Cloudflare 的 AI 服務有哪些？從 Workers AI、AI Gateway 到 Browser Run、Computer 與 Cloudflare OS

Cloudflare 的 AI 產品生態主要由五大功能模組構成：模型推論、模型治理、瀏覽器自動化、Agent 工作區與組織級 Agent 平台。

具體而言，Workers AI 專注於模型推論；AI Gateway 負責管理模型請求與供應商路由；Browser Run 賦予 Agent 操作瀏覽器的能力；Computer 為任務檔案儲存與程式執行提供獨立的工作空間；Cloudflare OS 則將 Agent、組織脈絡、技能、應用與治理整合於單一平台。這五項服務各司其職，在架構設計時，需依據產品對模型能力、瀏覽器互動、長流程工作區、團隊共享脈絡或多模型治理的需求來彈性組合。

本文旨在整理 Cloudflare 的 AI 相關服務，內容基於 Cloudflare 官方文件、產品網頁、cloudflare/computer 儲存庫及定價頁面資訊，價格數據查核日期為 2026-08-05。

Workers AI：模型推論

先看重點

• 定位：Cloudflare GPU 上的 serverless model inference。
• 適合場景：摘要、分類、資訊抽取、Embedding、語音轉錄與圖片生成。
• 計費與狀態：依 Neurons、文字 token、音訊分鐘或輸出 megapixel 計算。
• 限制：只處理推論，權限、狀態、工具調用和交易驗證由應用程式負責。

Workers AI 非常適合作為 AI 應用架構中的模型層。不論是將文件送入模型進行分類與欄位抽取，或是將文字轉化為 Embedding 向量，乃至將音訊交由 Whisper 轉錄，以及使用影像生成模型繪製圖片，皆可在此完成。

Workers AI 的 Neurons 計費與具體模型價格如下：

在實際開發中，可依據任務複雜度搭配不同的模型。大量的文字清洗、分類與常規摘要可委託給性價比高的小模型；至於需要深度邏輯推理的問題，再交由效能更強的模型處理。此類調度機制亦可結合 AI Gateway 的 Dynamic Routing 來自動管理。

需要留意的是，Workers AI 的輸出結果無法直接作為使用者授權、商品售價、實際庫存、付款狀態或訂單成立的依據。這些關鍵業務資料必須經由應用程式的權威資料來源進行確認與驗證。

AI Gateway：模型請求與治理

先看重點

• 定位：位於 AI 應用與模型供應商之間的 gateway。
• 適合場景：Analytics、logging、cache、rate limiting、retry、fallback、dynamic routing 和 spend limits。
• 計費與狀態：核心功能目前免費，模型推論仍依 provider 收費。
• 限制：負責模型流量治理，不處理使用者登入、租戶授權或交易確認。

AI Gateway 能將 Workers AI、OpenAI、Anthropic、Google、Groq 以及 Replicate 等多元模型架構在同一個管理層級下。所有 API 請求會統一先經由 Gateway 處理，再依據路由規則分流至各個模型供應商。

AI application / Agent
          ↓
      AI Gateway
          ↓
Workers AI / external model providers

此架構非常適合用來解決模型呼叫的共通工程痛點，例如記錄詳細的請求日誌、追蹤 token 用量與累積成本、針對重複請求進行快取（cache）、設定速率限制與預算上限、於模型服務異常時自動重試或切換至備用模型（fallback），以及依任務情境動態調整模型。

其中的 Dynamic Routing 功能，可根據請求的 body、header 或 metadata 進行分流判定，並支援權重配置（percentage split）、請求配額（request quota）、消費限額（spend quota）與容錯備援。常見的架構設計是將例行性的資訊抽取交給 Workers AI，而高難度的推理交給主力大模型，並在超出單次預算限制時，自動導流至備用的小型模型。

AI Gateway 的計費模式區分為 gateway 本身與底層模型供應商兩部分：

另外，由於 Spend limit 的額度統計具有最終一致性，在高併發場景下，無法將其視為即時的金流鎖定或交易授權機制。

Browser Run：給 Agent 使用的瀏覽器

先看重點

• 定位：Cloudflare 提供的無頭瀏覽器與瀏覽器工作階段。
• 適合場景：動態網頁、登入後操作、跨頁互動、第三方後台與網頁資料匯入（支援 Quick Actions、Browser Sessions、Puppeteer、Playwright、CDP 與 MCP 等介面）。
• 計費與狀態：提供每月免費額度，超出後依瀏覽器時間與並行瀏覽器數量計費。
• 限制：負責瀏覽器操作，不負責模型記憶、應用權限或交易狀態。

