比較表同一件事，這幾個工具差在哪。工具名稱點下去，跳到下面的完整介紹。
自架 LLM 應用平台：Dify、RAGFlow、AnythingLLM 差在哪
都能做「上傳文件、拉個流程、變成內部 AI 助理」，但授權條件差很多，尤其你打算拿它對外提供服務時。
| Dify | RAGFlow | AnythingLLM | |
|---|---|---|---|
| 授權 | ⚠Dify 開源授權（基於 Apache 2.0 加額外條件） | Apache-2.0 | MIT |
| 額外限制 | ⚠未經書面授權不得經營多租戶環境；不得移除或修改前端 LOGO 與著作權資訊 | 無額外條件 | 無額外條件 |
| 強項 | 視覺化工作流、Agent、模型管理與觀測一整套 | 文件理解深、切塊可視化、引用可追溯 | 上手最快，有桌面版可單機用 |
| 部署 | 雲端／自架社群版／企業版 | 自架（Docker Compose） | 桌面 App／Docker 自架／各家雲 |
| 適合誰 | 要完整平台且接受品牌與多租戶限制 | 文件解析品質優先、要可追溯引用 | 個人或小團隊，想最快跑起來 |
怎麼選要做給公司內部用，三個都可以。但如果你打算拿它做成對外的多租戶服務、或想拿掉品牌做成白牌系統，Dify 的授權會擋住你——那種情況 RAGFlow 或 AnythingLLM 的標準開源授權單純得多。
工具怎麼串一個工具做不完，要前一個交給下一個。
客服先讓 AI 接：內部試答 → 定好轉真人規則 → 接上官網或通訊軟體
依據：「別人怎麼做」裡的「客服先讓 AI 接，難的轉給真人」＋案例 Expedia、Nubank
丟進 NotebookLM 讓同事問問看，答錯的就補資料。
交出去：一份補齊的問答資料退款、承諾、抱怨、答不出來的；轉過去時附上前面的對話摘要。
交出去：轉真人規則容易斷在：機器人說出口的承諾，公司一樣要負責——加拿大航空的客服機器人講錯優惠規定，裁決法庭判公司要賠。沒有真人接手的窗口，就先不要上線。
真實案例只放本站逐條查證過來源的案例；「殷鑑」是做壞的例子。
Expedia 讓 AI 在客服轉真人那一刻先寫摘要：30 多種語言，真人不用重讀整串對話
偷的是位置：把 AI 放在交接點而不是取代真人。這個機制很便宜——一段摘要提示詞加一個觸發條件——而且不管客服量是 2.5 億次還是每天 20 通，價值都在。
看完整案例 →已查證Mercado Pago 的 AI 助理一季接 900 萬則詢問，87% 沒轉真人
客服 AI 的報表至少拆成兩個數字：「沒轉真人」的比例，與「沒轉真人但三天內又來問同一件事」的比例。第二個數字才看得出 87% 裡有多少是真的解決。
看完整案例 →已查證Nubank 讓 AI 接第一線客服、給真人一個副駕：55% 由 AI 解決
把客服 AI 拆成兩個位置分開評估：前段看「第一線問題有幾成不用轉人」，後段看「真人接手後幾成直接採用建議稿」。兩個數字分開記，才知道哪一段值得加碼。
看完整案例 →已查證絲芙蘭與 Google 合作：在 Google 裡問美妝問題、組保養流程、直接結帳
值得學的是分工：搜尋、比較、結帳交給 AI，看結果、跟顧客對話的那一段留給人。小團隊也可以照做：把查規格、比價格、下單這些重複步驟自動化，諮詢與建議留給真人。
看完整案例 →已查證家得寶的 Magic Apron：顧客全天候能問的修繕助手，也規劃給店員用
值得學的是對內對外接同一個知識來源，答案才不會兩套。小團隊也可以照做：先把商品與服務說明整理成一份、審過、標好生效日，網站、客服和店員都照這一份回答。
看完整案例 →已查證亞馬遜 Alexa for Shopping：幫你比商品、看一年價格紀錄，到你設的價才下單
值得學的是讓顧客決定自動到哪一步：什麼價格才買由顧客先設好，排程的商品由顧客看過才結帳。小團隊也可以照做：自動化流程裡，付款、刪除、寄出這類動作，先留給人按確認。
看完整案例 →已查證屏東縣推「屏管家」AI 旅遊助理：起因是遊客用 ChatGPT 查到錯地址與危險祕境
通用 AI 答錯，常常不是模型笨，而是它手上沒有你的正確資料。做對外問答前，先盤點自己有哪些可信資料可以當底；上線前先算好維護要花多少錢、編幾年預算。
看完整案例 →已查證愛沙尼亞把整個政府接成一個聊天窗口——3,000 項服務，一個入口
把「多個各自為政的客服系統」整合成單一入口，價值往往不在 AI 判斷有多聰明，而在於它終結了民眾「猜自己該找誰問」的成本。
看完整案例 →已查證新加坡航空 160 個 AI 應用上線——5,600 名地勤有 5,079 人自己在用
它先把「誰在用」講清楚：5,600 名地勤中 5,079 名獨立使用者、月活躍 60% 以上。這個算法值得偷——買了幾張授權不算數，多少人真的在用才算。第二件事是 1,500 個 agent 不是 IT 做的，是員工自己做的：把工具交出去，需求就不用排隊。
