AI 에이전트 KB 통합 규칙

목적

AI 에이전트가 CS Playbook을 읽고 고객 문의에 응답 초안을 생성할 때 따라야 할 규칙.

핵심: KB는 응답 초안 생성을 위한 참고 자료입니다. 최종 응답은 인간 CS 담당자가 검토 후 전송합니다.

6-Step KB 탐색 파이프라인

AI 에이전트는 고객 메시지를 받으면 다음 6단계를 순차적으로 실행합니다.

Step 1: 의도 파악

목표: 고객 메시지가 어떤 시나리오에 해당하는지 판단

방법:

_index.md 읽기
시나리오 목록에서 trigger_keywords 확인
LLM이 고객 메시지와 가장 일치하는 시나리오 선택
복수 매칭 시 priority 높은 시나리오 우선

중요: trigger_keywords는 힌트일 뿐, 최종 판단은 LLM이 문맥을 이해하여 수행.

예시:

고객: "NAPOLEON JACKET 사이즈 0 맞을까요?"
→ 시나리오: 20_01_sizing_fit_inquiries.md (priority: 1)

고객: "배송 언제 되나요?"
→ 시나리오: 20_02_shipping_tracking.md (priority: 1)

고객: "특정 인물이 착용한 제품이 뭐예요?"
→ 시나리오: 20_05_celebrity_worn_items.md (priority: 1)

출력: 선택된 시나리오 파일 경로 (예: 20_scenarios_playbooks/20_01_sizing_fit_inquiries.md)

Step 2-4: 병렬 정보 수집 (← CRITICAL)

Step 2, 3, 4는 병렬로 동시 실행하여 응답 속도를 높입니다.

Step 2: 상품 식별

목표: 고객이 언급한 상품 정보 찾기

방법:

30_products/ 디렉터리에서 Grep 검색
검색 키워드: product_id, 상품명, 카테고리
일치하는 제품 파일 읽기

예시:

고객: "NAPOLEON JACKET 네이비 사이즈 0"
→ Grep: "NAPOLEON" in 30_products/*.md
→ 찾음: 30_products/2026SS/PRODUCT_NAPOLEON_JACKET.md
→ 읽기: product_id, 사이즈 표, 소재 정보

상품 미식별 시:

카테고리 기반 범용 응답 (예: "코트" 카테고리 일반 안내)
또는 고객에게 상품명 재확인 요청

출력: 상품 파일 경로 또는 null (미식별)

Step 3: 이슈 확인

목표: 해당 상품에 Known Issue가 있는지 확인

방법:

25_known_issues_current/ 디렉터리에서 Grep
검색 키워드: Step 2에서 찾은 product_id
활성 이슈(status: active) 필터링

예시:

product_id: SNYDER_WIDE_DENIM
→ Grep: "SNYDER_WIDE_DENIM" in 25_known_issues_current/*.md
→ 찾음: 25_known_issues_current/25_05_snyder_shipping_delay.md
→ 이슈 존재 → 이슈 스크립트 우선 적용

이슈 존재 시:

이슈 파일의 customer_facing_script 섹션 사용
시나리오 스크립트보다 우선 적용

출력: 이슈 파일 경로 또는 null (이슈 없음)

Step 4: 보강 정보 수집

목표: 응답을 풍부하게 만들 추가 정보

방법:

스타일링 정보: 26_styling_upsell_cross_sell/ 확인
- 크로스셀 기회 (예: "이 코트랑 잘 어울리는 바지")
- 룩북 추천
소재/케어 정보: 35_kb_material_and_care/ 확인
- 소재 특성
- 케어 가이드

예시:

상품: 아우터 카테고리 상품
→ 26_styling_upsell_cross_sell/ 내부 스타일링 레퍼런스 파일 읽기
→ 관련 스타일 조합 및 퍼블릭 링크 후보 확인
→ 35_kb_material_and_care/35_01_fabric_type_guide.md 읽기
→ 울 케어 팁 발견

응답에 추가:
"이 룩 추천드립니다: [룩북 링크]
울 소재 케어 방법: [케어 가이드 링크]"

