Make
免费
Make 是面向团队的 AI 办公与效率 可视化 AI 自动化平台，以 3,000+ 预构建应用连接器AI Agent、MCP 与可视化场景编排为核心，覆盖 IT、营销、销售、运营、财务与 HR 六大自动化领域。
Make
Make 的核心参数与统计
Make 是 Celonis 旗下可视化 AI 自动化平台，以"场景（Scenario）"作为核心编排单元，通过拖拽方式将触发器、动作、路由与 AI 节点组合成多步骤工作流。平台面向 IT、营销、销售、运营、财务与 HR 六大业务域，提供统一自动化中台能力。
| 项目 | 公开信息 |
|---|---|
| 官方定位 | The visual AI automation platform |
| 产品形态 | 可视化工作流编排 + AI Agent + MCP Server |
| 应用连接器 | 3,000+ 预构建应用 |
| AI 集成 | 400+ AI 应用连接器（含 OpenAI、DeepSeek、Perplexity 等） |
| 客户规模 | 400,000+ 组织，覆盖 200+ 国家 |
| 团队规模 | 350+ 人 |
| 合规认证 | SOC 2 Type II、SOC 3、GDPR、SSO |
| 社区评分 | G2 4.7、Capterra 4.8、GetApp 4.8、Gartner 4.6 |
| 最新能力线 | AI Agents、Agentic Automation、MCP、Make Grid |
| 支持平台 | Web、API、Webhook |
计费单元：Make 采用"信用点（Credits）"作为执行计量单位——场景中每个模块的一次动作（如新增 Google Sheet 行、调用 OpenAI API）消耗 1 信用点。这一计费模型比 Zapier 的任务制更细粒度，适合高频低耗场景，但高操作量下需要提前规划信用点预算。
生态规模：3,000+ 连接器与 400+ AI 集成的组合，意味着绝大部分主流 SaaS 都可直接接入。对于需要打通多个业务系统的中大型组织，这减少了自建连接器的重复投入。
部署边界：Make 目前仅提供云端 SaaS 形态，不支持自托管或私有化部署。数据主权敏感的组织需将这一点纳入合规评估。
Make 的用户与市场认可
Make 的市场地位建立在收购后的品牌重构与 AI 能力注入两条线上。官方公开数据与第三方评分提供了可核验的参考维度。
客户规模与覆盖：官方页面显示超过 400,000 家组织采用，覆盖 200+ 国家，客户包括 BNY Mellon、Bolt、Stellantis 等大型企业。以 SaaS 自动化平台来看，这一量级仅次于 Zapier，但在可视化编排灵活度上形成了差异化定位。
第三方评分：G2 4.7、Capterra 4.8、GetApp 4.8、Gartner 4.6，四条评分曲线高度一致，说明在主流评测平台上用户体验评价稳定。需要留意的是，评分平台上的采样偏差——高活跃度用户更倾向于评分，而因复杂度放弃的用户意见较难被系统采集。
行业认可：被 Celonis（流程挖掘领域龙头）收购后，Make 获得了企业级流程自动化与流程挖掘之间的协同能力。Celonis 自身也在使用 Make AI Agents 降低年费用审计成本（官方成功案例公开提及），这种"母狗吃自己狗粮"的内部采用对企业客户有参考价值。
标杆案例：官方成功案例页面公开了 FranklinCovey（节省数十万美元、释放数百人工时）、Perk（提升内部运营效率）等案例，覆盖不同规模与行业。落地前提是组织已有可标准化的重复流程。
Make 的成本优势
Make 的成本结构按 C 端/个人、开发者/团队、企业三层分化，信用点计费模型的灵活性在低执行量时体现明显，但高用量下需要仔细比对各方案的实际边际成本。
C 端/个人用户：Free 方案每月 1,000 信用点、$0/月，适合验证连接器与搭建原型。主要限制并非信用点数量，而是最小执行间隔为 15 分钟——对需要秒级响应的场景，Free 方案基本不可用。Core 方案 $9/月（10,000 信用点）解锁最小间隔到分钟级，是个人用户的实际入门档。
开发者与团队：Pro 方案 $16/月（10,000 信用点）提供优先执行队列与自定义变量；Teams 方案 $29/月（10,000 信用点）增加团队角色与模板共享。信用点超额时平台提供超量保护（Overage Protection，Enterprise 方案标配），但中低方案的超额单价以官方实时页面为准。
