---
title: "NVIDIA 免費 AI API 實測及條款"
description: "NVIDIA 的免費 AI API 怎麼申請、一分鐘能打幾次、哪些模型真的叫得到、能不能拿來上線？我把官方文件、試用條款跟自己的實測整理在一起：40 RPM 的但書、84 個模型有 26 個回 404、中文最好的模型要等 17 秒，還有思考型模型回空白的坑。"
canonical_url: "https://blog.markkulab.net/post/nvidia-free-llm-api-limits-and-terms"
author: "Mark Ku"
author_url: "https://blog.markkulab.net/author/mark-ku"
site: "Mark Ku's Blog"
date_published: "2026-11-07T02:55:58.000Z"
category: "AI"
tags: ["NVIDIA", "LLM", "API", "NIM", "Rate Limit"]
language: "zh-TW"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
attribution: "轉載或引用請註明作者並附上原文連結"
---

# NVIDIA 免費 AI API 實測及條款

## 前言

想玩大語言模型，又不想一開始就砸錢買 GPU 或付推論費？[NVIDIA API Catalog](https://build.nvidia.com/models) 有一批免費的託管端點，註冊完拿到 key 就能直接打，介面還跟 OpenAI 相容，原本的程式改個網址就能用。

不過「免費」兩個字底下藏了不少細節：一分鐘能打幾次？一天有沒有上限？清單上的模型是不是都叫得到？能不能拿來上線？這些答案散在官方 FAQ、模型頁、API 文件跟論壇回覆裡，網路上的舊文章還在講早就改掉的 credits 制度。

所以我把它們整理成一篇，順便用自己的帳號實際跑了一輪測試。

> **先講清楚**：資料查核日期是 2026 年 11 月 7 日。限制和條款以官方文件、模型頁和官方人員回覆為準；文末的實測是我同一天跑的小規模測試，**題目少、只跑一輪，看看就好**，也沒有測帳號額度上限或長時間呼叫。文中說「未公開」，是指我這次沒找到統一公開的規格，**未公開不代表沒限制**。

## 怎麼申請 API key

流程很短，五分鐘內就能打出第一個請求。以下照 [官方 Quickstart](https://docs.api.nvidia.com/nim/docs/api-quickstart) 跟模型頁的實際畫面整理：

1. **打開任一個模型頁**，例如 [DeepSeek V4.1 Flash](https://build.nvidia.com/deepseek-ai/deepseek-v4.1-flash) 或 [GLM 5.3 Flash](https://build.nvidia.com/z-ai/glm-5-3-flash)。
2. **點右邊面板的「Get API Key」**，在跳出的視窗輸入 Email，按「Next」。
3. **登入或設定密碼**。沒有 NVIDIA 帳號的話會請你設一組密碼；註冊完會自動加入 NVIDIA Developer Program，官方 FAQ 說的就是 Developer Program 成員可以免費使用這些端點做原型開發。
4. **回到模型頁後會跳出你的 key**，按「Copy Key」複製起來，貼到安全的地方。部分第三方模型會先跳一個提醒，按「Acknowledge & Continue」就好。
5. **按「Copy Code」複製右邊的範例程式**，把裡面的 `API_KEY_REQUIRED_IF_EXECUTING_OUTSIDE_NGC` 換成你的 key。

模型頁上的範例程式有些欄位是空的（`temperature=`、`max_tokens=` 這類），直接跑會壞。我整理一個可以直接跑的版本，key 建議放環境變數 `NVIDIA_API_KEY`，不要寫死在程式裡：

```python
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://integrate.api.nvidia.com/v1",
    api_key=os.environ["NVIDIA_API_KEY"],
)

resp = client.chat.completions.create(
    model="z-ai/glm-5.3-flash",
    messages=[{"role": "user", "content": "用一句話介紹你自己"}],
    max_tokens=1500,  # 思考型模型會先花 token 思考，別設太小，原因見後面實測
)
print(resp.choices[0].message.content)
```

申請時要注意兩件事：

- 模型頁寫明這個試用服務受 [NVIDIA API Trial Terms of Service](https://assets.ngc.nvidia.com/products/api-catalog/legal/NVIDIA%20API%20Trial%20Terms%20of%20Service.pdf) 約束，下面「條款」那段會講它限制了什麼。
- 你自己的速率限制，官方指引是登入 build.nvidia.com 後看右上方顯示的資訊。官方文件沒寫 key 會不會過期、要去哪裡撤銷，這部分我沒查到，就不亂寫了。

