你的競爭對手上一季推出了 AI 功能。董事會開始追問你的產品藍圖。共同創辦人不停丟連結給你。
所以你打算加入 AI 功能。問題在於：你會成為「新增了一個功能」的團隊，還是「新增了一個披著功能外殼的成本中心」的團隊。這兩種結局的差距不在模型品質——而在前兩週做的決策：選哪個功能、採用什麼架構、token 數學怎麼算、以及你如何定價。
這份手冊依序帶你走過這些決策：「加入 AI」的真正意義、如何挑選第一個功能、如何在不重寫 SaaS 的前提下完成架構、如何計算單位經濟讓功能賺錢而不是燒錢，以及哪些錯誤會讓 AI 功能變成負債。所有技術細節都指向我們既有的指南——這一份停留在產品與策略層面。
「加入 AI」對你的 SaaS 究竟意味著什麼
重點：AI 功能有三種類型，其中只有一種算得上是產品策略。
- 輔助型功能——摘要、推薦、翻譯、自動補全。它們改善既有的流程。風險低，天花板也低。
- 自動化功能——客服分流、文件抽取、資料擴充。它們取代人工工作。風險中等、ROI 真實、可量化。
- 新類別功能——你的產品類別原本沒有的能力，例如針對客戶自有資料的對話式分析。風險高、可能帶來變革，也無法與競爭對手比較基準，因為沒人做過。
最燒預算的誤解，是把「包裝」當成策略。在儀表板上釘一個聊天面板不是 AI 功能——那只是聊天面板。市場早已訓練你的使用者看穿這一套。真正的 AI 功能改變的是工作流程，而不只是一塊畫面。
為什麼 AI 功能很重要
重點：AI 功能現在是留存與定價的槓桿——而沒有 AI 功能本身就是一種競爭訊號。
2026 年的數據在各大產業調查中相當一致：AI 功能與更高的啟用率、更好的留存率相關，而 AI 原生能力也越來越常出現在定價方案中，作為差異化的一層。我們不會引用一份沒有方法論的研究——這個模式在你的自有漏斗裡就看得到：能回答問題或減少步驟的功能，轉換率就是比增加摩擦的功能高。
什麼都不做的代價，比一年前更尖銳。當每個競爭對手都有 AI 方案時，沒有 AI 方案本身就讀得出訊號——關於你的藍圖、你的毛利、你的團隊。這公不公平不重要；市場就是這樣解讀的。
如何挑選你的第一個 AI 功能
重點：選「使用頻率 × 付費意願 ÷ 實作成本」最高的功能——對多數 SaaS 來說，那就是客服或摘要。
用三個軸向為每個候選功能打分：
| 軸向 | 量什麼 | 權重 |
|---|---|---|
| 使用頻率 | 使用者每個月會呼叫幾次？ | 最高 |
| 付費意願 | 使用者會因此多付錢，或少流失嗎？ | 高 |
| 實作成本 | 整合 + eval + 防護機制的投入 | 減項 |
把你的功能點子丟進去跑一輪。客服分流三項都拿高分——它每天都會被呼叫、是看得見的成本節省，而且我們有一份完整的客服聊天機器人架構指南可以借用。內容摘要在使用頻率和實作容易度上拿高分。對話式分析在付費意願上拿高分，但要花好幾個月和一支資料團隊。
一次實際的評分演練。 假設一個專案管理 SaaS 有三個候選：(a) 自動產生會議摘要，(b) 一個能回答使用者專案問題的助理，(c) 在專案時程上自動做風險預測。頻率：摘要每週用一次、助理每天用、風險預測每月用。付費意願：摘要是基本盤（低）、助理是升級方案的推手（高）、風險預測展示起來很漂亮，但沒人確定會付費。實作成本：摘要是範圍明確的 pipeline；助理需要 retrieval；風險預測需要歷史資料和嚴謹的 eval。加權總分選出助理——而這次評分演練，把一場口水戰變成了一張試算表。
第一個功能的預設建議：客服或摘要——高頻率、可量化的成果、範圍明確的實作。把登月計畫留給第二個功能，等你先把成本與評測基礎建設蓋好再說。
如何架構 AI 功能
重點：四個架構決策決定你的 AI 功能會規模化還是崩潰——而且沒有一個是「選哪個模型」。