看完整案例 →已查證星展銀行的 AI 客服雙軌：對外給客戶一個，對內給客服人員一個
真正該抄的是這個雙軌設計：機器負責攔下標準題，而被轉出去的那個人手上要有工具，不然轉真人只是把塞車換個地方。
看完整案例 →已查證瑞士電信零售商 mobilezone 用 Copilot Studio 做兩個 agent：對內 IT 台互動率 87%，比對外客服高
偷的是兩件事：一、答案只從自己的系統來，不上開放網路——這是防亂答最便宜的方法；二、對內先做。Supporto 互動率 87% 高於對外的 Mia（47%），因為受眾小、風險低、答錯的代價是同事再問一次。要練手，從 IT 台或 HR 常見問題開始。
看完整案例 →已查證用聊天機器人接住「錄取後卻沒來報到」的新生——隨機對照試驗量出來的成效
這類「主動關懷型」AI 應用的效益，值得用隨機對照試驗嚴謹驗證，而不是只看「用了多少次」這種使用量指標——用量高不代表真的解決了流失問題。
看完整案例 →已查證章魚能源讓 AI 回例行客戶來信：滿意度 76%，真人 72%
先寫「AI 不碰清單」再寫「AI 能回什麼」：章魚能源的清單是弱勢客戶、敏感案件、複雜申訴三項。小團隊讓 AI 擬回信前，也先列出這張清單，加上兩條規則：AI 寫的信要標示、客人一要求就轉真人。
看完整案例 →已查證肯亞 Jacaranda Health 的 AI 孕婦簡訊：緊急訊息直送護理師
先定一條「哪些話不讓 AI 回」的分流規則，命中就直接進真人佇列，並讓接手的人看得到對方之前問過什麼。客服量小的團隊也能做：列出幾類關鍵字或情境（例如退款爭議、提到受傷），一出現就轉人。
看完整案例 →已查證越南東進社 AI 服務機：機器引導民眾備件送件，預期替 5 名承辦人分擔重複工作
先挑 11 項程序試，不是把全部業務一次接上。小單位做 AI 櫃台或線上客服，也可以從「最常被問、應備文件固定」的幾項開始，並規定送件後一律進承辦人的收件匣。
看完整案例 →已查證阿布達比 TAMM 把轉真人比例攤開報：主管主張每套 AI 要有具名負責人
把「轉真人比例」當成定期公布的數字，跟交易量放在同一張表；每一套上線的 AI 系統在內部清單上寫一個負責人的名字，出事時不用開會找人。
看完整案例 →殷鑑・已查證Klarna 用 AI 客服裁掉 700 人，一年後承認「做過頭了」，重新找人回來
AI 客服的效率數字（處理量、成本）跟服務品質是兩把不同的尺，只看前者裁撤人力，後者的代價會在顧客流失與品牌信任上慢慢浮現。
看完整案例 →殷鑑・已查證加拿大稅務局 Charlie 6 題只對 2 題，真人答個人稅也只對 17%
客服（不論真人或機器人）的考核表裡，「答案正確」要有可觀的權重，並固定每月抽幾題標準題實測。拿同一組題目同時考機器人與真人，就知道錯在工具還是在制度。
看完整案例 →殷鑑・已查證澳洲最大銀行用 AI 語音客服裁員，一個月後承認數字講錯，撤回決定
拿 AI 導入效益當裁員理由前，那個效益數字要先經得起工會、員工或外部第三方的檢驗，不能只採信系統供應商或內部報告的一面之詞。
看完整案例 →要照著做（步驟、提示詞）：找方法
全部 5 個工具每張都是完整介紹：適合誰、費用、能不能商用、資料去哪裡、能接什麼、限制、稜線用在哪。
Dify
專業工具需要 API／自動化視覺化的 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。
適合
- 公司要做內部 AI 助理又想要完整平台
- 非工程師也能參與拉流程的團隊
- 要同時接多家模型並比較
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
- 費用
- 社群版自架免費；官方另有 Dify Cloud 與企業版。
- 能不能商用
- ⚠可商用但有兩條硬性限制
官方授權為「Dify 開源授權，基於 Apache 2.0 並附加額外條件」。兩條關鍵限制（引自官方 LICENSE）：(1)「未經 Dify 書面明確授權，你不得使用 Dify 原始碼經營多租戶環境」；(2)「使用 Dify 前端的過程中，不得移除或修改 Dify 控制台或應用程式中的 LOGO 或著作權資訊」。符合上述任一情況要另外取得商業授權。 - 資料去哪裡
- 平台自架時資料留在你的環境，但實際回答的模型由你設定——接雲端 API 時資料仍會送到那一家。
- 授權
- Dify Open Source License（基於 Apache 2.0 加額外條件）
- 跑在哪裡
- 自己架、裝在公司內部、雲端服務
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠多租戶與品牌兩條限制是自架公司最容易違反的