## 先搞清楚：哪些東西算「免費」

這篇講的免費，**只限 NVIDIA 自己託管的開發試用端點**。Partner Endpoint、自己架 NIM、租 GPU 或其他訂閱，費用都要另外確認，別混在一起。

還有一個很多人搞混的點：「模型可以商用」跟「NVIDIA 的免費服務可以商用」是兩回事。依 [試用條款](https://assets.ngc.nvidia.com/products/api-catalog/legal/NVIDIA%20API%20Trial%20Terms%20of%20Service.pdf) 第 1.2 與 1.4 節，沒另外買適用訂閱的話，API 服務跟它產生的內容只能拿來內部測試和評估，不能上正式環境。模型本身是開源、可商用的，不代表 NVIDIA 的免費託管也給你同樣的權利。

## 限制一覽：40 RPM 之外，大多沒公開

| 項目 | 目前查得到的 | 我的解讀 |
|------|----------|------|
| 每分鐘請求數（RPM） | 官方人員曾確認 40 RPM（[官方回覆](https://forums.developer.nvidia.com/t/api-rate-limit-increase-is-not-granted-by-requesting-it-here/368420)） | 同一則回覆也說速率會依模型、使用情境跟整體流量而異。它不是每個帳號、每個模型都固定的數字，也不保證吞吐量 |
| 每分鐘 token 數（TPM） | **沒公開** | 找不到適用所有免費端點的統一配額表，別自己補數字 |
| 每天的請求數、token 額度 | **沒公開** | **不能拿 40 × 1440 去推每日額度** |
| 同時請求數 | **沒公開** | 多支程式或 agent 一起打的時候，要自己觀察 |
| 舊的 credits | 已改成速率限制（[官方回覆](https://forums.developer.nvidia.com/t/request-more-4-000-credits-option-on-build-nvidia-com/344567)） | 2025 年 9 月就改了，網路上 1,000 或 4,000 credits 的舊文章別再當真 |
| 能用多久 | 沒有固定試用天數 | 但也不是「永久免費」或「某個模型會一直在」的承諾；也別跟 AI Enterprise 的 90 天評估搞混 |
| 尖峰時段 | 可能要等比較久（[NIM FAQ](https://forums.developer.nvidia.com/t/nvidia-nim-faq/300317)） | 單次跑很快，不代表一直都這麼快 |

一句話總結：**除了 40 RPM 這個「曾經確認過、但有但書」的數字，其他大多沒公開**。要設定客戶端，以你帳號畫面上顯示的和實際打出來的回應為準，比網路文章裡的固定數字可靠。

## 四個常被搞混的 token 數字

看模型規格時，這幾個數字長得很像，但完全是不同東西：

1. **上下文窗口（context window）**：單次請求能處理多少內容，輸入、對話歷史跟輸出通通算在裡面。它**不是**每天送你多少 token。
2. **max_tokens**：這次呼叫最多能產生多少 token，還會被模型跟端點的上限卡住，也不代表每次都會生那麼多。
3. **範例值、預設值、上限**：程式範例寫 `max_tokens=16384`，不代表端點最多只能輸出 16,384，要去看該模型 API 文件的參數規格。
4. **TPM 與每日額度**：一段時間內能用多少，跟單次能塞多長的文件、模型聰不聰明都無關。

## 四個免費模型的規格

這四個模型在查核當天的 Build 頁面都有免費端點。上下文欄照抄 Build 頁面的 K、M 標示，max_tokens 欄是 API 文件寫的參數範圍。這些是文件規格，不是我實測出來的。

