# Open Flow vs Make：哪一个更适合你？

Source: https://openflow.run/zh-cn/blog/openflow-vs-make/
Language: zh-CN

如果你正在把 Open Flow 和 Make（https://www.make.com/）放在一起评估，两者的核心差距在于**工程掌控力与开放性**。Make 是一款纯云端的可视化路由工具，每次模块执行都要消耗积分，流程与数据也只能留在 Make 的服务器上；而 Open Flow 把确定性编排、AI 原生决策节点、Agent 可读写的 CLI/MCP 工具链以及开源自部署结合在了一起。

## 应用连接与工具

Gmail、Slack、Notion、HubSpot、Google Sheets 等常用服务两者都能连接，但在自定义 API、AI 服务接入和计费方式上差异明显。

| 应用连接 | Open Flow | Make |
| --- | --- | --- |
| 内置集成 | **1,700+ 应用与服务、20,000+ 现成工具** | 仅提供云端 SaaS 模块；自定义应用需使用 Make 专有应用规范开发 |
| 社区与维护 | [OpenConnector](https://github.com/oomol-lab/open-connector) 社区共建，官方统一维护 | 第三方或自定义模块由作者各自维护 |
| 付费 AI 与数据服务 | **一个 OOMOL 账户**调用多种付费 AI 和数据服务，无需逐个平台注册 | 仅充当转发通道，仍需自备各服务商账号和 API Key |
| 服务计费 | **用多少，付多少**，统一扣费，无需分别订阅 | 外部 AI/数据接口需单独订阅付费，同时还要扣除 Make 模块积分 |
| 自定义 API 与 Schema | **原生内置 HTTP Request 与 OpenAPI 节点**，直接接入任意 REST 服务 | 仅提供通用 HTTP 模块，缺少原生 OpenAPI Schema 节点 |

在 Open Flow 中，你可以用同一个账户把 SaaS 应用、OpenAPI 接口和各类付费 AI 模型串联起来，既不用维护零散的 API Key，也不用为同一次调用支付两份费用。

[查看 Open Flow 的应用与工具目录](https://console.openflow.run/connections)

## 工作流的搭建与修改

Open Flow 把工作流当作可版本化、可审查的工程产物，让开发者和编程 Agent 都能直接编辑；Make 的场景则基本停留在浏览器画布里手工拖拽。

| 搭建与修改 | Open Flow | Make |
| --- | --- | --- |
| 输入与输出 | **带类型的输入与输出**，支持静态检查、测试，也让 Agent 无需试跑即可读取数据结构，节省 token | 运行时动态字段映射，通常需先运行模块获取样本数据，再在画布中手动点选字段 |
| 流程控制 | **确定性分支、循环、子流程调用、错误处理与人工审批（Approval）** | 仅提供可视化 Router 与迭代器，缺少原生人工审批暂停节点 |
| AI 任务 | LLM、Agent 节点，以及 **JEV 决策节点**，一次完成多项分类、判断与评分 | 仅提供独立 AI 模块，每次调用都会额外消耗运行积分 |
| CLI 与 MCP 编排 | **专为 Agent 编辑优化**，支持[节点查询、局部修改、原子提交与冲突检查](https://openflow.run/zh-cn/docs/guides/agent-authoring/index.md) | Make MCP 仅能把已有场景作为远程工具触发，无法本地编辑流程结构 |
| 版本控制 | **内置修订、发布历史与回滚** | 历史记录能力有限，自定义变量与异常恢复仅限高阶套餐 |
| 流程可迁移性 | **开放、Git 友好的标准工作流文件** | 绑定在 Make 云端专有蓝图格式中 |

不同于容易失控的[画布式 Agent Builder](https://openflow.run/zh-cn/blog/why-not-agent-builder/index.md)，Open Flow 坚持保持执行路径的确定性，并通过 [CLI 与 MCP](https://openflow.run/zh-cn/docs/guides/agent-authoring/index.md) 让 Claude Code、Codex 等原生 Agent 直接检查、修改和校验工作流。由于每个节点的输入和输出都带有类型定义，连线问题可以在运行前静态发现并方便测试，Agent 也无需先跑一遍模块再靠样本数据猜字段。

## 模板实例：邮件分类与记录

以一个常见的自动化场景为例——自动整理收件箱邮件：

1.  读取新的未读 Gmail 邮件。
2.  用 AI 分类，并生成一句摘要。
3.  将日期、发件人、主题、分类和摘要追加到 Google Sheets。

[Log Unread Gmail Classifications to Sheets](https://openflow.run/zh-cn/templates/log-unread-gmail-classifications-to-sheets/index.md "Log Unread Gmail Classifications to Sheets")[在 Open Flow 中使用](https://console.openflow.run/flows?importUrl=https%3A%2F%2Fraw.githubusercontent.com%2Foomol-lab%2Fawesome-workflow-templates%2F4ae2934012d3865e7d296909b9a06728464f1991%2Fworkflows%2Flog-unread-gmail-classifications-to-sheets%2Ftemplates%2Flog-unread-gmail-classifications-to-sheets.openflow.json)

邮件分类模板的 Open Flow 预览，具备结构化节点、版本历史与 Agent 可编辑的开放格式。

在 Open Flow 中，导入模板并连接 Gmail 和 Google Sheets 后，你可以自由指定任何 OpenAI 兼容的模型地址，并通过内置修订历史追踪每一次改动。

[查看模板与配置说明](https://openflow.run/zh-cn/templates/log-unread-gmail-classifications-to-sheets/index.md)

## 自部署与数据掌控

对于有数据合规、内网延迟或私有化部署要求的团队，两者的部署架构是截然不同的路线。

| 自部署 | Open Flow | Make |
| --- | --- | --- |
| 部署方式 | **开源且支持 Docker 自部署**，完全运行在自己的服务器上 | 仅限闭源 SaaS 云端托管，完全不提供自部署版本或 Docker 镜像 |
| 自定义 LLM | **可自设模型服务地址与 API Key**，支持本地模型及 OpenAI 兼容接口 | 仅支持云端集成，无法接入自部署的本地推理服务 |
| 数据与日志 | **自部署时数据与执行日志完全留在内网** | 所有请求载荷与执行日志都留在 Make 服务器上 |
| 官方集成服务 | **自部署后仍可搭配 OOMOL 官方服务**，按量统一计费 | 不适用——所有执行都必须留在 Make 云端 |

Make 只能在 Make 自己的云端运行。Open Flow 则允许你在需要时随时切换为私有化部署——同时还能继续按量调用 OOMOL 的官方集成服务，无需自己折腾 OAuth 维护。

## 官方托管与使用费用

**Open Flow 把功能完整性与用量计费分开；Make 则按每个模块的执行次数扣减积分，并把短周期调度和自定义变量锁在高阶套餐中。**

| 官方托管 | Open Flow | Make |
| --- | --- | --- |
| 免费方案 | **免费版即含月度额度**，支持完整分支、AI 节点与 Webhook | 每月仅 1,000 积分，且最短调度间隔仅限 15 分钟 |
| 入门月付 | **$15.90/月** | Core 约 $9–$12/月（含 10,000 积分），但自定义变量与优先执行需升级 Pro |
| 计费与循环 | **月度赠送额度，超出按实际用量付费** | 循环与迭代器每处理一条数据，都会按模块数量成倍消耗积分 |

**Open Flow 不会用模块积分乘法或功能分级来制造升级压力。** 随着业务规模扩大，你可以按实际资源消耗平滑扩展，而不必为了解锁变量或异常处理而被迫跳档。
