找工具

通用型 AI 助理，擅長讀長文件、寫作與分析；商用方案有獨立的資料政策。

不適合需要完全離線的場合、需要每次輸出完全一致的流程、精準數值計算

把你上傳的文件當成唯一資料來源回答問題，答案會標出處。

不適合資料會一直變動的正式知識庫（要重新上傳）、需要串進自家系統的自動化、回答文件以外的一般問題

Google 的通用型 AI 助理，與 Google 帳號和 Workspace 整合。

不適合高度機密資料（個人帳號有人工審閱機制）、需要離線或本機部署

整合在 Word、Excel、Outlook、Teams 裡的 AI 助理，依你在公司既有的檔案權限回答。

不適合個人使用者（授權以組織為單位）、沒有整理過權限的公司、需要完全離線

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

把不同雲端服務串起來的自動化平台：某件事發生時，自動去另一個系統做一件事。

不適合地端系統、沒有 API 的老舊系統、量大的場合（按次計費成本上升快）

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）

免費的文獻管理工具：蒐集、整理、註記、引用研究資料。

不適合取代 AI 摘要或閱讀（它管的是出處不是理解）、非學術的一般網頁收藏

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

開源圖示集，官方說明約 6,184 個（5,130 線條、1,054 填色）。

不適合需要品牌獨特識別的場合、需要具象插畫

開源圖示集，官方說明提供 1,600 個以上的 SVG 向量檔。

不適合需要填色或立體風格、需要品牌獨特識別

Google 官方圖示集，Android 與 Google 產品的視覺語言。

不適合想跟 Google 產品不同調性的品牌、需要插畫感的場合

免費字型庫，可線上引用也可下載自架，含多套中文字型。

不適合需要獨家授權字型的品牌識別、沒確認個別字型授權就大量改造

免費圖庫，可商用，不需標註出處。

不適合⚠️ 販售未經大幅修改的原圖、⚠️ 蒐集大量圖片做競爭的圖庫服務、需要獨家沒人用過的視覺

免費圖片與影片庫，可商用，不需標註出處。

不適合⚠️ 把未修改的圖印成海報或商品販售、⚠️ 用人物照暗示代言、⚠️ 拿圖片註冊商標

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

台灣政府各機關的開放資料集入口，可免費取用並用於商業產品，但**必須標示出處**。

不適合需要即時或高頻更新資料的服務（更新頻率依機關而異）、需要保證資料正確性的關鍵應用

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