| 模型與 model ID | Build 標示上下文 | API 文件中的 max_tokens | 其他限制 |
|------|------|------|------|
| [Nemotron 3.5 Super VL](https://build.nvidia.com/nvidia/nemotron-3.5-super-vl-120b-a12b)<br/>`nvidia/nemotron-3.5-super-vl-120b-a12b` | 262K | 1 到 131,072，預設 16,384；文件明確寫託管端點的輸出上限是 131,072（[API](https://docs.api.nvidia.com/nim/reference/nvidia-nemotron-3_5-super-vl-120b-a12b-infer)） | 模型卡另外寫最高 1M 上下文，跟 Build 頁不一樣 |
| [GLM 5.3 Flash](https://build.nvidia.com/z-ai/glm-5-3-flash)<br/>`z-ai/glm-5.3-flash` | 1M | 只寫至少 1，預設 1,024，沒寫最大值（[API](https://docs.api.nvidia.com/nim/reference/z-ai-glm-5-3-flash-infer)） | 一次最多 8 張圖 |
| [MiniMax M3.1 Flash](https://build.nvidia.com/minimaxai/minimax-m3.1-flash)<br/>`minimaxai/minimax-m3.1-flash` | 262K | 1 到 65,536（[API](https://docs.api.nvidia.com/nim/reference/minimaxai-minimax-m3-1-flash-infer)） | 圖片一次最多 8 張、影片 1 部；模型卡另外寫最高 1M 上下文 |
| [DeepSeek V4.1 Flash](https://build.nvidia.com/deepseek-ai/deepseek-v4.1-flash)<br/>`deepseek-ai/deepseek-v4.1-flash` | 1M | 參數範圍寫 1 到 1,048,576，預設 262,144（[API](https://docs.api.nvidia.com/nim/reference/nvidia-deepseek-v4_1-flash-infer)） | 輸入跟輸出共用 1,048,576 的上下文；參數範圍不代表真的能輸出滿 1M |

幾個容易讀錯的地方：

- Nemotron 跟 MiniMax 的模型卡寫最高 1M，Build 頁卻是 262K，MiniMax 文件也說實際上下文看部署設定。**模型本身的能力，跟 NVIDIA 託管端點給你的設定可能不一樣**，以你實際打的端點為準，別只挑大的數字講。
- GLM 文件沒寫最大輸出值，**不等於可以無限輸出**。
- DeepSeek 的 1,048,576 是上下文容量，**不是每天送你 1M token**。
- 沒指定 `max_tokens` 就會用預設值，像 GLM 只有 1,024，長一點的回答就會被切掉。程式裡記得自己設，也要留空間給輸入。

## 頁面上寫免費，不代表叫得到

有免費標籤，不一定能用 API 呼叫：

- **[Kimi K3.1 Pro](https://build.nvidia.com/moonshotai/kimi-k3_1-pro)**：頁面有免費端點標籤，但程式碼區寫明 API 還沒開放，只能在 Playground 玩。
- **[Kimi K3](https://build.nvidia.com/moonshotai/kimi-k3)、[Qwen3 Coder 480B](https://build.nvidia.com/qwen/qwen3-coder-480b-a35b-instruct)、[GPT OSS 120B](https://build.nvidia.com/openai/gpt-oss-120b)**：NVIDIA 頁面上的免費端點已經標 Deprecated。這只是說 NVIDIA 這邊停了，不代表別家也停用這些模型。

模型名單一直在變，寫文章或寫程式之前，模型頁、程式碼區、API 文件跟端點狀態都要一起看。另外，NVIDIA 的 [Blueprint 疑難排解文件](https://github.com/NVIDIA-AI-Blueprints/nemotron-voice-agent/blob/main/docs/06-troubleshooting.md) 也提到：限制是跟著 API key 或帳號走的，**換一台機器不會多給你額度**；而只是延遲變高，也不能就認定被限流了。

## 實測紀錄（2026-11-07）

文件讀完，我用自己的帳號實際打了一輪。測試條件：同一把 NVIDIA API key，文字跟向量走 `https://integrate.api.nvidia.com/v1`，生圖跟重新排序走 `https://ai.api.nvidia.com/v1`，溫度 0.2。每題只跑一次，速度也會受當下端點負載影響，**下面的分數和秒數只代表我這次看到的結果**。

### 84 個模型，有 26 個叫不到

API 的模型清單列了 84 個，但其中有 26 個聊天模型，我一呼叫就回 404（`Function not found for account`），像 Yi Large、DBRX、Gemma 3、Phi-3.5 MoE、Mixtral 8x22B、舊版 Mistral Large 都是。另外 GPT-OSS 20B、Gemma 4 31B、Llama 3.2 90B Vision、FLUX.1 dev、FLUX.1 Kontext dev 這幾個，等了 90 到 120 秒都沒回應。Kimi K3.1 Pro 也跟模型頁寫的一樣，API 還沒開。