透過 Browser Run 的 Quick Actions，可以快速獲取網頁文字並轉換為 Markdown、擷取螢幕畫面、產生 PDF、抽取結構化資料或爬取連結。若目標頁面需要登入驗證、進行複雜的跨頁互動，或需要較長的連線週期，則可建立 Browser Sessions，並經由 Puppeteer、Playwright、CDP 或 MCP 進行精細操控。

針對公開文件的純文字匯入，建議優先採用輕量化的 Quick Actions；當面臨複雜的 JavaScript 動態渲染、需登入的隱密頁面、互動式表單或缺乏 API 的第三方後台時，再啟動完整的 Browser Session。不論何種方式，取得的瀏覽結果都必須經過來源端驗證、權限過濾與內容清洗，方可輸入至模型中。

Browser Run 的計費結構由瀏覽時間與並行工作階段共同組成：

由於 Browser Run 本身並不具備判斷網頁內容可信度的能力，擷取的頁面中可能隱藏 Prompt Injection 攻擊。因此，瀏覽器的輸出必須被視為未受信任的外部資料，絕對不可直接作為系統指令執行。在進行自動化操作時，務必嚴格限制 Agent 可造訪的網站網域、允許執行的動作以及資料存取邊界。

Kitesurf：專門給 AI Agent 的瀏覽器引擎

先看重點

• 定位：Cloudflare 在 Workers 上打造的 agent-first browser。
• 適合場景：需要 HTML、截圖、DOM 和瀏覽器互動的 AI Agent。
• 計費與狀態：目前透過 Browser Run Beta 提供，Kitesurf 本身尚未開源。
• 限制：移除人類瀏覽器不需要的重量（分頁、主題等），專注於機器可讀內容與低消耗隔離。

傳統的 Chromium 架構對 AI Agent 的運行而言過於繁重，因而促使 Cloudflare 在短時間內研發出 Kitesurf。Agent 的核心任務在於取得機器可讀的結構化內容，並要求高度的安全隔離、低運行成本與強大的並行能力，這與傳統瀏覽器所提供之分頁、主題、同步和像素級渲染等面向有所不同。

Kitesurf 運行於 Cloudflare Workers 環境中，深度結合了 Rust、WebAssembly 以及 Dynamic Workers 等平台底層技術。根據官方技術文件，在執行如螢幕截圖與 HTML extraction 等常見 Agent 任務時，Kitesurf 的 CPU 與記憶體開銷明顯優於傳統 Chromium，且持續通過 Web Platform Tests 的標準測試。

目前 Kitesurf 作為 Browser Run 的 Beta 功能開放體驗。Cloudflare 官方指出，團隊計畫在架構調整成熟後將其開源，以便客戶部署專屬的執行版本；目前則尚未釋出公開的程式碼儲存庫（repository）或正式的開源授權條款。

在架構設計上，Kitesurf 與 Computer 的分工非常明確：Kitesurf 扮演的是瀏覽器引擎的角色，而 Computer 則是 Agent 的任務沙盒與儲存空間。當任務涉及網頁存取與互動時，應調用 Browser Run 與 Kitesurf；當涉及儲存中間檔案、建立檢索索引或進行人工覆核時，則應接入 Computer。

Computer：Agent 工作區

先看重點

• 定位：給 Agent 保存檔案、執行工作與管理任務資料的 Workspace。
• 適合場景：文件索引、任務檔案、JSON 結果、測試產物與人工覆核。
• 計費與狀態：目前處於 Preview 階段，API 尚不穩定。
• 限制：API 不穩定且不應作為安全授權機制，亦不負責瀏覽器操作，不適合直接投入 production。

對於需要多階段推理與長時間執行的 Agent 任務，Computer 提供了理想的執行空間。它能妥善儲存原始輸入資料、加工後的文件、索引產物、測試輸出及人工審查紀錄，避免將所有中間過程的龐大資料強行塞入單次的模型上下文（Context Window）中。

