# Open Flow vs Make：哪一個更適合你？

Source: https://openflow.run/zh-tw/blog/openflow-vs-make/
Language: zh-TW

如果你正在將 Open Flow 與 Make（https://www.make.com/）放在一起評估，兩者的核心差距在於**工程掌控力與開放性**。Make 是一款純雲端的視覺化路由工具，每次模組執行都要消耗點數，流程與資料也只能留在 Make 的伺服器上；而 Open Flow 把確定性編排、AI 原生決策節點、Agent 可讀寫的 CLI/MCP 工具鏈以及開源自行部署結合在了一起。

## 應用程式整合與工具

Gmail、Slack、Notion、HubSpot、Google Sheets 等常用服務兩者都能連接，但在自訂 API、AI 服務接入與計費方式上差異顯著。

| 應用程式整合 | Open Flow | Make |
| --- | --- | --- |
| 內建整合 | **1,700+ 應用程式與服務、20,000+ 現成工具** | 僅提供雲端 SaaS 模組；自訂應用需使用 Make 專有規範開發 |
| 社群與維護 | [OpenConnector](https://github.com/oomol-lab/open-connector) 由社群共建、官方統一維護 | 第三方或自訂模組由作者各自維護 |
| 付費 AI 與資料服務 | **一個 OOMOL 帳號**即可使用多種付費 AI 與資料服務，不必逐一註冊 | 僅作為轉發通道，仍需自備各服務商帳號與 API Key |
| 服務計費 | **用多少，付多少**，統一扣款，不必分別訂閱 | 外部 AI/資料介面需單獨訂閱付費，同時還要扣除 Make 模組點數 |
| 自訂 API 與 Schema | **原生內建 HTTP Request 與 OpenAPI 節點**，直接連接任意 REST 服務 | 僅提供通用 HTTP 模組，缺少原生 OpenAPI Schema 節點 |

在 Open Flow 中，你可以用同一個帳號把 SaaS 應用、OpenAPI 介面和各類付費 AI 模型串聯起來，既不必維護零散的 API Key，也不用為同一次呼叫支付兩份費用。

[查看 Open Flow 的應用程式與工具目錄](https://console.openflow.run/connections)

## 工作流程的建立與修改

Open Flow 把工作流程當作可版本化、可審查的工程產物，讓開發者和程式 Agent 都能直接編輯；Make 的情境則基本停留在瀏覽器畫布裡手動拖曳。

| 建立與修改 | Open Flow | Make |
| --- | --- | --- |
| 輸入與輸出 | **帶型別的輸入與輸出**，支援靜態檢查與測試，也讓 Agent 無需試跑即可讀取資料結構，節省 token | 執行期動態欄位對應，通常需先執行模組取得樣本資料，再於畫布中手動點選欄位 |
| 流程控制 | **確定性分支、迴圈、子流程呼叫、錯誤處理與人工審批（Approval）** | 僅提供視覺化 Router 與疊代器，缺少原生人工審批暫停節點 |
| AI 任務 | LLM、Agent 節點，以及 **JEV 決策節點**，一次完成多項分類、判斷與評分 | 僅提供獨立 AI 模組，每次呼叫都會額外消耗執行點數 |
| CLI 與 MCP 編排 | **專為 Agent 編輯最佳化**，支援[節點查詢、局部修改、原子提交與衝突檢查](https://openflow.run/zh-tw/docs/guides/agent-authoring/index.md) | Make MCP 僅能把既有情境作為遠端工具觸發，無法本機編輯流程結構 |
| 版本控制 | **內建修訂、發布歷史與回復舊版** | 歷史紀錄功能有限，自訂變數與異常復原僅限高階方案 |
| 流程可攜性 | **開放、Git 友好的標準工作流程檔案** | 綁定在 Make 雲端專有藍圖格式中 |

不同於容易失控的[畫布式 Agent Builder](https://openflow.run/zh-tw/blog/why-not-agent-builder/index.md)，Open Flow 堅持保持執行路徑的確定性，並透過 [CLI 與 MCP](https://openflow.run/zh-tw/docs/guides/agent-authoring/index.md) 讓 Claude Code、Codex 等原生 Agent 直接檢查、修改和驗證工作流程。由於每個節點的輸入與輸出都帶有型別定義，連線問題可在執行前靜態發現並方便測試，Agent 也無需先試跑模組再從樣本資料推測欄位。

## 範本實例：郵件分類與記錄

以一個實務上常見的自動化任務為例——自動整理收件匣郵件：

1.  讀取新收到的未讀 Gmail 郵件。
2.  使用 AI 分類，並產生一句摘要。
3.  將日期、寄件者、主旨、分類與摘要新增至 Google Sheets。

[Log Unread Gmail Classifications to Sheets](https://openflow.run/zh-tw/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)

郵件分類範本的 Open Flow 預覽，具備結構化節點、版本歷史與 Agent 可編輯的開放格式。

在 Open Flow 中，匯入範本並連結 Gmail 與 Google Sheets 後，你可以自由指定任何 OpenAI 相容的模型位址，並透過內建修訂歷史追蹤每一次改動。

[查看範本與設定說明](https://openflow.run/zh-tw/templates/log-unread-gmail-classifications-to-sheets/index.md)

## 自行部署與資料掌控

對於有資料合規、內網延遲或私有化部署要求的團隊，兩者的部署架構是截然不同的路線。

| 自行部署 | Open Flow | Make |
| --- | --- | --- |
| 部署方式 | **開源且支援 Docker 自行部署**，完全運行在自己的伺服器上 | 僅限閉源 SaaS 雲端託管，完全不提供自行部署版本或 Docker 映像檔 |
| 自訂 LLM | **可自訂模型服務位址與 API Key**，支援本機模型與 OpenAI 相容介面 | 僅支援雲端整合，無法接入自行部署的本機推論服務 |
| 資料與日誌 | **自行部署時資料與執行日誌完全留在內網** | 所有請求載荷與執行日誌都留在 Make 伺服器上 |
| 官方整合服務 | **自行部署後仍可搭配 OOMOL 官方服務**，統一依用量計費 | 不適用——所有執行都必須留在 Make 雲端 |

Make 只能在 Make 自己的雲端執行。Open Flow 則讓你在需要時隨時切換為私有化部署——同時還能繼續按量呼叫 OOMOL 的官方整合服務，省去自行維護 OAuth 應用的麻煩。

## 官方託管與使用費用

**Open Flow 把功能完整性與用量計費分開；Make 則依每個模組的執行次數扣減點數，並把短週期排程和自訂變數鎖在高階方案中。**

| 官方託管 | Open Flow | Make |
| --- | --- | --- |
| 免費方案 | **免費版即含每月額度**，支援完整分支、AI 節點與 Webhook | 每月僅 1,000 點數，且最短排程間隔僅限 15 分鐘 |
| 入門月費 | **$15.90/月** | Core 約 $9–$12/月（含 10,000 點數），但自訂變數與優先執行需升級 Pro |
| 計費與迴圈 | **每月提供額度，超出後依實際用量付費** | 迴圈與疊代器每處理一筆資料，都會依模組數量成倍消耗點數 |

**Open Flow 不會用模組點數乘法或功能分級來製造升級壓力。** 隨著業務規模擴大，你可以依實際資源消耗平滑擴充，而不必為了解鎖變數或異常處理而被迫跳級訂閱。