所以前面那句話是真的：**清單上有、網頁標了 Free Endpoint，都不代表你的帳號現在叫得到**。上線前，一定要拿自己的 key 實際打一次。

### 中文誰最好？8 題進階題排名

我先用 7 題簡單題篩（數學、邏輯、成語、日期、繁中寫作、計數、正式改寫），結果 7 個模型全對，根本分不出來。所以再出 8 題中文進階題：台灣用語翻譯（軟體、網路、影片等 6 個詞）、閱讀理解應用題、成語填空、雞兔同籠變形、照格式條列、150 字繁中短文（出現簡體字扣分）、台灣口語「白目」、中文轉 JSON。每題 0 到 1 分，程式自動評分，「白目」那題我另外人工看過。

| 模型 | 得分（滿分 8） | 回應中位數 | 我的觀察 |
|------|------|------|------|
| Mistral Large 4 | 7.83 | 17.0 秒 | 中文最好之一，台灣用語、成語、口語都答對，就是慢 |
| GLM-5.3-Flash | 7.83 | 15.0 秒 | 同上 |
| Step 5 Preview | 7.67 | 4.5 秒 | 又快分數又接近前兩名，可惜是預覽版，隨時可能下架 |
| MiniMax M3.1 Flash | 7.67 | 14.1 秒 | 分數高，但有些題目要等 14 到 66 秒 |
| Nemotron 3 Ultra | 7.00 | 4.2 秒 | 快，但用語偏大陸（「眼力見」「視訊」） |
| Nemotron 3 Nano Omni | 6.58 | 3.9 秒 | 輕量又快，但把「白目」答成「天真」 |
| Nemotron 3.5 Super VL | 5.67 | 4.0 秒 | 150 字短文直接回空白（token 全拿去思考），「白目」答成「狼心狗肺」 |

DeepSeek V4.1 Flash 這輪沒跑完；另外它在 JSON 模式回空白，回答也偏簡體字。

### 最實用的一個坑：回你一片空白

第一輪可用性測試我只給 400 token，結果 Mistral Large 4 等模型把 token 全花在思考上，回答是空白的；回答上限 300 的時候，Nemotron Super VL 也一樣空白。拉到 1,500 之後，4 個模型都正常了。

所以「留輸出空間」不只是上下文夠不夠的問題：**思考型模型的思考 token 也算在 `max_tokens` 裡**。上限設太小，你拿到的不是短回答，而是一個空字串，還會以為是 API 壞了。

### 看圖、生圖跟其他模型

- **看圖**（一張左紅、右藍、底部綠條的圖，請它說出三個顏色）：Mistral Large 4、GLM-5.3-Flash、Nemotron 3.5 Super VL、Step 5 Preview 都答對；DeepSeek V4.1 Flash 答對但用簡體字；MiniMax M3.1 Flash 答錯；Llama 3.2 90B Vision 逾時。
- **生圖**：能穩定出圖的只有 FLUX.3 Image Klein（`black-forest-labs/flux-3-image-klein`）。1024×1024 成功 3 次，一張大約 1 到 6 秒，中文提示詞「一顆紅蘋果放在白色桌上」也畫得對，回傳 JPEG。要注意它不是 OpenAI 格式（回的是 `artifacts[].base64`），單張上限大約 106 萬像素，1536×1024 會被拒，橫圖要改用 1248×832 這類尺寸。FLUX.1 dev 給 20 步時 60 秒逾時，Stable Diffusion 3 Medium 回 404。
- **向量嵌入**：`nvidia/nemotron-3.5-embed-8b` 約 0.6 秒、4096 維；`nemotron-3.5-embed-1b` 約 0.5 到 0.7 秒、2048 維；圖文向量 `llama-nemotron-embed-vl-1b-v2` 約 0.8 秒、2048 維，都走標準 `/v1/embeddings`，很好接。
- **重新排序**：`nvidia/nemotron-3.5-rerank-8b` 第一次大約 7 秒，把「玉山」排在「日月潭」前面，順序正確；不過格式跟常見的 rerank API 不一樣，要自己轉。
- **內容安全**：`meta/llama-guard-4-12b` 約 0.5 秒，問「怎麼做炸彈」會回 `unsafe S2`；`llama-3.1-nemotron-safety-guard-8b-v3` 約 1 秒，回 JSON 還附違規類別，比較好解析。
- **不推薦**：`riva-translate-4b-instruct-v2` 英翻繁中竟然吐出斯洛伐克文；`nemotron-3.5-parse` 回 404；Nemotron 3.5 Bolt E4B 推理題 6 題錯 5 題。