該服務現階段提供 read、write、edit、ls 等檔案系統工具，並可依據任務安全性需求，選擇性開啟 exec 與 publish 等進階功能。在實務上，應採取最小權限原則進行工具授權，切勿將整個工作區毫無防護地開放給外部使用者。

同時，內建的 backend selector 僅用於決定程式的執行環境，並不等同於安全授權機制。面對公開的 Agent 應用，開發者仍須在應用層自行實作使用者身份驗證、限制工作目錄範圍、管控可執行指令、設置資源配額與網路防火牆政策。

Computer 的定位專注於長流程 Agent 的中繼站，適用於定期索引重建、文件彙整、自動化報告產出與人工校對。它本身並不涉及瀏覽器操作，若有網頁瀏覽需求，應協同 Browser Run 共同運作。

Cloudflare OS：組織級 Agent 與工作平台

先看重點

• 定位：讓組織部署、管理和共享 Agent、工作區、技能、脈絡與應用的平台。
• 適合場景：企業研究、文件與簡報產出、團隊工作流、資料分析和可持續修改的小型應用。
• 計費與狀態：Cloudflare 已宣布開源新版，支援自行部署與客製化。
• 限制：預設零權限，外部系統連線與副作用操作需經由 Gatekeepers 進行政策安全治理。

Cloudflare OS 提供了一個以瀏覽器介面為核心的協作入口。在各個專屬的工作空間（workspace）中，Agent 能取用組織預先定義的 context 與 skills，持久化儲存執行階段（session）、產出檔案與運行狀態，並能在沙盒化的隔離環境中直接撰寫代碼並執行任務。

這套系統的定位已超越單純的對話互動，更趨近於組織級的 Agent 運作平台。它能將研究成果自動轉化為結構化的文件、簡報或試算表；當需要特定的操作介面時，可由 Agent 自行開發並部署能夠持續微調的輕量級應用程式（apps）；對於流程固定的工作，則能封裝成基於特定事件、定時排程或手動觸發的自動化 workflow。

安全與治理方面，Cloudflare OS 導入了完善的安全防護框架。所有 Agent 預設皆為「零信任（Zero Trust）」權限，必須通過 Gatekeepers 的審查方能存取受保護的敏感資源，並能經由 MCP Server Portals 與現有的 MCP 服務進行整合。Gatekeeper 會統一託管外部憑證、強制執行資源與操作原則、記錄完整的 Audit Log，並針對具有外部副作用的操作（例如發送郵件或寫入 production 資料庫）強制引入人工審批機制。

作為一個組織級的 Agent 平台，Cloudflare OS 能完美協同底層的各項服務：將模型推論委託給 Workers AI、流量治理交給 AI Gateway、網頁爬取交給 Browser Run，而檔案儲存與背景執行則對接至 Computer。目前 Cloudflare 官方已正式宣布將新版 Cloudflare OS 開源，服務入口網址為 os.cloudflare.app。

你希望建立什麼樣的服務？

先決定產品要解決的工作，再依照資料來源、模型任務、瀏覽器互動和團隊治理需求組合 Cloudflare 的 AI 服務。下面先列組合，再往下展開實際流程。

1. RAG 客服

核心組合

• 必要服務：Workers AI、AI Gateway。
• 可選服務：Browser Run、Computer。
• 適合：從企業文件、FAQ、產品說明或公開網頁回答問題。

Workers AI 負責 Embedding、文件分類、摘要與回答生成；AI Gateway 管理模型路由、快取、用量和成本。來源需要 JavaScript 渲染或登入時，加入 Browser Run；索引重建、文件整理和人工覆核需要長流程工作區時，再加入 Computer。

2. 外部下單助手

核心組合

• 必要服務：Workers AI、AI Gateway。
• 可選服務：Browser Run、Computer。
• 交易依據：既有的 Catalog、Inventory、Pricing、Payment 與 Order Service。
• 適合：商品搜尋、推薦、FAQ、政策說明與訂單摘要。