출력: 보강 정보 파일 경로 리스트

Step 5: 링크 준비

목표: 고객에게 제공할 퍼블릭 URL 수집

방법:

40_public_content_links/ 디렉터리 확인
관련 URL 테이블에서 링크 추출

링크 유형:

파일	링크 유형
`40_01_celebrity_influencer_landing_pages.md`	셀럽 착용 룩 퍼블릭 페이지
`40_02_lookbook_and_shop_the_look_pages.md`	룩북, Shop the Look
`40_03_public_care_guide_pages.md`	소재 케어 가이드

예시:

시나리오: 셀럽 착용 문의
→ 40_01에서 Grep: product_id 또는 스타일 ID
→ 찾음: PUB-001 "미니멀 코트 룩" URL
→ 응답에 포함: "이 스타일링은 여기서 확인하세요: [URL]"

URL이 (URL 미정)인 경우:

"곧 공개 예정입니다. 이메일로 안내 받으시겠어요?"

출력: URL 리스트

Step 6: 채널 룰 적용

목표: 현재 고객이 사용 중인 채널에 맞게 응답 조정

방법:

50_channel_guides/ 디렉터리에서 현재 채널 파일 읽기
채널별 톤, 길이, 금지 사항 적용

채널별 규칙:

채널	파일	핵심 규칙
이메일	`50_01_email_templates.md`	정중한 톤, 서명 포함, 단락 구분
채널톡	`50_02_channeltalk_chat_guide.md`	최대 3문장, 간결, 이모지 최소
인스타그램	`50_03_instagram_dm_and_comments.md`	공개성 주의, 채널톡 유도
마켓플레이스	`50_04_marketplace_specific_notes.md`	플랫폼 규칙 준수, 자사몰 유도 금지

예시:

채널: 채널톡
→ 50_02 읽기
→ 응답 최대 3문장으로 제한
→ 이모지 ✅ 추가
→ 링크 1개만 포함

최종 응답:
"키 168cm 기준으로 사이즈 0 추천드립니다 ✅
사이즈 차트: [링크]
다른 문의 있으시면 말씀해주세요 😊"

출력: 채널 규칙이 적용된 최종 응답 초안

채널/맥락 규칙 (CRITICAL)

AI 에이전트는 채널 맥락에 따라 다음 규칙을 적용합니다.

1. 특정 인물 실명/식별자 안내 규칙

공개/마케팅 맥락 (절대 금지):

불특정다수 노출 콘텐츠(공지, 댓글, 브로드캐스트, 캠페인 문구)에서 실명 언급 금지
내부 코드/비공개 식별자 언급 금지

1:1 CS 맥락 (조건부 허용):

고객이 먼저 특정 인물을 언급해 확인 요청
공식 공개 링크/콘텐츠로 근거 확인 가능
사실형 문장으로만 답변 (홍보성 과장 금지)

권장 응답:

문의하신 스타일은 공개된 콘텐츠 기준으로 확인 가능한 룩입니다.
정확한 제품 구성은 아래 공식 링크에서 확인해 주세요: [퍼블릭 랜딩 페이지 링크]

2. 체형 평가 표현

금지:

"날씬하세요", "뚱뚱하세요"
"마른 체형", "통통한 체형"
"살이 많으시면", "체형이 작으시면"

올바른 대안:

"키 {{키}}cm, 가슴둘레 {{가슴둘레}}cm 기준으로 {{사이즈}}를 추천드립니다."

3. 단정적 약속

금지:

"100% 내일 도착합니다"
"절대 불량 없습니다"
"무조건 환불됩니다"

올바른 대안:

"내일 도착 예정입니다. 배송 상황에 따라 다소 변동될 수 있습니다."
"제품 검수 후 환불 진행됩니다."

4. `_config.yaml`의 `forbidden_terms` 참조

위치: _config.yaml → forbidden_terms 섹션

예시:

forbidden_terms:
  - "내부 코드명"
  - "비공개 식별자"
  - "뚱뚱"
  - "날씬"
  - "100% 보장"

AI 에이전트는 이 리스트를 응답 생성 전 검증에 사용하며,
실명 관련 검증은 채널 맥락(공개 vs 1:1 CS) 조건과 함께 판단합니다.