### 我自己怎麼設客戶端

40 RPM 不是保證值，所以我在自己的 gateway 對每個 NVIDIA 模型設每分鐘 30 次，超過就換下一個模型，不要硬打到 429。另外提醒一下：模型被 NVIDIA 下架時回的是 404，如果你的降級邏輯只看 429 或 5xx，遇到 404 就不會換下一個。

## 條款跟資料：這段請一定要看

[官方 FAQ](https://docs.api.nvidia.com/nim/docs/product) 講得很清楚，判斷是不是「正式環境」不是看有沒有收錢：你的應用一旦超出研究、開發、測試、評估的範圍，就算是免費提供給使用者，也不算開發試用。

資料方面，[模型 Playground 的隱私告知](https://build.nvidia.com/minimaxai/minimax-m3.1-flash/playground) 說輸入跟輸出會被記錄，用來提供試用服務、改善 NVIDIA 的產品和服務，包含 AI 模型。這段話**不能**解讀成「每一筆一定拿去訓練」，但也**不能**解讀成「保證不留資料」。

試用條款第 2.6 節另外限制了機密和敏感資料；第 2.3 和 2.4 節有資料保存的例外，**裡面的 30 天不能套成所有免費 LLM API 都一樣的保存政策**。

說白了：拿來內部評估、做原型，很好用；但要正式上線，或是要丟公司的機密程式碼、客戶資料進去，就得先確認適用的服務方案、資料處理條款跟模型授權。要不要遷移，最好在 PoC 早期就想好，別等到上線前一天才發現。

## 實際開發怎麼用比較穩

下面是我根據服務定位、限制跟這輪實測整理的建議。

適合先拿免費端點做的事：比較不同模型的回答、測試提示詞、做內部原型，還有用可以外流的測試資料，驗證工具呼叫和看圖能力。

如果你把它接到程式助理或 agent 流程，要注意一次「幫我修好這個功能」可能會打好幾輪 API。用量要用實際的 HTTP 請求數來算；模型一次回傳好幾個工具呼叫，不等於打了同樣多次 API。

### 從低併發開始

先用低併發跑，看你帳號的限制再慢慢往上調。要同時跑很多工作的話，可以參考我之前寫的[用 OpenCode 一套搞定雲端免費模型、地端 Ollama、MCP 與 Skill：我的實戰避坑指南](https://blog.markkulab.net/post/opencode-cloud-free-models-ollama-mcp-skill-pitfall-guide)。

### 遇到 429，重試要有上限

NVIDIA 的 [RAG 疑難排解文件](https://docs.nvidia.com/rag/latest/troubleshooting.html) 把 429 跟速率限制連在一起，也建議降低併發。重試時，等待時間跟次數都要設上限：

```python
import asyncio
import random

async def call_with_backoff(client, payload, max_retries=5, max_wait=60):
    for attempt in range(max_retries):
        resp = await client.post("/v1/chat/completions", json=payload)
        if resp.status_code != 429:
            resp.raise_for_status()  # 400、401 這類直接拋出，不要重試
            return resp.json()
        try:
            wait = float(resp.headers.get("Retry-After", ""))
        except ValueError:
            wait = 2 ** attempt + random.random()
        await asyncio.sleep(min(wait, max_wait))
    raise RuntimeError("429 retries exhausted")
```

### 錯誤要分開處理

| 狀況 | 怎麼處理 |
|------|----------|
| 上下文太長、參數錯（400） | 不要重試，先修輸入或參數 |
| key 有問題（401） | 不要重試，檢查 API key |
| 模型不存在或被下架（404） | 不要重試同一個模型；有備援就換下一個 |
| 被限流（429） | 有上限地退避重試，同時降低併發 |
| 逾時、伺服器錯誤（5xx） | 有上限地重試，並分開統計 |
| 回應成功但內容空白 | 多半是思考型模型把 `max_tokens` 用光了，調高上限再試 |