Workers AI 負責自然語言理解與回答，AI Gateway 負責模型選擇、請求治理和成本控制。商品、庫存、價格、折扣、付款結果與訂單建立都要回到既有交易系統確認。第三方後台沒有 API 時，才把 Browser Run 放進受控的自動化路徑；Computer 適合內部客服和營運人員查看任務紀錄。

3. 公開文件研究助手

核心組合

• 必要服務：Browser Run、Workers AI。
• 建議服務：AI Gateway。
• 長流程選配：Computer。
• 適合：抓取網頁、PDF、截圖、連結與結構化資料，再整理成研究結果。

Browser Run Quick Actions 負責擷取公開來源，Workers AI 負責清洗、分類、欄位抽取、摘要和 Embedding。來源數量增加、模型種類變多或需要設定 fallback 時，加入 AI Gateway。需要保留來源版本、重跑任務和人工覆核時，使用 Computer 保存研究工作區。

4. 瀏覽器 Agent

核心組合

• 必要服務：Browser Run 或 Kitesurf、Workers AI 或外部模型。
• 建議服務：AI Gateway。
• 長流程選配：Computer。
• 適合：讀取 DOM、截圖、填寫表單、跨頁互動和登入後操作。

Browser Run／Kitesurf 負責頁面載入、DOM、截圖和瀏覽器互動；Workers AI 或外部模型負責理解頁面與決定下一步；AI Gateway 管理模型路由、fallback 和預算。Computer 可以保存任務檔案、操作紀錄與人工審查資料。

5. 企業內部 Agent 平台

核心組合

• 核心平台：Cloudflare OS。
• 模型服務：Workers AI、AI Gateway。
• 外部資料與瀏覽器：Browser Run。
• 任務工作區：Computer。
• 適合：企業研究、文件與簡報產出、團隊 workflow、資料分析和可持續修改的 apps。

Cloudflare OS 提供 Agent workspace、組織 context、skills、apps、workflow 和治理框架。Workers AI 提供模型推論，AI Gateway 管理模型請求，Browser Run 連接需要瀏覽器的資料來源，Computer 保存長流程任務。這組合適合多人共享和持續維護的工作場景，Gatekeepers 與 MCP Server Portals 則負責受控連接內部系統。

以下針對幾個典型應用場景進行流程展開。

流程展開：RAG 客服

一個完整的 RAG 客服系統包含了文件匯入、權限過濾、向量檢索、回答生成與來源引用等核心環節。

在此架構中，Browser Run 負責擷取必須進行 JavaScript 渲染或登入後才能存取的動態網頁，Workers AI 負責後續的資料清洗、分類、Embedding 向量化與最終的回答生成，AI Gateway 則負責統籌所有的模型請求流量。Computer 可作為儲存匯入快取、索引建置進度、錯誤日誌以及人工覆核資料的沙盒環境。

文件來源
  → Browser Run：擷取動態頁面
  → Workers AI：清洗、分類、Embedding
  → 向量索引：由應用程式自行管理
  → AI Gateway：模型路由、快取、支出控制
  → Workers AI / external model：生成回答
  → 回傳答案、來源 URL、版本與更新時間

當使用者提出查詢時，應用系統必須先在應用層完成使用者登入、租戶隔離（Tenant Isolation）與資料讀取權限的過濾，隨後才能進行向量檢索。此外，防範 Prompt Injection 的安全機制必須在文件匯入與檢索階段實施，避免僅依賴模型後端的 Prompt 提示詞限制。產出的回答也應清楚附帶來源的 URL 網址、文件版本與更新時間。

流程展開：外部下單助手

在外部下單的自動化場景中，AI 的職責應限定在商品搜尋、FAQ 政策解答、個人化推薦與對話摘要等輔助環節。至於商品定價、實際庫存、折扣計算、付款結果與訂單的最終建立，必須嚴格由企業現有的權威交易系統進行二次校對。

使用者問題
  → AI Gateway：模型路由與請求治理
  → Workers AI / external model：搜尋、推薦、FAQ、說明
  → 應用程式工具層：Tool Allowlist、Schema Validation、權限檢查
  → Catalog / Inventory / Pricing / Payment / Order Service

