社群海巡神器：讓 AI 自己去巡、自己判讀、自己回報
Threads 冒出冒名帳號、IG 貼文圖片裡藏著競品促銷價——現有監測工具只追文字，圖片裡的資訊全漏。我們用 AI Agent + MCP + 多模態模型，做了一套跨平台的社群貼文自動巡檢架構。
社群海巡神器：讓 AI 自己去巡、自己判讀、自己回報
你的品牌名稱出現在 Threads 上。不是顧客推薦，是一個帳號用你的品牌名開團購，賣的卻是來路不明的商品。同一天，IG 上有人貼了一張圖——競品的促銷海報，價格直接砍到你的成本價以下。
你訂閱的社群監測工具都沒有發出警報。一個是因為 Threads 太新，工具還沒支援；另一個是因為價格資訊藏在圖片裡，文字監測根本看不到。
社群上的資訊有一大半藏在圖片裡，光靠文字監測等於只看到冰山一角。
果友科技做了一套不同的架構。我們讓 AI Agent 自己去各社群平台巡邏貼文、自己讀圖判文、自己產出結構化報告。使用者只要設定「去哪些平台巡」和「找什麼」，Threads、IG、Facebook 的公開貼文都能跑。
現有監測工具的三個結構性盲區
不管是國際大廠還是台灣在地的口碑監測服務，都卡在同樣的地方：
-
新平台追不上。 Threads 2023 年上線，到現在多數監測工具的支援還很粗糙。每次有新平台崛起，工具廠商就得花幾個月去串 API 或開發爬蟲。空窗期裡，品牌在新平台上是裸奔的。
-
圖片看不懂。 85% 的社群圖片沒有被任何文字標記。仿冒品的商品照、競品的促銷海報、KOL 的開箱圖，資訊全在圖片裡。傳統工具只做文字監測，頂多加個 Logo 辨識，但對海報內嵌文字、價格標籤、版面配置的語意理解都無能為力。
-
語意抓不準。 「CP 值超高」是推薦還是反諷？Threads 上的「真心不騙」到底是不是在騙？台灣社群用語混合諧音、迷因、反串，國際工具的情緒分析在實際環境下準確率經常從測試時的 96% 掉到 75%。
為什麼現在做得到
兩項技術在過去一年成熟了，讓這件事變得可行。
多模態大型語言模型同時具備「看圖」和「讀文」的能力。它不是 OCR，它能理解一張促銷海報的版面設計，區分品牌名稱和活動贊助商，看懂「限時特價 $299」跟旁邊小字「原價 $1,200」的位置關係。同一張圖裡出現三組數字，它分得清哪組是售價、哪組是獎金、哪組是電話號碼。
MCP（Model Context Protocol） 是讓 AI 模型直接呼叫外部工具的開放協定。透過 MCP 串接企業級代理網路，AI Agent 可以像使用工具箱一樣，自主操作瀏覽器、擷取網頁內容，不需要為每個平台寫死爬蟲腳本。今天巡 Threads，明天加 IG，換一個 MCP 工具就好，Agent 的判讀邏輯完全不用改。模型也一樣，新一代多模態模型幾個月就出一輪，架構預留了替換接口，隨時跟上最新的視覺理解能力。
兩者結合，巡檢流程就能變成一條產線：設定規則 → 自動蒐集 → AI 判讀 → 結構化產出。
架構設計
第一層：蒐集——AI 自己去巡
蒐集交給 AI Agent，透過 MCP 串接企業級代理網路服務。蒐集策略分兩階段：
精準定位。 使用者設定關鍵字（品牌名、產品型號、競品名稱）、指定平台範圍和時間區間，Agent 透過搜尋引擎自動定位符合條件的公開貼文。不是全網海撈，而是標靶搜尋——鎖定特定帳號、hashtag 或討論區，效率比漫無目的地巡高出一個數量級。
深度採集。 定位到目標貼文後，Agent 同步擷取三組資料：
- 貼文文字內容
- 附件圖片（自動下載）
- 貼文中的外部連結（自動跳轉擷取目標網頁內容）
