找工具

把 OpenAI 模型能力接進自家系統的介面，按使用量計費；也提供 Embedding 等非對話用途。

不適合資料完全不能離開公司、需要離線運作、沒有工程資源的團隊

用一個 API 存取數百個不同供應商的模型，不必為每家各接一次。

不適合對資料流向要求極嚴的場合（多一層中介）、不需要多模型的單純應用

開源文字辨識工具包，把圖片、掃描檔、PDF 上的文字轉成可編輯文字，也能解析表格與版面。

不適合潦草手寫、需要理解文件語意而不只是抓字、沒有工程人力的團隊

文件 OCR 模型，除了認字還做版面分析、閱讀順序與表格結構，官方說明支援 90 種以上語言。

不適合⚠️ 營收或募資超過門檻卻沒買商業授權的公司、只要抓幾行字的簡單需求、沒有 GPU 的環境

把各種文件轉成結構化格式的開源工具，專門用來當 AI 讀文件前的前處理。IBM Research 起始，現由 LF AI & Data 基金會託管。

不適合只要抓幾行字的簡單需求、沒有工程人力的團隊

把語音轉成文字的開源模型，可自行下載在自己的機器上跑，支援多國語言。

不適合沒有工程人力的團隊（這是模型不是產品）、需要分辨誰在講話（要另外接語者分離）、即時逐字稿

開源的語者分離工具：回答「這段話是誰說的」，可與 Whisper 這類轉寫模型搭配。

不適合只需要純逐字稿的場合、高度重疊交談或音質很差的錄音、沒有工程人力的團隊

可自行架設的流程自動化平台，功能類似 Zapier，但可以裝在自己的伺服器上。

不適合沒有人能維護伺服器的團隊、⚠️ 想把它包成自己的服務轉賣給客戶

開源的流程自動化平台，定位是 Zapier 的開源替代，可自架且支援 AI 與 MCP。

不適合完全沒有技術人力的團隊、需要成熟商業支援的關鍵流程

在影像或影片中即時找出物件位置與類別的模型系列，工業瑕疵檢測最常見的選擇之一。

不適合⚠️ 沒有預算買企業授權、又不打算開源自家系統的商用專案、沒有標註人力的團隊

Transformer 架構的即時物件偵測模型（CVPR 2024），官方主張在即時偵測上勝過 YOLO 系列。

不適合需要大量現成教學與社群支援的新手團隊、沒有 GPU 的環境、沒有標註資料的冷啟動

把影像中的物件切出精確的逐像素輪廓，可用點或框當提示，也能自動分割整張圖。

不適合只需要知道有沒有或在哪裡的需求、運算資源有限的邊緣裝置

工業視覺異常偵測的開源函式庫，收錄多種最新演算法，支援邊緣部署與 OpenVINO 最佳化。

不適合異常樣本充足、定義明確的分類問題、無法容忍誤報的場合、沒有工程人力的團隊

嵌在程式裡就能跑的分析型資料庫，可以直接用 SQL 查 CSV 與 Parquet 檔，不用架伺服器。

不適合多人同時寫入的交易型系統、完全不會 SQL 的使用者、需要即時串流處理

讓不會寫 SQL 的人也能查資料、做儀表板的 BI 工具，可自架。

不適合⚠️ 想把它嵌進自家產品賣人卻沒看清授權的情況、只有自己一個人分析（DuckDB 更輕）

在自己電腦上跑開源模型的工具。官方訴求是本機執行的內容不會離開你的機器。

不適合硬體不足的機器、需要最強模型能力的正式服務、不懂技術的一般使用者

把大型語言模型服務化的高效能推論框架，源自 UC Berkeley，現由社群維護。

不適合只是想試玩模型的階段（用桌面工具就好）、沒有維運人力的團隊

開放 AI 模型與資料集的平台，官方說明託管超過 200 萬個模型、150 萬個資料集與 150 萬個應用。

不適合不懂技術的一般使用者直接使用、把它當成單一 AI 產品

在終端機裡跟 AI 結對寫程式的開源工具，會直接改檔案並自動 git commit。

不適合完全不熟 git 的人（它的安全網就是 git）、不想讓 AI 直接動檔案的場合

在 IDE 裡跑的開源 AI 編碼代理，能讀專案結構、跨檔案改碼、執行指令，有 Plan／Act 兩種模式。

不適合不想讓 AI 執行指令的環境、沒有版本控制的專案

開源權重的生圖模型系列，但**不同版本授權完全不同**——schnell 可商用，dev 系列不行。

不適合⚠️ 商用專案誤用 dev 版本、沒有 GPU 的環境、只是偶爾要一張圖的人

用節點圖組生圖工作流的開源介面，可本機離線執行；它是介面，不是模型。

不適合只想快速生一張圖的人（節點圖學習曲線陡）、沒有 GPU 的環境

