
I need a DIN-rail computer for a solar project with four LAN ports.
Agent 自己：
- Understand application
- Ask necessary questions
- Search product database
- Read datasheets
- Compare SKUs
- Filter environmental requirements
- Recommend products
- Explain why
Agent #2 — Technical Support Agent
Why doesn’t my Modbus TCP connection work?
Agent：
Identify device
→ Find firmware
→ Find manual
→ Read configuration
→ Troubleshoot
→ Ask diagnostic questions
→ Recommend fix
→ Escalate if needed
Agent #3 — Sales Agent
I need 50 units.
Agent：
Identify SKU
↓
CRM customer lookup
↓
Inventory
↓
Customer pricing tier
↓
Quantity discount
↓
Lead time
↓
Create opportunity
↓
Generate RFQ
↓
Notify Sales
Agent #4 — Inventory Agent
Customer：
Do you have 30 in stock?
Agent 不是回答 static knowledge。
而是：
call get_inventory("IPC-5100")
ERP：
{
"US_Warehouse": 42,
"Taiwan": 16,
"incoming": 100,
"ETA": "2026-08-26"
}
Agent：
We currently have 42 units available in the U.S. warehouse…
這才是 Agent。
Agent #5 — RMA Agent
這可能是你們 ROI 最大的一隻 Agent。
Serial Number
↓
Lookup product
↓
Lookup order
↓
Check warranty
↓
Diagnose
↓
Determine RMA eligibility
↓
Generate RMA number
↓
Create ticket
↓
Send shipping label/instructions
↓
Update CRM
↓
Notify support
大量人工 support workload 都能消失。
Agent #6 — Customer Account Agent
登入後可以問：
Where is my order?
What did we buy last year?
Can I reorder 20 units?
Send me the invoice.
When does my warranty expire?
Agent 自己呼叫：
CRM
ERP
Order Management
Warehouse
Invoice system
Warranty database
因此我的技術選擇會變成這樣
Option A — 我最推薦的 Open-source Stack
Website / Portal
│
▼
Dify Agent
│
Supervisor Agent
│
┌───────────────┼──────────────┐
▼ ▼ ▼
RAGFlow n8n Human
│ │
Knowledge Action / Tools
│
┌─────────────┼─────────────┐
▼ ▼ ▼
ERP CRM RMA
│ │ │
Inventory HubSpot Warranty
核心：
Dify = Reasoning / Conversation
RAGFlow = Technical Knowledge
n8n = Actions / Integration
這是我現在最推薦給 Industrial Distributor 的 open-source / self-hosted 方向。Dify 提供 Agent + RAG + tools；RAGFlow 強在 technical-document context 與 multi-agent/MCP；n8n 則提供大量 integrations 與 workflow/agent execution。([GitHub])
Option B — 如果你們工程能力很強
直接：
LangGraph + RAGFlow + n8n
Next.js
↓
LangGraph
↓
Multi-Agent Supervisor
├ Product Agent
├ Support Agent
├ Sales Agent
├ RMA Agent
└ Inventory Agent
↓
RAGFlow + MCP + APIs
↓
n8n / Internal APIs
這會是最 flexible 的。
而且未來如果 AI Customer Service 是你們的 competitive advantage / proprietary platform，我反而偏這條路。
Option C — 不想自己 Build
我會只 POC 這四個：
| Priority | Platform | 原因 |
|---|---|---|
| 1 | Sierra | Agent-native、complex actions、warranty use case 非常吻合 |
| 2 | Decagon | Agent-first、API actions、CX automation |
| 3 | Intercom Fin | Production maturity + Procedures + Helpdesk |
| 4 | Ada | Enterprise Agent + API actions + omnichannel |
Sierra 的 Agent SDK 明確支援複雜 workflow 與 warranty submission 等 action；Decagon 強調 API/custom tools 驅動的 end-to-end action；Fin Procedures 支援 external actions 與 business-rule controls；Ada 亦能讓 Agent 自動呼叫外部 API。([Sierra])
最終 shortlist
如果我是你們，現在甚至不會花太多時間研究 Chatwoot、Zammad、FreeScout。
它們可以留著當：
human handoff / ticket UI
但已經不是核心。
核心應該是：
自建
1 Dify + n8n + RAGFlow
如果要追求真正 advanced Agent architecture：
#2 LangGraph + n8n + RAGFlow
SaaS
1 Sierra
#2 Decagon
#3 Intercom Fin
#4 Ada
最重要的架構轉變
不要：
AI answers question
↓
Can't answer
↓
Create Ticket
↓
Human solves it
要：
AI understands problem
↓
AI searches knowledge
↓
AI retrieves customer context
↓
AI chooses tools
↓
AI performs actions
↓
AI checks result
↓
Problem solved
只有在：
Low confidence
High risk
Special pricing
Engineering issue
Large deal
Safety-critical recommendation
時才：
→ Human-in-the-loop
這才會真正降低 FAE / Customer Service / Sales 的 workload，而不只是把網站 FAQ 換成 ChatGPT。
如果你們準備自己 build，我目前會優先從 Dify + RAGFlow + n8n 做 POC；如果成功後發現 workflow 需要更高程度的 stateful orchestration，再把 Dify 的 Agent runtime逐步換成 LangGraph，而不是一開始就把整套系統寫死在 LangGraph。
不符合你的方向。