- 自架要有人維運（Docker、資料庫、升級）
- 版本更新快，升級前要看遷移說明
NotebookLM（現名 Gemini Notebook）
AI 服務直接使用把你上傳的文件當資料來源回答問題的 Google 工具，已改名 Gemini Notebook；個人帳號一按讚／倒讚回饋，相關來源就會交人工審查並保留最長 3 年。
適合
- 有一批固定的規範、報告、講義要反覆查詢
- 用公司 Workspace 帳號處理內部文件（限 Gemini Notebook 屬核心服務或加購的版本，才不人工審查、不用於訓練）
不適合
- 用個人 Gmail 帳號上傳公司機密、客戶個資（尤其不要按回饋）
- 需要確認資料儲存地區的公部門或受規範單位（官方未寫）
- 需要回答超出上傳來源範圍的問題
- 費用
- 官方說明中心：用 Gmail 帳號免費註冊（Standard），每人 100 本筆記本、每本 50 個來源；可透過 Google AI 方案（Plus、Pro、Ultra）、Google Cloud 或符合資格的 Workspace 方案升級，方案頁列的上限最多每人 500 本筆記本、每本 600 個來源。各方案金額說明頁未列，官方資料不足，目前無法確認。notebooklm.google 已轉到 notebook.google。
- 能不能商用
- ⚠個人帳號依 Google 服務條款；Google 不主張產出所有權
官方說明中心原文：「Google won’t claim ownership over that content.」適用條款依帳號而定：隱私說明頁原文「For users who access Gemini Notebook through a qualifying work account, the Google Cloud Terms of Service apply.」（符合資格是指以 Workspace 核心服務或加購方式使用）；Workspace for Education 帳號適用 Google Workspace for Education 服務條款；透過 Google Cloud 使用者適用 Google Cloud Platform／SecOps 服務條款；其他使用者「the Google Terms of Service apply」。Workspace 版本表也把 Gemini Notebook 只是附加服務的版本（如 Business Base、Workspace Individual）列為適用 Google 服務條款。另一頁說明（Learn about Gemini Notebook）寫工作帳號適用「Google Workspace Terms of Service」，與上述兩頁不一致，以隱私說明頁與版本表為準。2026-10-25 讀官方說明中心。 - 資料去哪裡
- 個人帳號：「The content in Gemini Notebook will not be used to directly train our foundational AI models, unless you choose to provide feedback.」按讚或倒讚時，相關內容「Reviewed by specially trained teams」，且「Reviewed feedback, included content, and related data are retained for up to 3 years, disconnected from your Google Account.」這包含筆記本裡的 Gemini 對話，「even if your Gemini Apps Activity is turned off」。與 Gemini App 等其他 Google 服務共享的資料依 Google 隱私權政策處理。工作或學校帳號：說明中心寫「Feature availability and how your data is handled depends on your license.」Workspace 版本表把 Gemini Notebook 屬核心服務或加購的版本列為企業級保護：「Your uploaded files, chats and model outputs won’t be reviewed by human reviewers or used to improve generative AI models.」；只當附加服務的版本（Business Base、Essentials Starter、Workspace Individual、G Suite、Cloud Identity、Chrome Enterprise、Android Enterprise）屬標準存取，資料不用於訓練「unless you provide feedback」，給回饋時可能審查完整內容，與個人帳號相同。請管理員確認授權版本。資料儲存地區：說明頁未寫，官方資料不足，目前無法確認。