에스컬레이션 규칙

AI 에이전트가 다음 상황에서 자동 에스컬레이션:

1. Confidence 낮음 (< 50)

{
  "draft": "죄송하지만 정확한 답변이 어려워 담당자가 확인 후 안내드리겠습니다.",
  "confidence": 35,
  "escalate": true,
  "reason": "Low confidence - complex sizing question"
}

2. 악성 고객 감지

트리거:

욕설, 폭언 포함
법적 위협 ("소송", "신고")
반복적인 악성 문의

응답:

담당자가 직접 연락드리도록 하겠습니다.
이메일 주소 또는 연락처를 남겨주시겠어요?

3. 복잡한 불량 케이스

트리거:

불량 사진 첨부 필요
판단 어려운 불량 (주관적 품질 이슈 등)
고액 상품 불량

응답:

사진 보내주시면 담당자가 직접 확인 후 안내드리겠습니다.

4. VIP 고객 중요 문의

트리거:

고객 등급이 VIP
특별 요청 (선물 포장, 급한 배송 등)

응답:

{{고객명}}님, VIP 전담 담당자가 직접 도와드리겠습니다.
잠시만 기다려주세요!

출력 포맷 (JSON)

AI 에이전트는 응답을 다음 JSON 형식으로 출력합니다.

{
  "draft": "고객에게 보낼 응답 초안 텍스트",
  "confidence": 85,
  "sources": [
    "20_scenarios_playbooks/20_01_sizing_fit_inquiries.md",
    "30_products/30_01_wool_single_coat.md",
    "40_public_content_links/40_02_lookbook_and_shop_the_look_pages.md"
  ],
  "escalate": false,
  "tags": ["#사이즈문의"],
  "channel": "channeltalk",
  "product_id": "SNYDER_WIDE_DENIM",
  "scenario": "sizing_fit"
}

필드 설명

필드	타입	설명
`draft`	string	최종 응답 초안 (채널 룰 적용 완료)
`confidence`	int (0-100)	응답 정확도 신뢰도 (50 미만 시 에스컬레이션)
`sources`	array	참조한 KB 파일 경로 리스트
`escalate`	boolean	에스컬레이션 필요 여부
`tags`	array	채널톡 태그 (자동 추가용)
`channel`	string	현재 채널 (email, channeltalk, instagram, musinsa, 29cm)
`product_id`	string	식별된 상품 ID (미식별 시 `null`)
`scenario`	string	적용된 시나리오 ID (20_01 → `sizing_fit`)

Confidence 계산 기준

AI 에이전트는 다음 요소로 confidence 점수를 산출:

요소	배점
시나리오 일치	30점
상품 식별 성공	20점
이슈 확인 완료	10점
보강 정보 존재	10점
링크 제공 가능	10점
채널 룰 적용 완료	20점

예시:

시나리오 일치 (30) + 상품 식별 (20) + 이슈 없음 (0) + 보강 정보 (10) + 링크 (10) + 채널 룰 (20)
= 90점 → confidence: 90

에스컬레이션 기준:

< 50: 자동 에스컬레이션
50-70: 인간 검토 권장
> 70: 인간 검토 후 바로 전송 가능

예외 처리

1. KB 파일 누락

상황: 시나리오 파일이 존재하지 않음

처리:

{
  "draft": "담당자 확인 후 안내드리겠습니다.",
  "confidence": 0,
  "escalate": true,
  "reason": "Missing scenario file: 20_XX.md"
}

2. 상품 미식별

상황: 고객이 언급한 상품을 KB에서 찾을 수 없음

처리:

"어떤 상품을 말씀하시는지 정확히 알려주시겠어요?
상품명 또는 링크를 보내주시면 바로 확인해드릴게요!"

