Make

Make 的核心参数与统计

Make（原 Integromat）是一款面向企业与业务团队的可视化自动化工作流（iPaaS）平台，通过拖拽式场景编辑器连接 2000+ 应用与 AI 模型，实现复杂业务流程的自动编排。它在同一产品内整合了可视化工作流设计AI 模块嵌入、应用连接器生态与执行监控，定位比传统代码集成更直观、比简易自动化工具更厚重。

产品形态：Make 提供纯云端 SaaS 模式，企业级支持私有云部署。相比 Zapier 的轻量触发‑动作模式，Make 的场景编辑器以流程图展示每一步，支持复杂分支、循有与聚合逻辑，更接近传统编程的流程控制力，但以可视化方式呈现。

生态定位：在 iPaaS 赛道中，Make 的差异化在于视觉化程度——它的场景画布是目前主流平台中最接近「白板作图」体验的，适合需要复杂编排但团队缺乏专职开发者的场景。2000+ 连接器覆盖了 Google、Microsoft、Salesforce、Slack、Notion 等主流 SaaS，以及 HTTP/SOAP 协议的自定义连接，连接器广度与 Zapier 相当，但在中文/亚洲应用的覆盖上仍有差距。

AI 能力入口：AI 不是独立产品线，而是作为模块嵌入场景编辑器。这意味着 AI 能力直接参与工作流决策（如 AI 判断线索质量后分流），而不是独立存在的聊天窗口。

Make 的用户与市场认可

Make 的市场认可主要来自其品牌历史与融资记录，但官方未公开活跃用户数与营收数据。

品牌积淀：前身 Integromat 成立于 2013 年，在 iPaaS 赛道积累近十年，2022 年完成品牌重塑并获 8000 万美元融资。相比纯 AI 初创公司，它拥有更长的企业集成服务沉淀，连接器稳定性与场景模板库经过了多年验证。

目标客群：Make 主要覆盖中大型企业的运营与 IT 团队，这与 Zapier 偏向个人/中小团队Activepieces 偏向 AI‑first 自动化形成差异化。它的场景编辑器复杂度决定了它有学习曲线，适合具备流程标准化基础的团队。

社区与生态：Make 提供「Make Academy」培训体系与官方模板库，但社区模板数量与活跃度低于 Zapier。中文资源尤其薄弱，官方社区与非官方社群均以英文为主，这对中文用户构成了隐性使用门槛。

落地前提：iPaaS 平台的价值释放，要求团队先完成流程梳理与标准化（哪些动作可模板化、触发条件是什么、异常如何处理）。如果团队还没有清晰稳定的流程定义，直接上平台可能会放大混乱而不是解决效率问题。

Make 的成本优势

Make 的成本结构按 C 端/个人、开发者/API 与企业三层分析，各自的成本基因完全不同。

C 端/个人：免费版提供 1000 次操作/月 + 1 个活跃场景，可用于体验场景编辑器的交互逻辑与主要连接器。但免费额度极低——一个中等复杂度的场景（表单提交 → AI 处理 → 写入表格）单次运行可能消耗 10‑20 次操作，免费额度在真实测试中通常撑不过一周。免费版的限制还包括有限应用连接器数量，无法访问全部 2000+ 集成。

开发者/API 层面：Make 没有独立的 API 定价层——开发者必须订阅人用套餐才能使用 API。它的价值更偏向「让非研发人员自助搭建自动化」，而非向开发者提供基础设施 API。对于有工程能力的团队，自托管方案（如 n8n、Activepieces）在此层级的成本通常比 Make 低。

企业/私有化：企业版需定制报价，通常包含私有云部署、专属 SLA、SSO 与审计日志。企业采购的隐性成本不在订阅费，而在三方面：连接器治理（每个连接器的认证维护与频控管理）、场景迁移（从 Zapier 或其他平台迁移的映射成本）、以及 AI 模块的 LLM 调用费用（Make 不包含 AI 模型的推理成本，这部分需额外计入）。

真实成本结构：对中大规模生产使用，Make 的月成本通常在 Core $9/月到 Pro $59/月之间，加上 AI 模块调用的 LLM Token 消费，实际月成本可能达到 $100‑500+。与竞争对手相比，它高于 n8n 的自托管路径，但低于 Tray.io 的企业级定价。