企业级：Enterprise 方案为定制定价，包含 24/7 支持、高级安全特性、自定义函数、企业应用集成与价值工程团队（Value Engineering）。需要商务确认 SSO 与审计日志的细粒度配置。
隐性成本：对自动化平台而言，订阅费往往不是最大头。真正影响总成本的三个因素是：(1) 连接器治理——3000+ 连接器的维护、版本变更与认证轮换需要持续人力；(2) LLM 调用费用——AI 节点的模型推理费用走用户自己的 API Key，平台不代付；(3) 流程变更成本——业务逻辑调整后场景的回归测试与异常处理升级。
Make 的主要功能
Make 的能力不是简单地把 Zapier 模式重做一遍，而是在可视化编排的底层之上叠加了 AI 原生的执行与治理层。
- 可视化场景编排：通过拖拽将触发器、动作、路由器（Router）、过滤器与聚合器组合为多步骤工作流。路由器支持分支条件、子场景调用与循有迭代，比 Zapier 的多步 Zap 在复杂逻辑上更接近传统编程的流程控制。
- AI Agent 与 Agentic Automation：2025 年起推出的 AI Agent 能力，支持通过自然语言提示词或拖拽方式构建自主代理，让代理在 3,000+ 应用中完成任务编排而非单步执行。与固定场景的区别在于 Agent 具备决策能力，可根据中间结果动态调整后续动作。
- MCP Server 连接：Make 支持将 MCP（Model Context Protocol）Server 纳入自动化链路，使 AI 模型能通过标准协议直接调用外部系统能力。这对企业已有 MCP 治理架构的团队来说，可以减少重复集成。
- Make Grid 全景视图：面向企业管理层的全局自动化仪表盘，展示跨部门、跨场景的运行状态、失败率与信用点消耗，解决自动化"黑箱"问题——这是 Zapier 等竞品尚未同等强调的治理能力。
- 400+ AI 应用集成：覆盖 OpenAI、DeepSeek、Perplexity、Claude 等主流模型供应商，使 LLM 调用成为场景中的标准节点而非外部脚本。平台不限制使用哪个模型，用户自带 API Key 即可。
功能协同效应：AI Agent + MCP + 可视化编排 三者组合时，能力不是简单相加。典型的例子是：用户用提示词描述一个业务流程（Agent 搭建），Agent 自动调用 MCP 连接器获取外部数据，然后通过可视化场景执行后续的审批、通知与回写——整个过程从"写死流程"演进为"目标驱动执行"。
Make 的版本演进
Make 的版本脉络清晰地反映了从独立工具→平台化→AI 原生的三条演进阶段。
第一阶段：Integromat（~2015 — 2022）
以可视化多步骤场景编排切入市场，核心差异点在于支持分支（Router）、聚合（Iterator）与子场景（Sub-scenario）等高级流程控制，早期用户群集中在需要复杂逻辑的运营与数据团队。与 Zapier 的线性多步 Zap 相比，Integromat 在编排灵活度上始终领先，但代价是学习曲线更陡。
第二阶段：更名为 Make（~2022）
被 Celonis 收购后完成品牌重塑，界面从 Integromat 的工程风转向更现代的产品设计。同期引入 Make Grid 全景视图、企业级 SSO 与审计日志，客群从个人/小团队扩展到中大型企业。这一阶段的核心变化是产品定位从"自动化工具"升级为"自动化治理平台"。
第三阶段：AI 原生（~2024 至今）
AI 节点的嵌入（2024）让 LLM 推理成为场景中的标准模块；AI Agent 的推出（2025）进一步将编排范式从"预定义流程"推向"目标驱动代理"。MCP 支持的加入则为 AI 模型与企业系统的连接提供了标准化协议通道。目前仍处于高频迭代期，建议稳定使用一个成熟版本，而非跟随每次更新。
Make 的技术优势
Make 的技术优势不在底层基础设施的独特性，而在于执行引擎对复杂工作流的原生支持与可视化治理的匹配深度。
执行引擎 vs 线性流程：不同于 Zapier 的线性多步执行模型，Make 的场景引擎原生支持分支（Router）、聚合（Iterator）、子场景调用与错误处理分支。这种架构让它可以表达"如果 A 则 B 否则 C，同时 D 中的每一条执行 E"这类传统编程中的常见逻辑，而无需借助外部脚本。因果链：流程控制能力更强 → 复杂业务逻辑可在一个场景内完成 → 降低了多场景拼接的维护成本。