- 永遠走後端代理。 API Key 絕不碰前端。所有呼叫都透過你的後端轉發——Key 在這裡、限額在這裡、log 也在這裡累積。這是沒有商量空間的，我們的安全基準有詳細說明。
- 串流、快取、批次——照這個順序實作。 串流是 UX 的必要條件，不是可有可無：使用者會放棄不串流的聊天介面。Prompt caching 在重複的模板上降低 input 成本，批次處理則大幅削減任何離線工作負載（embeddings、擴充、夜間摘要）的成本。我們的正式環境優化指南有具體機制。
- 路由模型，不要綁定模型。 整個產品只用一個模型，是單點故障，也是定價上的人質處境。依任務路由：便宜的模型做分類、前沿模型做 UX 關鍵的生成。自訂路由就是起點——而且它是設定，不是架構。
參考形狀——一個架構良好的 AI 功能長這樣：
Frontend → Backend proxy (keys, limits, logs) → Router (task → model tier)
→ Fallback chain (provider B on failure)
→ Cache layer (repeated templates)
→ Usage/cost sink (per-feature attribution)四層架構，每一層都可替換，沒有一層跟特定供應商綁死。如果你的功能畫不出這個樣子，架構就還沒完成——而事後重做的成本，會比現在把它畫出來高得多。
- 上線前先做 eval。 如果你無法衡量上一次 prompt 變更後功能有沒有變好，那你只是把『希望』當成產品上線而已。一套帶 pass/fail 門檻的基準 eval set，就是「AI 功能」和「實驗」之間的差別——我們內建在測試 pipeline 裡的 CI 式 eval 紀律，就是值得複製的模式。
如何為 AI 功能定價：Token 單位經濟
重點：AI 功能是有 COGS（銷貨成本）的產品——把它當產品定價，並讓毛利率維持在 70% 以上。
以下是決定一切的單位經濟公式：
Cost per user per month =
(calls per user per month)
× (tokens per call, input + output)
× (price per token, blended)用 2026 年中期的價格區間做個實例（請對照最新的 OpenAI 定價與 Anthropic 定價）：一個摘要功能，每位用戶每月 30 次呼叫、每次 4K input + 1K output，前沿等級定價大約 $3/M input、$15/M output，混合算下來——每位用戶每月約 150K tokens，原始模型成本約 $0.81。加上 prompt caching（重複的文件模板）與路由（短文用便宜模型），同一個功能降到每位用戶每月 $0.03-0.06。一萬個用戶：按列表價格約每月 $8,100，加上快取與路由則為每月 $300-600——小到可以吸收，大到忽略它就會有感。
三個有效的定價模式：
| 模式 | 怎麼運作 | 適合 |
|---|---|---|
| 方案內含 | AI 功能包含在中高階方案 | B2B、用量有上限 |
| 用量包 | 預先購買額度／tokens | 自助服務、變異大 |
| 混合制 | 方案底價 + 用量上限與軟性超額 | 多數團隊 |
毛利法則：讓 AI 功能的毛利率維持在 70% 以上。如果模型成本吃掉你收費的 30% 以上，定價就錯了——要嘛功能跑起來太貴（用路由／快取修正），要嘛賣得太便宜（調高方案）。
Agentic 的案例，因為你團隊裡一定有人會提。 一個真正有用的對話式助理需要 retrieval、tool calls 和多輪記憶——每個 session 的 tokens 實際上是摘要功能的 2-5 倍。以每位用戶每月 30 個 session 計算，在前沿定價下、快取與路由做好的話，是每人每月 $0.5-2.5——沒做好的話還會更高。現在毛利法則派上用場：AI 方案收每人每月 $10，模型成本 $2.50 還有 75% 毛利——很好。跳過路由和快取，眼睜睜看著同一個功能吃掉 $5，這個方案在付薪水給開發團隊之前就先虧損了。模型成本是毛利最先死掉的地方，也是最容易修的地方：同一個功能，做好路由和快取，通常便宜 40-70%。
