GenAI 驅動網站現代化

課程概述

既有網站常有幾個老問題：使用者搜不到內容、FAQ 找半天，或每個人看到的導覽都一樣。GenAI 可以補強其中一些環節，但不代表整站都要加聊天機器人。這堂課會先找出真正卡住使用者的任務，再用漸進方式加入搜尋、導覽或推薦，並保留原本可用的路徑。

你將學到

• 設計漸進式的網站 AI 現代化路線圖
• 整合語義搜尋取代傳統關鍵字搜尋
• 運用 Gemini 建構對話式產品導覽助手
• 使用 Firebase 與 Cloud Run 搭建 AI 功能的後端架構

核心概念

漸進式 AI 現代化策略

一次砍掉整站重做風險高，適合先挑一個有基線、有明確使用者痛點的流程試做。有人找不到商品，可能先改善搜尋；大量問題其實是導覽不清，先整理資訊架構可能比聊天助手有效；只有在取得適當同意、資料量也足夠時，才適合做個人化。功能順序沒有固定答案，應看問題規模、資料條件和失敗代價。

語義搜尋的整合模式

傳統搜尋常用倒排索引比對關鍵字，遇到同義詞或口語查詢時可能漏掉結果；向量搜尋則能補上語意相近的內容。但產品型號、專有名詞與精確篩選仍是關鍵字和 Metadata 的強項，因此實務上常做混合搜尋，而不是把舊搜尋整套拔掉。接入既有網站時，還要處理內容更新、權限、排序、無結果回退與搜尋分析，不只是多建一份 Embedding 索引。

對話式助手的前端整合

網站對話助手要先定義它能幫忙的範圍，以及什麼情況必須轉人工。當前頁面、搜尋結果或知識庫可以提供上下文，但送進模型前要排除不可信指令與使用者無權查看的內容。對話紀錄也不該無條件永久保存；要先告知用途、遮罩個資、設定保存期限，並讓分析資料和可識別使用者的資料分開。Firebase Hosting 搭配 Cloud Run 是一種部署方式，不是唯一架構。

成效衡量指標

成效要回到原本想改善的任務。搜尋可以看無結果率、成功點擊與後續完成率；助手可以看任務完成、轉人工比例、錯誤答案與滿意度；推薦則要同時看轉換、內容多樣性和取消訂閱等負面訊號。上線前先記錄基線，再用分流測試比較；只有 CTR 上升、但退貨或客服申訴增加，不能算真正改善。

實作重點

• 用 Agent Search（文件舊稱 Vertex AI Search）建立索引，並保留關鍵字與 Metadata 篩選
• 建構有明確回答範圍的對話助手，整合網站知識來源、引用與人工轉接
• 使用 Firebase Hosting 部署含有 AI 對話元件的前端頁面
• 設計 A/B 測試方案，比較傳統搜尋與語義搜尋的使用者體驗差異

Lab 導讀

Lab 連結：Website Modernization with Generative AI on Google Cloud — Google Cloud Skills Boost

這個 Lab 以電商網站為例加入 AI 功能。操作時除了看前端、AI 後端與模型怎麼串，也要找出舊功能如何回退、資料更新後索引怎麼同步，以及錯誤答案如何被回報。搬到自己的網站前，先確認要改善的指標，不必照單全收每一項 AI 功能。

延伸學習

• 建構 GenAI 應用 — GenAI 應用的完整建構流程
• Gemini + Streamlit 開發 GenAI App — 快速原型開發的替代方案
• Gemini 開發者指南 — Gemini API 的進階功能