- 授權
- —
- 跑在哪裡
- 雲端服務
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠個人帳號按讚／倒讚回饋時，相關來源會被人工審查並保留最長 3 年
- 個人帳號與公司 Workspace 帳號的資料政策差很多；公司帳號也要看授權版本，只當附加服務的版本資料處理同個人帳號
- 與 Gemini App 共享的資料依 Google 隱私權政策處理
- 產品已改名 Gemini Notebook，舊教學截圖與名稱可能對不上
- 回答以你上傳的來源為準，來源本身錯了答案也會錯
Flowise
專業工具需要 API／自動化視覺化拖拉建 AI Agent 流程的工具。⚠官方 repo 已於 2026-08-13 封存。
適合
- 參考既有流程設計的學習用途
- 已經在用、短期內不打算換的既有專案
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
- 費用
- 開源免費。
- 能不能商用
- 可商用
官方說明原始碼採 Apache License 2.0。 - 資料去哪裡
- 自架時流程留在你的環境；模型呼叫送到你設定的供應商。
- 授權
- Apache-2.0
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠官方 repo 已於 2026-08-13 封存，後續發展要看官方公告
- 新專案建議改用仍在維護的替代方案
- 封存後的安全性更新不可期待
Telegram Bot API
外部資源需要進階提示與工作流程Telegram 官方的機器人 HTTP 介面，免費，用來把系統通知、警示訊息推播給使用者。本站農地衛星監測作品用它推播 NDVI 異常通知。
適合
- 把後端事件（警示、報表、通知）推播給使用者
- 不想自架推播系統的小專案
- 免費、不需信用卡的通知管道
不適合
- 需要保證送達的關鍵通知（使用者需自行安裝 Telegram 並訂閱）
- 高頻廣播（免費額度私聊每秒 1 則、群組每分鐘 20 則）
- 需要官方 SLA 的商用通知服務
- 費用
- 官方文件原文：「By default, bots are able to message their users at no cost」。免費額度：私聊每秒不超過 1 則、群組每分鐘不超過 20 則、批量廣播每秒約 30 則；要更高速率可用付費廣播（超額每則 0.1 Telegram Stars，最高每秒 1000 則）。2026-09-22 讀。
- 能不能商用
- 官方資料不足，目前無法確認
官方文件未明文提及商用限制或條款，僅說明免費額度與付費加速選項。條款頁未在本次查證範圍內逐條核對，商用前建議自行確認 Telegram 服務條款。2026-09-22 查。 - 資料去哪裡
- 官方文件未提供獨立隱私政策連結；機器人會取得使用者傳訊時的 Telegram 帳號資訊（依使用者互動而定）。
- 授權
- —
- 跑在哪裡
- 雲端服務
- 能接什麼
- API：有MCP：尚未查證Webhook：有
- 限制
- 免費額度有速率上限，高頻通知要走付費廣播
- 使用者必須自行加入該機器人才收得到訊息
- Bot Token 外洩等於帳號被接管，不可寫進前端
Langfuse
專業工具需要工程支援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。
適合
- AI 功能上線後要知道實際發生什麼
- 追蹤成本與延遲
- 提示詞要版本控管的團隊
不適合
- 還在原型階段的專案
- 沒有工程人力的團隊
- 費用
- 自架免費；官方另有雲端與企業方案。
- 能不能商用
- 核心可商用（MIT）
官方說明核心採 MIT 授權，但 `ee` 資料夾內的企業版功能適用不同條款。只用核心功能沒問題，要用到企業功能前要確認。 - 資料去哪裡
- 自架時追蹤紀錄留在你的環境；但紀錄裡會含使用者輸入，等於多一份敏感資料要保護。
- 授權
- MIT（ee 目錄另計）
- 跑在哪裡
- 自己架、裝在公司內部、雲端服務
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠追蹤紀錄會存下使用者的輸入內容，本身就是要保護的資料
- 核心與企業版授權不同
- 自架要有人維運
卡片上的查證日期是我們最後一次讀官方頁面的時間；條款會改，正式使用前請再看一次官方頁。