該避免的常見錯誤
重點：四種負債模式——防護機制、context、供應商綁定、以及缺乏成本可視性。
- 沒有防護機制就直接上正式環境。 Prompt injection、有害內容、壞掉的 tool 權限。分層防禦的做法——input 過濾、供應商原生防護、output 驗證、tool sandboxing——是唯一能扛住真實使用者的方案，而一旦功能碰觸使用者資料，它就沒有「可選」這回事。
- 把整個 context 全塞進去。 「全部丟進去就好」是 2026 年最貴的 prompt engineering 錯誤。Long-context API 是真的，但成本曲線是線性的、品質曲線不是——擷取你需要的，別上傳你擁有的。
- 單一模型綁定。 一家供應商、一個模型、沒有 fallback。當模型被淘汰或重新定價，你只有兩個選項：付錢，或恐慌。帶 fallback 的路由把這件事變成一次設定變更——正是「模型即設定」的紀律，讓供應商遷移變得無聊而不是驚天動地。
- 沒有成本可視性。 如果每個月一號你答不出「這個月每個用戶的 AI 成本是多少？」，你就是蒙著眼睛在飛——而第一次在意這件事，就是帳單翻倍的那個月。Usage logging 和每個功能的成本歸屬是設定工作，不是事後補救；error codes和 rate limits是監控討論的起點。
常見問題
我應該先做哪個 AI 功能？
客服分流或內容摘要——頻率最高、成果可量化、範圍明確。登月計畫留到第二個功能，等成本與 eval 基礎建設都就位再說。
AI 每人每月要花多少錢？
做得好的摘要功能每人每月約 $0.03-0.15，取決於模型等級與快取；吃重的 agentic 功能可能到每人每月 $1-5。定價那一節的公式會告訴你你的數字——模型成本是輸入值，不是答案。
AI 功能需要 vector database 嗎？
只有在大型私有語料上做 retrieval 才需要。多數第一個功能用不到。在投入 vector 基礎建設之前，先評估 long-context 與簡單搜尋——多數團隊會發現他們的第一個功能需要的是資料庫，不是 vector database。
該按 token 收費還是按訂閱收費？
向使用者收訂閱費或用量包——絕不按 token 收費。Token 計費會讓你的使用者害怕你的功能。內部一切按 token 追蹤；對外則把它抽象掉。
推出第一個 AI 功能要多久？
在既有程式碼庫上做一個範圍明確的功能，需要兩到四週——前提是從第一天就有 eval 和成本監控。沒有的話，同一個功能要花一季，因為一旦發現無法衡量，你就得重做。對 API 層完全陌生？我們的 quickstart讓你在幾分鐘內完成第一次呼叫。
我可以用客戶資料 fine-tune 模型嗎？
不行——預設對客戶資料零訓練，並逐一確認你接觸的每家供應商的資料處理條款。合規是一項功能；GDPR 與資料隱私義務是基本盤，不是差異化，而你為它們建立的稽核軌跡，正是日後安全審查會要求的那條軌跡。
總結
當你為 SaaS 加入 AI 功能時，把它們當成有成本結構的產品——按頻率與付費意願挑選、用後端代理與模型路由來架構、用毛利 70% 以上的單位經濟來定價、並在上線前做好防護。做到這四件事，你是在加護城河；跳過它們，你只是在加一個披著功能外殼的成本中心。
你的第一個 AI 功能值得的是單位經濟，不是 demo。取得你的 TokSpan API Key——內含 $5 免費額度——從第一個請求開始，就能看到每個功能的成本。