可视化编排的工程化设计：Make 的拖拽界面不是对代码的简单图形化包装，而是将触发器、动作、路由、聚合与 AI 节点统一建模为可执行 DAG（有向无有图）。每个节点可单独设置输入输出映射、错误重试与条件分支，这种设计使得非研发角色也能维护中等复杂度的自动化流程。
治理层的差异化：Make Grid 将场景执行状态、信用点消耗、失败分布整合为管理层可读的仪表盘，配合审计日志与权限角色，使自动化从"个人效率工具"升级为"部门级基础设施"。对 IT 治理团队来说，这意味着不需要人工巡检每个场景的运行状态。
技术局限：不支持自托管/私有化部署是所有 SaaS 自动化平台的共性限制，但 Make 在企业合规场景下可能因此被排除。此外，高频执行场景下的执行延迟与信用点消耗关系未公开透明化，采购前需通过 PoC 验证实际表现。
Make 的使用方式
Make 提供网页端构建与 API/Webhook 两种交互入口，覆盖从拖拽搭建到程序化触发的完整链路。
| 使用方式 | 适用阶段 | 核心操作 | 前置条件 |
|---|---|---|---|
| 网页端建场景 | 设计、测试与运维 | 拖拽配置触发器→动作→AI 节点→路由 | 注册账号，Free 方案即可开始 |
| API 触发 | 生产集成 | 通过 REST API 启停场景、查询状态 | Core 及以上方案 |
| Webhook 触发 | 外部系统联动 | 接收外部系统请求作为场景触发器 | 所有方案 |
| Make AI Agent（提示词） | 快速原型 | 用自然语言描述目标，Agent 自动拆解编排 | 当前以官方可用性为准 |
典型上手路径：注册后从模板库（官方提供大量预建模板）选择一个接近需求的场景开始克隆修改，比从空白场景搭建更高效。建议第一周先用 Free 方案跑通 1-2 条低风险流程（如表单数据同步、邮件通知），重点验证连接器可用性、触发间隔是否满足需求、失败重试策略是否可接受。
生产部署提示：场景上线前必须设置错误处理分支（Handle Error）与通知告警，避免静默失败。对涉及数据写入的场景，建议先用 Dry Run 或测试有境验证输出格式，特别是在使用 AI 节点时——LLM 输出不可控性可能导致下游字段格式异常。
Make 的产品定价
Make 采用"信用点"作为统一计量单位，定价公开且透明，但高用量场景需要进行边际成本推演。
| 方案 | 月费 | 信用点/月 | 最小执行间隔 | 关键差异 |
|---|---|---|---|---|
| Free | $0 | 1,000 | 15 分钟 | 基础体验，适合原型验证 |
| Core | $9 | 10,000 | 1 分钟 | 解锁 API、无限场景数 |
| Pro | $16 | 10,000 | 1 分钟 | 优先执行、自定义变量 |
| Teams | $29 | 10,000 | 1 分钟 | 团队角色、模板共享 |
| Enterprise | 定制 | 定制 | 定制 | 24/7 支持、高级安全、自定义函数 |
信用点机制：每个模块每次执行消耗 1 信用点。一条 5 步骤场景每天执行 200 次 = 1,000 信用点/天（5×200）。这意味着 Free 方案的 1,000 点/月在真实业务中很快耗尽，Core 及以上方案才具备日常可用性。
隐藏成本项：(1) 超额信用点购买——超出月度配额后的单价以官方页面为准；(2) AI 节点推理费用——调用 OpenAI 等模型需用户自有 API Key，Make 不代付；(3) 企业方案需商务确认——SSO、审计日志、私有部署等条款未在公开定价页完整展示。
年付折扣：官方提供年付选项（Pay annually），通常比月付节省约 15-20%，具体以实时页面为准。
Make 的应用场景
Make 的落地场景集中在跨系统、可标准化的数字流程，按岗位角色可拆解为以下三类：
- 营销自动化：跨平台内容分发（社交媒体→CMS→邮件）、线索评分与流转（表单→CRM→销售通知），以及广告平台数据汇总。收益体现在人工转录减少和线索响应时间从小时级压缩到分钟级。核验重点：广告平台连接器的数据刷新频率与归因窗口是否满足需求。