阿里巴巴的開源大型語言模型系列，權重採 Apache-2.0，是商用授權最單純的選擇之一。

不適合沒有 GPU 或推論預算的團隊、需要最前沿推理能力的場合（仍以閉源旗艦為主）

Meta 的開放權重模型系列，生態最大，但**授權是自訂條款不是標準開源**，有三條硬性商用義務。

不適合⚠️ 月活躍使用者超過 7 億又沒申請授權的公司、不想在產品上標示「Built with Llama」的場合、衍生模型不想被要求以 Llama 命名的情況

Google 的開放權重模型系列，輕量、可在較小硬體上跑，但採自訂使用條款而非 OSI 開源授權。

不適合⚠️ 不想受禁用政策與下游傳遞義務約束的產品、需要標準開源授權以簡化法遵的場合

向量資料庫：專門存放「意思的數值表示」並快速找出相似項目，是語意搜尋與 RAG 的儲存層。

不適合資料量小的場合（用 pgvector 或檔案就夠）、沒有工程人力的團隊

讓現有的 PostgreSQL 直接做向量相似搜尋的擴充套件——**不用另外架一套向量資料庫**。

不適合超大規模、對延遲極敏感的向量檢索、沒有在用 PostgreSQL 的環境

把自己的資料接給 LLM 的開發框架：資料連接、索引、查詢一整套，是做 RAG 最常見的骨架之一。

不適合不寫程式的使用者（那用 NotebookLM 這類現成服務）、只有幾份文件的簡單需求

產生 Embedding（把文字變成可比較的數值）與重排序的標準函式庫，官方說明可用超過 15,000 個現成模型。

不適合直接回答問題（那是 LLM 的工作）、沒有工程人力的團隊

Whisper 的高效能重實作，官方標示速度最高快 4 倍且更省記憶體，準確度相當。

不適合沒有工程人力的團隊、需要語者分離（要另接 pyannote）

本機執行的神經網路語音合成系統，把文字念出來，速度快、可離線。

不適合要求接近真人情感表現的商業配音、需要即時語音複製特定人聲的場合

時序預測的統計模型函式庫（AutoARIMA、AutoETS 等），官方宣稱比 Prophet 快 500 倍。

不適合結構性斷裂的情境（疫情、政策改變）、資料太短或太零散、把預測當成保證的用法

Meta AI 的電腦視覺函式庫，涵蓋物件偵測、實例分割、全景分割與姿態估計。

不適合只要單一偵測任務的簡單需求（用更輕的方案）、沒有 GPU 與 ML 工程能力的團隊

電腦視覺的周邊工具包：把模型輸出畫成標註、做追蹤計數、轉換資料集格式，與模型無關。

不適合它不是模型，不會自己辨識任何東西、不寫程式的使用者

開源的資料標註平台，支援影像、文字、音訊、影片與時序資料——訓練模型前最花人力的那一段。

不適合不打算訓練模型的團隊、只有幾十筆資料的小專案（用試算表就好）

讓微調 LLM 更省資源的工具，官方宣稱訓練快 2 倍、VRAM 少 70%，可在單張消費級顯卡上跑。

不適合還沒試過提示詞與 RAG 就想微調的專案、沒有標註資料的情況、沒有 GPU 的環境

評估 RAG 與 LLM 應用品質的工具：用客觀指標和自動產生的測試題，取代「感覺還不錯」。

不適合還沒有系統可評估的階段、不寫程式的使用者

LLM 應用的觀測平台：把每一次呼叫的輸入輸出、成本、延遲記錄下來，並支援提示詞版本管理與評估。

不適合還在原型階段的專案、沒有工程人力的團隊

開源的個資偵測與去識別化工具：在文字、圖片與結構化資料裡找出姓名、電話、卡號等敏感資訊並遮蔽。

不適合⚠️ 當成唯一的個資防線（官方明說不保證找出全部）、沒有工程人力的團隊

自架的 AI 對話介面，可接 Ollama 本機模型或 OpenAI 相容 API，能完全離線運作。

不適合⚠️ 想移除品牌標示的商業部署、沒有維運人力的團隊

最普及的監控與儀表板工具，可接各種資料源做即時視覺化與告警。

不適合⚠️ 要嵌進對外商業產品又沒評估授權的情況、純粹做商業分析報表（BI 工具更合適）

完全自架的開源機器翻譯 API，可離線運作，不必把內容送到 Google 或 Azure。

不適合⚠️ 要嵌進對外商業服務又沒評估 AGPL 的情況、追求最高翻譯品質的場合（商業引擎通常較好）

可自架的聚合搜尋引擎：把多家搜尋結果合併呈現，且不追蹤、不側寫使用者。

不適合⚠️ 對外商業服務又沒評估 AGPL、需要穩定商業支援的關鍵應用

持久化工作流引擎：讓跨越數天、會失敗、要重試的流程能可靠地跑完，狀態不會因為重啟而遺失。