千萬別讓所有錯誤都進到無限重試。

### 幫回答留空間

DeepSeek V4.1 Flash 這種輸入輸出共用上下文的模型，輸入塞越多，能留給回答的就越少。長對話可以先整理歷史和工具輸出，別一直往裡面塞。

### 把用量記下來

日誌記下模型 ID、時間、輸入和輸出 token 數、錯誤碼，之後調排程或評估要不要遷移，才有數字可以看。儀表板的做法可以參考 [Token Monitor 實測與團隊版改造：把全公司 AI 工具的 token 用量收進同一個看板](https://blog.markkulab.net/post/token-monitor-ai-token-dashboard)。

## 結論

NVIDIA 的免費 AI API，本質上是**有速率跟用途限制的開發試用**，拿來做原型很棒，但不是正式環境的替代品。官方確認過 40 RPM，但實際限制還是要看你的帳號、模型跟當下狀況；TPM、每日額度跟併發都沒公開，**沒公開不代表沒限制**；模型可以商用，也不代表免費託管服務可以直接上線。

這輪實測也提醒我兩件事：清單上 84 個模型，有 26 個我的帳號根本叫不到；中文表現最好的 Mistral Large 4 跟 GLM-5.3-Flash，回應要 15 秒以上。拿免費端點來比較模型、挑候選非常好用，但速度跟可用性，一定要自己量過才算數。

接下來可以這樣做：

1. **PoC 階段**：用免費端點比較模型、驗證提示詞、測試看圖能力，順便截圖記下自己帳號的限制。
2. **上線前**：確認適用的服務方案跟資料處理條款，評估自架或其他部署方式。自架 GPU 的成本可以參考 [Docker 安裝AI大型語言模型 Ollama，並實測比較 CPU 與 GPU 硬體加速效能](https://blog.markkulab.net/post/build-your-ollama-ai-with-hardware-acceleration)。
3. **補上自己的數據**：把實際的 token 用量、等待時間、429 跟逾時次數記下來，再決定要不要遷移。如果只測了幾次，就寫「這次測試看到的」，別推論成每個人都一樣。

免費端點是很好的起跑工具，把它當成「試駕車」就好，別讓它當你「生產車隊」的主力。🚀

---

## 關於本文與作者

本文出自 [Mark Ku's Blog](https://blog.markkulab.net/post/nvidia-free-llm-api-limits-and-terms)

授權條款： [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) — 轉載或引用請註明作者並附上原文連結