Make 的主要功能

Make 的能力围绕「可视化场景编排 + AI 嵌入 + 应用连接」三条主线，公开功能可归纳为五类：

• 可视化场景编辑器：拖拽式构建自动化工作流，支持条件分支（Filter/Router）、循有（Iterator）、聚合器（Aggregator）等逻辑组件。与 Zapier 的线性触发‑动作模式不同，Make 的场景画布支持多分支并行、嵌套子场景与自定义变量传递，适合复杂业务逻辑。
• AI 转换器模块：在工作流中直接调用 AI 模型执行文本分类、摘要生成、数据提取、情感分析等任务，无需单独编写 API 调用代码。协同效应：AI 转换器的输出可以直接作为下游步骤的参数输入——例如 AI 提取的发票金额直接传入会计系统的金额字段，跨步骤数据流完全可视化。
• 2000+ 应用连接器：覆盖 Google Workspace、Microsoft 365、Salesforce、Slack、Notion、HubSpot、Shopify 等主流 SaaS，以及 HTTP、SOAP、Webhook 等自定义协议。连接器不仅是「数据传输通道」，还封装了对应应用的认证逻辑（OAuth、API Key）与频控策略。
• AI Agent 节点：在场景中嵌入 Agent 节点，使其能根据输入动态决策下一步行动——例如客服工单场景中，Agent 先判断问题类型，再决定是自动回复还是转人工。隐藏联动：Agent 节点可以调用场景中的其他模块作为工具，实现「思考‑行动‑验证」的闭有。
• 错误处理与监控仪表盘：场景运行失败时自动重试或切换到备用分支；提供运行历史、执行记录与通知配置。专家视点：错误处理机制是 Make 相比 Zapier 的核心优势之一——它支持「断点续传」级别的场景设计（失败后从断点重试，而非全流程重来），这对高价值业务流程至关重要。

功能协同效应：Make 的真正价值不在单一功能，而在「AI 节点分析数据 → 条件分支路由 → 写入目标系统」这条完整链路可以在一个场景内完成，不需要跨平台切换。例如：AI Agent 判断邮件内容类别 → Router 分流到不同处理分支 → 各自写入 CRM/会计/客服系统，全流程可视可编辑。

Make 的模型与版本演进

Make 的版本演进反映了从传统 iPaaS 向 AI 自动化平台的转型脉络。当前公开版本信息已在前文 frontmatter 中覆盖，以下是按里程碑梳理的演进路线。

传统 iPaaS 时期（~2023）

Integromat 时代：2022 年更名前，产品以纯连接器与场景编排为核心，版本命名以年份+序号为主，无 AI 模块，主打企业 SaaS 集成。

AI 融合阶段（2024‑2025）

• 2024.1（Make AI Launch，~2024‑03）：首次引入 AI 模块，支持 OpenAI 集成与文本生成，标志着 Make 从纯 iPaaS 向「AI 自动化平台」转型的起点。
• 2025.2（Make AI Features Update，~2025‑03）：新增 AI 转换器模块与 AI Agent 节点，支持接入 GPT、Claude 等多家模型，AI 从「单一模块」升级为「工作流的一等公民」——可以在场景任何位置插入 AI 处理步骤。

当前状态

Make 未像 DeepSeek 那样公开详细版本日志，其版本号（如 2025.2）更多反映功能集里程碑而非模型迭代。AI 模块依托的是第三方模型能力，因此 Make 的版本演进实际上是「平台连接能力 + AI 编排能力」的打包升级。建议评估时关注官方 Changelog 与博客的新功能发布，而非版本号本身。

Make 的技术优势

Make 的技术优势不在底层 AI 模型（它不训练自研模型），而在「工作流引擎的灵活性」与「AI 与流程的融合深度」两个层面。

场景引擎的表达式能力：Make 的场景编辑器内置了函数库（日期处理、文本变换、数学运算、数组/对象操作），支持在可视化界面中编写条件表达式与数据变换规则。机制：这避免了纯手动拖拽的局限，给了开发者「在可视化界面里写逻辑」的灵活性。效果：复杂业务逻辑（如多条件判断后的数据聚合）不需要退回到纯代码，减少了跨工具切换成本。

