廠商跟你報 AI 客服的價格，說這個要看你們的 token 用量、模型的 context window 不夠會漏資料，你點頭如搗蒜，回家一頭霧水。2026 年幾乎每個服務都要加 AI，而 AI 的成本邏輯跟你熟悉的一次買斷完全不同——它比較像水電費，用多少算多少。這三個詞就是那張帳單上最關鍵的三個欄位。
為什麼這三個要一起講
因為它們是同一件事的三個面向：LLM 是那位員工、Token 是計費單位、Context Window 是它一次能看的桌面大小。你要用 AI，這三個一定同時碰到：它能不能勝任（LLM）、要花多少錢（Token）、一次能處理多少資料（Context Window）。
名詞 1：LLM（大型語言模型）
一句話：一個讀過整座圖書館、很會用文字回答問題，但沒有記憶、也會一本正經講錯話的超級實習生。
日常類比：把 LLM 想成你新請的一位博學實習生。它反應快、什麼都能聊；但它不記得昨天跟你講過什麼，每次來上班都像失憶重來，而且有時會硬掰。ChatGPT、Claude、Gemini 背後都是 LLM。
實際例子：你是一家補習班，想做家長 LINE 自動回覆。LLM 就是負責讀家長問題、寫出回答的引擎。你得餵它你的課表、收費、請假規則，否則它會自己編一個聽起來很合理的答案。
名詞 2：Token（計費與計量單位）
一句話：AI 讀字和吐字的跳表單位，中文大約 1 個字等於 1 到 2 個 token。
日常類比：Token 就像計程車的跳表。你講的每一句話（輸入）加 AI 回的每一句話（輸出）都在跳表。大型模型商幾乎都按 token 計費，輸入和輸出分開算。
實際例子：補習班的 AI 客服每次問答可能用掉幾百到上千 token，一個月幾千則對話就是幾百萬 token。你該做的是估每月大概幾則對話，反推大概的 token 費。
名詞 3：Context Window（上下文視窗）
一句話：AI 一次能同時看在眼前的資訊量上限，超過就會忘掉前面。
日常類比：Context Window 是那位實習生的辦公桌桌面。桌面就這麼大，文件太多舊的就得收走，它就看不到被收走的那份了。桌面越大通常越貴。
實際例子：想讓 AI 客服記得整段對話、或一次讀完 50 頁課程手冊，就需要夠大的 context window；太小，它回到第 10 題時可能已經忘了第 1 題。解法通常不是硬塞大模型，而是用 RAG 只撈相關那幾段，更省也更準。
三者之間的關係
想像一條產線：你的問題，切成 Token，放上 LLM 的桌面（Context Window），LLM 讀完，吐出答案（又是一堆 Token）。LLM 決定答得好不好，Token 決定花多少錢，Context Window 決定一次能看多少、記多久。
對客戶決策的具體影響
- 預算：AI 功能通常是用量計費，不是一次買斷。要編月費預算。
- 時程：接 AI 不難，難的是餵對資料與控制成本。
- 風險：不做 RAG／防呆，AI 會一本正經亂講，反而傷客戶信任。
客戶該問廠商的 5 個問題
- 這個 AI 功能是按 token 用量計費嗎？幫我估一下每月大概多少錢？
- 你們怎麼避免 AI 亂講（是否用 RAG、是否只讓它讀我提供的資料）？
- 用的是哪個等級的模型？context window 夠不夠我的文件量？
- 如果用量暴增，有沒有成本上限或降級機制？
- 我的對話資料存在哪、會不會被拿去訓練別人的模型？
常見誤解
誤解：AI 功能做一次、之後就免費用。真相：多數 AI 功能是持續用量計費（token），像水電費。編預算時要把每月用量費算進去。
Token 到底怎麼換算成錢？
不同模型單價不同，通常以每百萬 token 報價、輸入和輸出分開算（參考 OpenAI 定價）。中文約 1 字等於 1 到 2 token。估法：每月對話則數乘每則平均 token 乘單價。
Context Window 越大越好嗎？
不一定。越大通常越貴，把一堆資料全塞進去不等於它會用得好。多數情況 RAG 比一味加大 context 更省更準。
我的小生意也用得起 AI 嗎？
用得起。先自動化一兩個高頻問題，用量小、成本可控、回本快，再逐步擴大。
ScriptWalker 能幫我做嗎？
可以。我們幫中小企業導入範圍明確、成本可控的 AI 功能（LINE 自動客服、RAG 知識庫問答），並在報價時就把每月用量成本講清楚。
行動呼籲
- Email：[email protected]
- 電話：0916-224-047
- LINE：@ufv9089p