- 销售与客户运营：线索入库→分配→跟进提醒→合同到期预警的全链路自动化，结合 AI 节点做客户消息摘要与下一步建议。核验重点：AI 节点的推理延迟是否会拖慢销售跟进节奏；涉及客户数据时需确认数据驻留合规。
- IT 与财务流程：工单系统联动（监控告警→创建工单→通知责任人）、跨 SaaS 账号生命周期管理（入职→分配权限→离职回收）、费用审批自动化。降本增效推演：以 IT 工单处理为例，人工创建一张工单平均耗时 3-5 分钟，自动化后降至秒级触发，一名 IT 运维专员每天处理 50 张工单可节省约 2-3 小时。
- HR 流程：入职流程自动化（offer 确认→系统账号创建→设备申请→培训邮件），考勤与请假审批联动。这类场景中涉及员工隐私数据的有节需设置人工审批确认点。
Make 的适用人群
Make 的多形态策略能够服务四类角色，但对每一类的适用深度不同。
- IT 与平台团队：最匹配的人群。IT 团队需要跨部门自动化的统一治理，Make Grid 的全景视图与审计日志提供了管理层可见性。适合已有多套 SaaS 系统、需要标准化连接治理的组织。
- 运营与营销操作人员：无代码编排降低了流程搭建门槛，但需要使用者具备流程拆解能力——能把"我想自动化的业务动作"转化为触发器→动作→条件判断的结构化思维。这不是所有运营人员天然具备的。
- 自动化工件与效率负责人：关注 ROI 的团队，可以用 Free 方案做 PoC，用信用点消耗数据反向推算单个流程的成本。Make 的计费透明度在这个场景下是优势。
- 企业与合规采购者：SOC 2 / GDPR 认证 + SSO + 审计日志，合规基础能力齐全。但不适用的场景也很明确：需要完全私有化部署的组织（Make 无自托管选项）；对执行延迟有亚秒级要求的实时场景；只需要个人级简单 Zap 式自动化的轻度用户（Zapier 的学习成本更低）。
Make 的总结与展望
Make 的核心价值在于把可视化编排的灵活性与 AI Agent 的自主决策能力整合到同一平台，同时通过 Make Grid 与治理模块解决了企业自动化的"黑箱"问题。它不是自动化赛道上最轻量的选项，但在复杂业务流程、多部门协作与 AI 原生集成这三个维度的交叉点上，形成了与 Zapier、n8n 等竞品的清晰差异。
当前限制：(1) 不支持自托管/私有化部署，数据主权要求高的组织需要慎重评估；(2) AI Agent 功能仍处于快速迭代期，生产有境的稳定性需通过 PoC 验证；(3) 信用点计费模型对高频执行场景的成本透明性有待改善；(4) 中文界面与文档支持未公开，面向中国市场的落地路径尚不明确。
采购与采用风险评估：建议先用 Free 方案在 1-2 条高重复、低风险流程上做小范围试点（如表单数据同步、通知自动化），验证搭建效率与信用点消耗是否符合预期。试点周期建议 2-4 周，重点记录：单场景搭建耗时、每日执行量、失败率与恢复成本。确认模型可行后再考虑 Core/Pro 方案扩展；企业采购前需商务确认 SSO 细粒度、数据驻留地域与 Enterprise 合同中的 SLA 条款。对于存在私有化部署刚需的组织，建议同步评估 n8n（开源自托管）作为替代方案。
限制与不适配场景
该工具在以下场景中存在使用限制：
场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。
技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。
版本信息
- Make AI Agents ：公开推出 AI Agent 能力，支持 Agentic Automation、MCP 连接与 AI 应用集成（400+ AI 集成），可通过提示词或拖拽构建代理工作流。具体版本号与精确发布日期以官方实时页面为准。
- Make AI 能力引入 ：在平台内嵌入生成式 AI 节点（OpenAI、DeepSeek、Perplexity 等），支持在场景中直接调用 LLM 做文本生成、分类、摘要与数据提取。暂无官方精确日期。
- 更名为 Make ：被 Celonis 收购后完成品牌升级，界面重构、强化企业级治理能力（SSO、审计日志、权限管理），并引入 Make Grid 全景视图以监控跨部门自动化运行状态。暂无官方精确日期。
- Integromat ：以可视化多步骤场景编排起步，支持分支、聚合、路由与定时触发，定位为 Zapier 的灵活替代方案。暂无官方精确日期。
用户评价