不適合簡單的定時任務（cron 就夠）、沒有工程人力的團隊、只是要串兩個 SaaS（Zapier 類更快）

Python 的資料工作流編排工具：排程、重試、快取、事件觸發，把腳本升級成能上線的流程。

不適合不寫 Python 的團隊、單純兩個系統串接（Zapier 類更快）

做 AI Agent 的編排框架：支援持久化執行、狀態記憶、以及在流程中插入人工確認。

不適合單次問答就結束的需求（直接呼叫模型就好）、不寫程式的團隊、還沒試過寫死流程（Workflow）就想上 Agent

多 Agent 協作框架：用角色分工的方式讓多個 AI 代理人一起完成任務，也支援事件驅動的固定流程。

不適合單一 Agent 就能做完的任務（多開只會更難驗收）、對輸出穩定性要求高的正式流程

把 60 種以上格式的文件轉成結構化資料的開源函式庫，常用在 RAG 的前處理。

不適合只有幾份 PDF 的簡單需求、不寫程式的團隊

把 PDF、圖片、Office 檔轉成 Markdown 與 JSON 的文件解析引擎，公式轉 LaTeX、表格轉 HTML，官方說明支援 109 種語言 OCR。

不適合只要抓幾行字的簡單需求、沒有工程人力的團隊（雖有桌面版）

以 Rust 寫成的高效能資料處理引擎，官方說明串流模式下「有機會在筆電上處理 250GB 的資料集」。

不適合不寫程式的使用者、小資料（pandas 或試算表就夠）

Apache 基金會的資料探索與視覺化平台，可用無程式介面或 SQL 編輯器建圖表與儀表板。

不適合小團隊只要看幾張圖（Metabase 上手更快）、沒有維運人力的團隊

設計成「最容易開始」的向量資料庫，可以嵌在程式裡跑，也能當伺服器用。

不適合超大規模、高併發的正式環境、已經在用 PostgreSQL 又不想多一套系統（用 pgvector）

用 Markdown 寫簡報的開源工具，內建程式碼高亮、數學式、Mermaid 圖表，可匯出 PDF／PPTX。

不適合需要精細視覺設計的行銷簡報、不熟 Markdown 的使用者

影像模型的標準函式庫，收錄 ResNet、ViT、EfficientNet、ConvNeXt、Swin 等上百個架構與預訓練權重。

不適合⚠️ 直接把預訓練權重用在商業產品卻沒確認權重授權、不寫程式的團隊

視覺化的 LLM 應用開發平台：工作流、RAG 管線、Agent、模型管理與觀測一整套，可自架。

以「深度文件理解」為賣點的開源 RAG 引擎：切塊方式可視化、引用可追溯，也支援 Agent。

不適合硬體不足的環境（官方建議 4 核／16GB／50GB 起）、沒有維運人力的團隊

視覺化拖拉建 AI Agent 流程的工具。⚠️ 官方 repo 已於 2026-08-13 封存。

不適合⚠️ 新專案（上游已封存，不宜當長期基礎）、需要持續安全更新的正式環境

開源影片生成模型，支援文生影片、圖生影片與語音驅動；官方明說不主張你產出內容的權利。

不適合沒有 GPU 的環境、需要電影級精細控制的專業製作、不寫程式的使用者

騰訊的開源影片生成模型（130 億參數以上）。⚠️ 授權在歐盟、英國、南韓不適用。

不適合⚠️ **在歐盟、英國或南韓營運的公司或使用者**、⚠️ 月活躍使用者超過 1 億的產品（要另外申請）、硬體不足的環境

主打速度的開源影片生成模型，官方稱可產出最高 4K／50 FPS 並同步生成音訊。

不適合低階顯卡的環境（官方以 H100 為主）、需要精細分鏡控制的專業製作

開源影片生成模型，支援文生影片、圖生影片與影片續寫；**程式與權重授權依版本不同**。

不適合⚠️ 直接商用 5B 版卻沒讀專屬授權的情況、需要長片段輸出的場合（預設約 5–10 秒）

最普及的開源生圖模型之一，生態與教學資源最豐富，周邊工具（LoRA、ControlNet）最齊全。

不適合需要最新一代畫質的專案（FLUX 等較新）、沒有 GPU 的環境

開源語音合成模型，支援零樣本語音複製與多語者生成。⚠️ 程式是 MIT，但**預訓練權重是非商用授權**。

不適合⚠️ 直接拿官方預訓練權重做商用產品、需要穩定商業支援的正式服務

自架軟體與網路服務的權威清單：想把服務放在自己伺服器上時，先來這裡找有什麼選擇。

不適合⚠️ 當成產品目錄直接照用（它是清單不是評測）、沒有維運能力的團隊——自架的成本在人不在授權費