### 關於作者

**[Mark Ku](https://blog.markkulab.net/author/mark-ku)** — 軟體工程師

- 10 年以上軟體工程師
- 做過北美電商與 AI SaaS 訂閱收費系統

### 作者開發的免費工具

以下工具皆可免費使用：

- [免費 PDF 簽名工具](https://blog.markkulab.net/tools/pdf-sign): 線上 PDF 簽名工具，瀏覽器內完成手繪、打字、上傳簽名，可拖曳放置、縮放、下載。所有處理都在你的裝置完成，檔案不會上傳。
- [VS Code Refactory](https://blog.markkulab.net/tools/refactory): Refactory 是一款 VS Code 重構擴充套件：34 個重構動作、37 條 code smell 檢查、Code Health 儀表板、18 種語言、534 支測試。懂你的專案慣例：介面放哪、DI 註冊寫在哪、'use client' 該不該加；還會用 git 修改頻率 × 複雜度排出「該先修哪個檔案」，並一鍵把壞味道交給你自己電腦上的 Claude Code 修。免費使用，原始碼不離開你的機器。
- [DB-Kit 資料庫管理工具](https://blog.markkulab.net/tools/db-kit): DB-Kit 是一個用 Tauri + Rust + React 打造的輕量跨平台資料庫管理工具，用單一一致的介面同時管理 MySQL、MariaDB、PostgreSQL、SQL Server、Oracle、SQLite、MongoDB、Redis、Kafka、Elasticsearch 與 RabbitMQ 十一種資料來源：連線密碼以 OS keychain 加密、SSH Tunnel、完整 CRUD、視覺化查詢建構器、多結果集同時顯示、跨連線資料傳輸、結構與資料比對（同步 SQL、結構快照）、Excel / CSV 匯入匯出、執行計畫視覺化、ER 圖、排程備份、SQL 壓力測試（p50～p99 延遲百分位）、15 條規則的 SQL 審查、執行前 AI 審查並逐句備份的「審查並執行」（自動產生回滾腳本）、Kafka 訊息瀏覽與監控告警、SSH 終端機與 SFTP / FTP、Docker / Kubernetes、遠端桌面（RDP / VNC / RustDesk）、檔案 / 資料夾比對、預存程序整合測試；六種介面語言，內建 AI 助手（本機 CLI 或 Anthropic / OpenAI 相容 API，自然語言生成 SQL、AI 審查與調校建議）與命令列工具 dbk。免費開源（MIT），提供 Windows / macOS / Linux 安裝檔。
- [VS Code Super Mermaid](https://blog.markkulab.net/tools/super-mermaid): Super Mermaid 是一款 VS Code 擴充套件：開箱即用的漂亮 Mermaid 圖表，自動上色、即時預覽、滑鼠平移縮放、PNG / SVG 高解析匯出，內建 21 種範本與多種主題。免費開源（MIT）。
- [React Super Mermaid](https://blog.markkulab.net/tools/react-super-mermaid): react-super-mermaid 是一個開源 React 元件庫：一行 <MermaidViewer> 即可渲染漂亮的 Mermaid 圖表，內建 colorful / sketch 主題、平移縮放、圖內搜尋、SVG / PNG 高解析匯出。輕量、SSR 安全、完整 TypeScript 型別。免費開源（MIT）。
- [Jira / Confluence Super Mermaid](https://blog.markkulab.net/tools/jira-super-mermaid): Atlassian Forge app：在 Jira issue 與 Confluence 內文直接寫 Mermaid 語法，畫流程圖、時序圖、狀態機與甘特圖。11 種圖表、SVG / PNG 匯出、明暗主題、完整中日韓文字支援。取得 Runs on Atlassian 資格：圖表存在你自己的站台，app 不呼叫任何第三方服務。免費，即將上架 Atlassian Marketplace。
- [Mermaid 線上預覽](https://blog.markkulab.net/tools/mermaid-preview): 在瀏覽器裡寫 Mermaid、即時看圖，整張圖表壓進網址就能分享。免註冊、不上傳伺服器，相容 mermaid.live 的分享連結。
- [React Intl Phone Number](https://blog.markkulab.net/tools/react-intl-phone-number): react-intl-phone-number 是一個開源 React 元件：framework-agnostic、不依賴 antd，提供 E.164 進出、可搜尋國旗 / 國碼下拉、可配置驗證等級（strict / mobile-strict / loose）、可主題化 CSS 與 i18n，電話邏輯由 google-libphonenumber 驅動。輕量、完整 TypeScript 型別。免費開源（MIT）。
- [Uptime Kuma Cluster](https://blog.markkulab.net/tools/uptime-kuma-cluster): 把單機版 Uptime Kuma 改造成高可用叢集：OpenResty + Lua 智慧負載平衡、MariaDB 共享狀態、健康檢查與自動 Failover，附監控與叢集管理 RESTful API，一行 Docker Compose 啟動。免費開源（MIT）。
- [AI Podcast Cut 音檔剪輯](https://blog.markkulab.net/tools/ai-podcast-cut): 丟進一段錄音，AI 幫你剪掉「嗯、呃、那個」與講到一半重講的片段，平衡逐段音量，並派第二個 agent 覆核每一刀。辨識與去人聲都在你自己的電腦上跑，不上傳、不需要金鑰。剪點會貼齊字邊界與零交越、每一刀都有漸弱漸強，句尾還留得住呼吸感。Windows / macOS / Linux 桌面應用，MIT 開源，Windows 安裝檔內建 ffmpeg。
- [AI Video Cut 影片剪輯](https://blog.markkulab.net/tools/ai-video-cut): 在影片裡選一個東西：打字（人臉、車牌、手機螢幕、logo）、手動點選或拖框，或交給 Claude Code / Codex 挑。AI Video Cut 會逐幀追蹤它，再幫你打馬賽克或模糊、調色、加跟著走的貼紙與文字、把螢幕或海報換成你的圖片或影片，甚至用其他幀拍到的背景把它移除。另有序列剪輯、本機字幕與 AI 助手。免費開源（MIT）的 Windows 桌面應用（macOS / Linux 實驗中），本機運行，影片不上傳。
- [open-pos 開源餐飲 POS](https://blog.markkulab.net/tools/open-pos): 一台電腦加一台出單機就能開店。資料存在自己的硬碟裡、沒有月租、沒有綁約，MIT 全開源。金額用整數元依營業稅法拆算稅額，銷售額加稅額恆等於總額；出單走網路型 ESC/POS（TCP 9100），不必裝廠商驅動。Tauri + Rust + SQLite 桌面應用，v1.0 開發中。
- [.NET 電商 API 架構範本](https://blog.markkulab.net/tools/dotnet-ecommerce-api): 以 .NET 10 打造的電商平台後端 API 架構範本：Controller → Service → Repository 分層、Autofac 依命名慣例自動註冊、SqlSugar 支援 MySQL / MariaDB 與 SQL Server、Redis 快取與訊息佇列、Hangfire 排程、JWT 認證，內建可擴充的金流 Provider 模組（綠界 ECPay、藍新 Newebpay）。Apache 2.0 開源。
- [Open Token Monitor 團隊 AI 用量監控](https://blog.markkulab.net/tools/open-token-monitor): 把每位員工電腦上 AI coding 工具的 token 用量與等值成本集中到公司自架的 hub：PostgreSQL、組織名單、依公司與部門比較的 dashboard、報表 API。員工端有 Electron 與 Rust/Tauri 兩種，每 30 分鐘自動上傳。MIT 開源，Docker 一行起。
- [AI 資安監控 ai-security-monitor](https://blog.markkulab.net/tools/ai-security-monitor): 網站上線了，漏洞、憑證與安全設定誰來檢查？ai-security-monitor 用自架 Security Hub 集中網站掃描與主機監控，合併重複發現、比對修補前後，讓你知道哪些問題還沒處理。

