隨著大型語言模型(Large Language Model，LLM)技術的飛速進步，運用語言模型導入優化企業內部流程與客戶服務成為可能。與此同時，大型語言模型如何落實資料表格檢索，亦是近期LLM研究之重點，以期LLM透過精確處理文字、數據，彙整更多不同型態之資料集內容，產出更加完整的問答內容。本研究旨在通過應用LLM技術，協助某廠商的客戶問答、充電桩異常監測與維護部門，建立智能諮詢機器人，以提升服務效率並減少人力成本。本研究使用ChatGPT-4o模型，並結合Prompt Engineering、Retrieve Augment Generation(RAG)技術，發展問答過程以釐清使用者意圖，實現符合使用需求之智能諮詢機器人。本研究收集並整理廠商提供的多種知識內容，如：充電桩的異常原因、公有充電桩位置、會員問題及法規問題等。有別於傳統Rule-based進行人力編碼的資料前處理方式，本研究透過Embedding函式轉換文件內容成為向量，協助語言模型檢索這些資料，從而減少企業端資料前處理的人力成本。實施過程，通過Prompt Engineering技術，語言模型能夠理解情境並進行角色扮演，搭配RAG技術進一步檢索文本，於提問過程確認之使用者的意圖與實體資訊，如問題種類、發生地點等，透過模型輸出相關文件規範，協助使用者獲取精確且適當的資訊。最終，本研究運用服務藍圖盤點合作廠商實際需求，發展所對應之資訊系統技術。整合LLM與OpenStreetMap導入「客戶服務部門問答作業」、「充電站維護知識查詢作業」兩種使用情境，將智能問答機器人應用於充電站管理與服務，並建構地理資訊系統，提升易取與實用性。

With the rapid advancements in Large Language Model (LLM) technology, it has become increasingly feasible to optimize internal business processes and customer services using chatbot with natural language communication skill. This study focuses on developing an intelligent chatbot for an EV charging service provider company, aimed at improving service intelligence and efficiency. The service include customer front-end of query handling and supporting maintenance decision-making. Utilizing the ChatGPT-4o language model, along with Prompt Engineering and Retrieve Augment Generation (RAG) techniques, the chatbot is designed to support multi-turn dialogue with customers. By encoding document content through embedding functions, the research reduces manual data preprocessing efforts, allowing the chatbot to understand various knowledge domains, including charging station anomalies, membership inquiries, and regulatory issues. The system design is based on innovative service blueprinting to meet the company's operational requirements, alongside the application of OpenStreetMap for integrating geographic information, ultimately supporting both customer service and charging station maintenance operations.