建立知識庫

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

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

一體式的私有 AI 應用：可裝成桌面軟體單機用，也能 Docker 自架給多人用，支援 50 種以上模型供應商。

不適合需要複雜工作流編排的場合（Dify 這類更完整）、大型組織的正式知識管理系統

內建在 Notion 工作區裡的 AI：可問工作區內的文件、寫作與整理，答案基於你既有的頁面。

不適合還沒把資料整理進 Notion 的團隊（先整理再談 AI）、需要完全離線或本機部署、把它當通用搜尋引擎用（它只看得到你的工作區）

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

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

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

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

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

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

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）

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。

不適合⚠️ 想拿它經營對外多租戶服務（授權禁止，需書面授權）、⚠️ 想做成白牌、移除品牌標示的系統、只有幾份文件的簡單需求

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

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