### 每日 Podcast

- [Mark's Tech Insights 每日 AI 新鮮事](https://blog.markkulab.net/category/tech-news): 每日精選 AI 與科技趨勢，透過語音摘要快速掌握最新技術動態，涵蓋 AI 應用、軟體架構、DevOps 與工程實戰。 — RSS: https://blog.markkulab.net/feed.xml
- [AI股市蝦聊](https://blog.markkulab.net/category/ai-stock-chat): 每個交易日用 AI 分析台股盤勢，以雙人對話聊當天的盤中觀察與隔日預測。 — RSS: https://blog.markkulab.net/ai-stock-chat/feed.xml
- [開源好物日報](https://blog.markkulab.net/category/open-source-weekly): 每天從 Hacker News、GitHub、Reddit 聲量雷達精選免費開源工具，以雙人對話聊解決什麼痛點與怎麼快速上手。 — RSS: https://blog.markkulab.net/open-source-weekly/feed.xml
- [AI 運動日報](https://blog.markkulab.net/category/sports-weekly): 每天以雙人對話聊 NBA、MLB 與國際體壇大事，台灣球迷視角，輕鬆有梗不酸人。 — RSS: https://blog.markkulab.net/sports-weekly/feed.xml
- [AI 國際新聞快報](https://blog.markkulab.net/category/world-news): 每天早上以雙人對話把過去一天的國際大事講白：政治外交、全球經濟、衝突與安全、災害與氣候，台灣視角、中立客觀、每則附出處。 — RSS: https://blog.markkulab.net/world-news/feed.xml
- [地端 AI 實驗室](https://blog.markkulab.net/category/local-ai-lab): 每天精選可以下載到自己機器上跑的開源模型與 LoRA，用雙人對話講清楚能用在哪些場景、你的顯卡跑不跑得動、跟同類差在哪，規格一律引述官方 model card。 — RSS: https://blog.markkulab.net/local-ai-lab/feed.xml
- [AI 行銷日報](https://blog.markkulab.net/category/ai-marketing): 每天以雙人對話整理最新 AI 在行銷、廣告、SEO／GEO 與內容行銷的大事，實戰視角、不業配、每則附出處。 — RSS: https://blog.markkulab.net/ai-marketing/feed.xml
- [AI 資安日報](https://blog.markkulab.net/category/ai-security): 每天以雙人對話整理最新 AI 與資安交會的大事：LLM 與 AI agent 漏洞、prompt injection、模型供應鏈、攻擊者怎麼用 AI，防禦視角、每則附出處。 — RSS: https://blog.markkulab.net/ai-security/feed.xml

### 電子報

[訂閱電子報](https://blog.markkulab.net/subscribe) — 第一時間收到新文章通知，無垃圾信、隨時可取消訂閱。