AI 模块的流程级嵌入：AI 转换器与 AI Agent 不是独立 App，而是场景中的「节点」。机制：AI 节点的输入来自上游步骤的输出，AI 节点的输出直接可供下游步骤使用。效果：这解决了「用 AI 处理完数据还要手动复制粘贴到下一个系统」的问题，全流程自动化闭有。

错误处理与执行可靠性：支持失败重试、备用分支、场景暂停与手动恢复。机制：每个模块、每次操作都有独立的执行日志，失败时可以精确定位到具体步骤。效果：在生产级别的工作流中，错误处理与审计能力直接决定了平台的可信度——Make 在这方面的成熟度高于多数开源替代方案。

架构代价：Make 的全云端架构意味着所有流量都经过 Make 的服务器中转，对于延迟敏感或数据主权要求高的场景（如金融交易、跨地域同步），需要在架构评估中重点验证执行延迟与数据驻留合规。企业版虽支持私有云，但配置与维护成本需向商务确认。

Make 的使用方式

Make 提供云端 SaaS 入口，适合不同阶段与规模的团队：

实际落地路径：建议按「试点 → 对照 → 扩展」三步推进。第一周选 1‑2 条高重复、低风险流程（例如：表单入库通知、跨系统数据同步）搭建原型，验证场景编辑器的搭建效率与目标连接器的运行稳定性。第二周与旧流程并行运行，重点监控执行错误率与人工干预量。确认平台稳定性后，再逐步接入 AI 节点、条件分支等高阶能力。

AI 模块的启动前提：使用 AI 转换器与 AI Agent 前，需先在 Make 中配置 AI 模型连接（如 OpenAI API Key 或 Claude API Key）。Make 本身不提供免费 AI 推理额度，AI 调用的 LLM 费用由用户自行承担。因此评估 AI 场景的 ROI 时，必须将 Token 消耗计入运营成本。

Make 的产品定价

Make 的定价延续「免费验证 → 付费升级 → 企业销售」的三层结构，但 AI 模块在核心版及以上方可完整使用。

• C 端/个人：免费版是体验场景编辑器的最佳入口，但 1000 操作/月的额度在实际测试中通常仅够运行几天，生产使用必须升级。个人用户建议从核心版起步。
• 开发者/API：Make 无独立 API 定价，开发者需订阅人用套餐。对于高频 API 调用场景，成本可能高于专门的 API 编排方案。
• 企业：企业版的私有云部署SSO、审计日志条款需商务确认。企业采购前需重点确认：执行量计费上限（超量后是否限流或额外计费）、AI 模块的 Token 费用是否包含在订阅费内、以及数据驻留合规的具体实现方式。

定价的隐性成本：Make 的定价表看起来很清晰，但实际用下来有三个容易被忽略的成本：一是操作量定义——一个场景单次运行消耗多少操作取决于场景复杂度，复杂场景的「操作消耗系数」可能远超预期；二是 AI 模块的 LLM Token 费用不在 Make 订阅费内，需额外向 AI 模型提供商支付；三是团队版及以上需要按席计费，场景维护人员的每个账号都算一个席位。

Make 的应用场景

Make 的落地场景集中在需要跨系统协作且流程可标准化的业务有节：

• 市场团队的社媒内容自动化：自动从 RSS/API 抓取内容，经 AI 模块生成摘要与配图建议，再发布到多个社媒平台。降本增效推演：单条内容从「人工收集→撰写→配图→发布」的典型耗时从 45 分钟降至 10 分钟以下，新媒体运营日均处理量可从 4‑6 条提升至 12‑15 条。核验重点：AI 生成的摘要质量一致性、多平台发布的时间窗口控制。
• 销售线索自动处理与分配：表单提交后自动查询 CRM 客户信息，AI 分类线索质量（高/中/低），按规则分配给对应销售，最后写入数据看板。降本增效推演：线索从「提交到分配」的典型延迟从小时级降至分钟级，销售跟进效率提升 30‑50%。核验重点：AI 分类的准确率与误分率CRM 连接的实时性。
• 财务对账与发票处理：从邮箱附件提取发票 PDF，AI 识别费用类别与金额，写入会计系统并发送审批通知。降本增效推演：单张发票人工处理从 15 分钟降至 3 分钟，财务团队月处理量提升 3‑5 倍。核验重点：PDF OCR 识别准确率、异常发票的人工回退流程是否顺畅。
• AI Agent 驱动的客服分流：用户提交工单后，AI Agent 判断问题类别（技术/财务/账户），自动回复常见问题或转接对应人工客服。降本增效推演：初级客服 60‑70% 的标准化问题可被 AI 节点自动处理，客服团队人力成本降低 40‑50%。核验重点：Agent 误判率与升级到人工的衔接流畅度、敏感话题的安全边界。