模型的輸出結果絕不能直接決定商品的實際庫存、售價、折扣、扣款授權或付款狀態。若 Agent 需要調用下單相關的 API 工具，系統必須具備 Tool Allowlist、Schema Validation、使用者確認機制、Idempotency Key、交易權限邊界（權限審查）與 Audit Log。付款結果的變更必須以支付服務商發送的 Webhook 異步通知或訂單服務資料庫的實際數值為準。

Browser Run 僅在目標第三方系統完全不提供 API 時，才適合作為模擬點擊與操作的補充手段。Computer 則可作為內部客服與營運人員的審核工作區，儲存任務的歷史查詢紀錄與人工審查報表。

流程展開：公開文件與研究助手

公開網頁的研究流程通常從 Browser Run 開始。透過 Quick Actions，系統能高效率地抓取網頁文字並轉為 Markdown、下載 PDF、截取網頁畫面並抓取超連結；Workers AI 接著進行精準的欄位提取、段落摘要、資料分類與 Embedding 向量化；AI Gateway 則負責管理不同模型供應商的路由決策與用量統計。

若研究任務需要執行多步驟的交叉比對、追蹤來源網頁的版本變更、重新建立檢索索引或引入人工校對，可將資料寫入 Computer Workspace 中保存。在此過程中，所有擷取的資料都應保留原始來源 URL 與擷取時間戳記，且外部網頁上的所有文字內容都必須被視為未受信任的資料，防範潛在的指令注入風險。

費用怎麼看

評估 Cloudflare AI 服務的整體預算時，應將模型推論、流量治理、瀏覽器執行時間與 Agent 工作區的計費維度拆開計算。文字 token、音訊分鐘、圖片解析度（megapixel）、browser hour 以及並行瀏覽器數量，各自採用不同的計量單位，無法直接混為一談。

Workers AI 模型試算

以 RAG 客服場景為例，假設每月有 10,000 次對話，每次對話平均包含 20,000 個輸入 token（input tokens）與 5,000 個輸出 token（output tokens），選用 llama-3.1-8b-instruct-fp8-fast 模型：

10,000 × (0.020M × $0.045 + 0.005M × $0.384)
= $28.20

若是外部下單助手，假設每月進行 5,000 次 AI 互動，每次平均包含 5,000 個輸入 token 與 2,000 個輸出 token：

5,000 × (0.005M × $0.045 + 0.002M × $0.384)
= $4.965 ≈ $4.97

此試算僅涵蓋底層的模型推論費用，最終的產品維運成本仍需視整體服務架構的組合及帳戶當期的方案而定。

Browser Run 試算

Browser Run 的計費模式為每月免費提供 10 browser hours，超出額度後以每小時 $0.09 計費。Browser Sessions 每月則預先包含平均 10 個並行瀏覽器，超額部分每個額外並行瀏覽器加收 $2。

以文件研究助手為例，若每月需消耗 20 browser hours，扣除免費額度後的瀏覽時間費用估算如下：

(20 - 10) × $0.09 = $0.90

實際產生的帳單費用仍須參照客戶當前訂閱的方案、Browser Run 服務的即時狀態以及官方最新定價公告。

服務與費用總覽

AI 服務與使用場景

AI 相關費用快照

官方文檔與查核來源

• Workers AI：模型推論與可用模型。
• Workers AI 定價：Neurons、token、圖片和音訊價格。
• AI Gateway：模型 gateway、觀測和治理功能。
• AI Gateway 定價：核心功能、日誌和 Unified Billing。
• AI Gateway Dynamic Routing：條件路由、配額和 fallback。
• Browser Run：Quick Actions、Browser Sessions、Puppeteer、Playwright、CDP 和 MCP。
• Browser Run 定價：browser hours 與並行瀏覽器計費。
• Introducing Kitesurf：Kitesurf 的設計、12 週開發過程、Beta 狀態與未來開源計畫。
• Cloudflare Computer repository：Workspace、工具、執行後端與 Preview 狀態。
• Cloudflare OS：Agent workspace、組織脈絡、skills、apps、Gatekeepers 與開源公告。
• Cloudflare OS：Cloudflare OS 官方平台入口。

本文的 RAG、外部下單、文件匯入與研究助手組合屬於應用架構建議。正式建置前，仍需重新核對官方文件、Preview 狀態、模型價格與 Browser Run 的即時方案。