如果一則貼文只放了一個電商連結，Agent 會自動追蹤過去，把商品頁的標題、價格、賣家資訊一併抓回來分析。一則貼文的完整含義可能散落在內文、附圖和外連三個地方，少讀任何一塊都可能誤判。
第二層：判讀——不只讀字，還要讀懂圖
蒐集到的資料進入 AI Agent 的判讀流程：
資訊正規化。 圖片透過多模態模型轉為結構化描述（不是 OCR 轉文字，而是理解這張圖「在講什麼」）；外部連結內容轉為 Markdown；所有來源融合成單一上下文（Data Fusion），避免斷章取義。
跨模態交叉比對。 貼文內文寫一套，附圖講另一套，社群上太常見了。文字寫「正品現貨」，但圖片裡的包裝明顯不對。系統同時解析文字與圖片，自動合併矛盾或互補的資訊再做判斷。
規則引擎 + 語意推論。 使用者定義巡檢規則（如「是否使用我方品牌素材」「售價是否低於市價五折」「是否包含特定風險用語」），AI 做語意層級的判讀。「私訊詢價」「歡迎小窗」這類刻意迴避公開資訊的用語，不會被漏掉，因為 AI 理解這些語句在特定情境下的含義。
結構化產出。 每則巡檢結果生成 JSON 格式報告，包含來源 URL、擷取時間戳記、截圖、AI 分析摘要、風險分類標記，寫入資料庫形成可追溯紀錄。
第三層：人機協作——AI 篩選，人來拍板
AI 不會 100% 正確。系統設計了 Human-in-the-loop 機制：巡檢人員透過 Dashboard 檢視 AI 判讀結果與截圖，一鍵確認或排除。回饋自動記錄，用於 Prompt 微調，AI 越巡越準。
Dashboard 也能一鍵匯出報表，直接對接後續的檢舉、法務或行銷決策流程。
設計取捨
| 設計決策 | 我們的選擇 | 為什麼 |
|---|---|---|
| 資料蒐集 | 企業級代理網路 + MCP | 不依賴平台 API，新平台上線即可擴充 |
| 圖片判讀 | 多模態 LLM | 理解版面和語意，不只是轉文字 |
| 平台擴充 | MCP 工具抽換 | 加新平台不需改判讀邏輯 |
| 模型選擇 | 保留彈性替換接口 | LLM 兩三個月一個世代，不綁死特定模型 |
| 部署 | AWS 雲原生容器化 | 可擴展，也能遷移至地端 |
| 人工回饋 | Human-in-the-loop | 人機協作比追求全自動務實 |
預期效果
這套架構的設計目標：
- 每月自動處理 750+ 則貼文深度巡檢，跨平台同步執行
- AI 判定精準率 > 70%（以人工標註測試集驗證）
- 語意分類正確率 > 90%（正確區分目標貼文與無關雜訊）
- 每則結果含完整證據鏈（來源、截圖、時間戳記、分析報告），可直接用於檢舉或法務
核心價值：AI 負責大範圍篩選，人專注在真正需要判斷的案件上。
誰需要社群海巡
架構是通用的，差異只在巡檢規則。除了違規糾察，行銷與社群營運也有很多場景用得上：
品牌保護與合規
- 監測各平台上的仿冒品與冒名帳號，自動產出含截圖的檢舉證據包
- 掃描社群商品貼文是否符合法規（食品標示、療效宣稱、金融警語）
- 監測經銷商的貼文是否符合品牌規範（用錯素材、擅改定價、誇大宣傳）
社群營運與小編日常
- 品牌提及即時偵測：粉絲在社群發文提到品牌名或產品，系統自動通知小編，第一時間回覆互動，不再漏接口碑
- 潛在客戶追蹤：有人在討論區發文問「有沒有推薦的 XX」，AI 判讀語意後標記為潛在需求，行銷團隊可以主動觸及
- 競品動態監控：追蹤競品的促銷貼文、新品發布、定價變動，週報自動生成
如果你的團隊還在手動巡社群，或者現有工具漏掉了圖片裡的關鍵資訊，歡迎帶著場景跟我們聊。
或直接聯繫專人 cy.hsu@goyo-tech.com