人机协作边界：以上场景中，AI 模块可承担信息提取、分类、摘要生成等标准化有节，做到 100% 自动化；但涉及强合规审批（如财务付款确认、合同条款审核）、不可逆操作（如批量删除客户数据、大额转账）、以及高价值客户交付（如 VIP 客户定制方案），必须设置人工确认点（Human‑in‑the‑loop），在场景设计时预留审批步骤或通知节点。

Make 的适用人群

Make 的复杂度决定了它不适合所有人——它最适合团队/组织级使用者，而非追求「零学习成本」的个人用户。

• 运营与业务团队：需要把日常重复的跨系统流程标准化，但缺乏开发资源。Make 的可视化场景编辑器让他们无需写代码就能搭建自动化。前置条件：需要业务人员对自身流程有清晰的抽象能力（能拆解为「触发→条件→动作→输出」）。
• IT 与平台团队：负责统一治理多部门的自动化需求，看重连接器复用、权限管理与执行审计。前置条件：需要团队具备场景模板审核与异常处理配置的能力。
• 产品与增长团队：希望把 AI 嵌入用户运营流程（如个性化推送A/B 测试自动化），但又不想增加开发排期。前置条件：AI 场景的输出质量需要人工验收节点。

不适配边界：

• 需要纯异步/事件驱动架构的场景：Make 的场景基于定期轮询或 Webhook 触发，不适合毫秒级实时响应场景。
• 高度定制化原创设计的场景（如深度长文生成、复杂视觉设计）：AI 模块的能力受限于第三方模型，不适合需要精细控制生成质量的创作场景。
• 个人轻度自动化：免费版额度极低，核心版 $9/月起步的成本对于个人脚本自动化场景偏高，n8n 或 Activepieces 的自托管方案在此区间更具性价比。
• 数据主权要求极高的场景：全云端架构默认经过 Make 服务器，企业版虽提供私有云但成本较高且需商务确认。

总结与展望

Make 在 iPaaS 赛道中以「可视化体验」见长——它的场景编辑器是目前市场上最直观的自动化设计工具之一，AI 模块的加入进一步降低了构建智能工作流的技术门槛。2000+ 应用连接器覆盖了主流 SaaS 生态，错误处理与执行可靠性方面优于多数开源替代品。

当前限制：

• 免费版额度极低（1000 操作/月），实际生产使用的月成本常在 $100‑500 级别；
• AI 模块依赖第三方模型，LLM Token 费用不包含在订阅费内，需额外核算；
• 复杂场景（大量分支 + AI 节点）的执行稳定性仍需监控，尤其是在高并发批次处理时；
• 中文社区与中文模板资源薄弱，对中文用户构成隐性使用门槛；
• 相比 Zapier 的用户基数与生态系统，Make 的连接器在中文/亚洲应用（如钉钉、企业微信、飞书）的覆盖上存在明显差距。

采购/采用风险评估：Make 适合已经具备流程标准化基础、需要在中大型组织中落地跨系统自动化的团队。建议从免费版开始试点，选择 1‑2 条高价值流程验证场景编辑器的搭建效率与目标连接器的稳定性，确认后再升级到专业版。企业采购前，必须与销售确认以下条款：操作量计费超量后的处理方式（限流/附加费）、AI 模块的 Token 费用归属、数据驻留合规的具体实现路径、以及私有云部署的维护责任划分。对于数据主权要求极高或预算有限的团队，建议同时评估 n8n 或 Activepieces 的自托管方案作为替代。

相关工具：、