3. 복수 시나리오 매칭

상황: 고객 메시지가 2개 이상 시나리오에 해당

처리:

priority 높은 시나리오 우선
동일 우선순위 시 문맥 판단 (LLM)

예시:

고객: "코트 사이즈 안 맞아서 교환하고 싶어요"
→ 시나리오 1: 20_01_sizing_fit_inquiries.md (priority: 1)
→ 시나리오 2: 20_04_exchanges_returns.md (priority: 1)
→ LLM 판단: "교환" 키워드 강함 → 20_04 선택

성능 최적화

1. 병렬 처리 (Step 2-4)

Step 2 (상품 식별), Step 3 (이슈 확인), Step 4 (보강 정보)를 동시 실행
총 탐색 시간 단축

2. 캐싱

자주 참조되는 파일 (예: _index.md, _config.yaml) 캐싱
동일 세션 내 반복 읽기 방지

3. Grep 최적화

전체 파일 읽기 대신 Grep으로 필터링 후 필요 파일만 읽기

인간 CS 담당자와의 협업

1. 초안 검토 프로세스

1. AI 에이전트가 JSON 응답 생성
2. 채널톡 UI에 "AI 초안" 표시
3. 인간 CS 담당자가 검토:
   - confidence > 70: 바로 전송
   - confidence 50-70: 수정 후 전송
   - confidence < 50: 직접 작성
4. 전송 후 피드백 (좋음/나쁨) → AI 학습

2. 피드백 루프

피드백 수집:

인간 CS가 AI 초안을 수정한 경우: 수정 내용 기록
고객 만족도 (CSAT) 연동

AI 학습:

수정 패턴 분석 → 향후 응답 개선
낮은 confidence 시나리오 → KB 보강 제안

버전 관리

버전	날짜	변경 사항
1.0	2026-02-14	초기 작성 (Phase 1)
1.1	2026-02-15	실제 제품/시스템명으로 예시 업데이트

이 문서는 AI 에이전트 통합의 핵심입니다. 모든 변경 사항은 CS 팀 리드 승인 후 적용하세요.

목적​

6-Step KB 탐색 파이프라인​

Step 1: 의도 파악​

Step 2-4: 병렬 정보 수집 (← CRITICAL)​

Step 2: 상품 식별​

Step 3: 이슈 확인​

Step 4: 보강 정보 수집​

Step 5: 링크 준비​

Step 6: 채널 룰 적용​

채널/맥락 규칙 (CRITICAL)​

1. 특정 인물 실명/식별자 안내 규칙​

2. 체형 평가 표현​

3. 단정적 약속​

4. _config.yaml의 forbidden_terms 참조​

에스컬레이션 규칙​

1. Confidence 낮음 (< 50)​

2. 악성 고객 감지​

3. 복잡한 불량 케이스​

4. VIP 고객 중요 문의​

출력 포맷 (JSON)​

필드 설명​

Confidence 계산 기준​

예외 처리​

1. KB 파일 누락​

2. 상품 미식별​

3. 복수 시나리오 매칭​

성능 최적화​

1. 병렬 처리 (Step 2-4)​

2. 캐싱​

3. Grep 최적화​

인간 CS 담당자와의 협업​

1. 초안 검토 프로세스​

2. 피드백 루프​

관련 문서​

버전 관리​

목적

6-Step KB 탐색 파이프라인

Step 1: 의도 파악

Step 2-4: 병렬 정보 수집 (← CRITICAL)

Step 2: 상품 식별

Step 3: 이슈 확인

Step 4: 보강 정보 수집

Step 5: 링크 준비

Step 6: 채널 룰 적용

채널/맥락 규칙 (CRITICAL)

1. 특정 인물 실명/식별자 안내 규칙

2. 체형 평가 표현

3. 단정적 약속

4. `_config.yaml`의 `forbidden_terms` 참조

에스컬레이션 규칙

1. Confidence 낮음 (< 50)

2. 악성 고객 감지

3. 복잡한 불량 케이스

4. VIP 고객 중요 문의

출력 포맷 (JSON)

필드 설명

Confidence 계산 기준

예외 처리

1. KB 파일 누락

2. 상품 미식별

3. 복수 시나리오 매칭

성능 최적화

1. 병렬 처리 (Step 2-4)

2. 캐싱

3. Grep 최적화

인간 CS 담당자와의 협업

1. 초안 검토 프로세스

2. 피드백 루프

관련 문서

버전 관리