Cloudflare Workers AI 免費 Neurons 怎麼用？建立學生 AI Agent 配額閘道

Cloudflare Workers AI 適合當作學生 AI Agent 的第四種燃料：它把多種文字、嵌入、影像、語音與翻譯模型放在 Workers AI 的模型目錄中，學生可以用 REST API 或 Worker binding 練習 Agent 呼叫、模型切換、限流與資料閘門。它和單純發一把免費 API key 的服務不同，真正要管理的是 Cloudflare 帳戶、API token、Account ID、模型費率與 Neurons 用量。

先把本文的「免費」說清楚：Cloudflare 官方 pricing 頁在 2026 年 8 月 18 日更新後，仍列出 Free 與 Paid Workers plans 每日各有 10,000 Neurons 的免費 allocation；Workers Paid 超過 allocation 的部分按每 1,000 Neurons 0.011 美元計費。Neurons 是 Cloudflare 用來表示不同模型 GPU 計算量的單位，不是固定的輸入或輸出 token 數。因此本文不會把 10,000 Neurons 換算成「每天固定幾萬 token」；同一個提示送給不同模型，消耗可能完全不同。部分模型還要求 paid billing method，不能因為同一個帳戶有免費 allocation 就推論所有模型都能免費使用。

截至 2026 年 8 月 24 日，適合學生的做法是使用公開、去識別化資料，建立一個受限的主 Agent adapter，讓學生透過 adapter 使用配額，而不是把 Cloudflare API token 貼在群組、前端或 prompt 裡。本文只整理合法申請與使用方式，不收集、分享、輪換私人 token，也不教人用多帳號規避供應商限制。

當日敲門模型：先查 GPT OSS 120B，再讀回帳戶限制

本篇把 @cf/openai/gpt-oss-120b 作為當日模型候選：Cloudflare 官方 pricing 表目前列出它的 Neurons 與 token 參考價格，模型目錄也應以當日帳戶可見項目為準。這個候選不是「永久最佳」或「自動免費」的承諾；主 Agent 必須先讀回模型 ID、task、帳戶方案、當日 Neurons allocation 與 billing 狀態，再做一次極小的公開資料 canary。

若模型回傳 403／5035、模型不在目錄、或 dashboard 顯示需要 Workers Paid／AI Gateway credits，就把它判定為 PAID_ROUTE_REQUIRED，停止請求並交回負責人。只有通過 Free plan 可用性、資料閘門、輸入輸出限制與錯誤分流的模型，才放進學生 Agent allowlist；不要用輪換帳戶或反覆重試把付費條件誤當成免費燃料。

Workers AI 的免費燃料是 Neurons，不是固定 token

Cloudflare 的定價頁說明 Workers AI 以 Neurons 作為後端計費與使用量單位。Free Workers plan 每日提供 10,000 Neurons；Workers Paid plan 仍包含每日 10,000 個免費 Neurons，超過後才按模型用量計費。Free plan 用完當日 allocation 後，不能靠繼續重試取得更多免費請求；官方錯誤頁把這種情況標成 HTTP 429、內部碼 3036。

每日配額在 00:00 UTC 重設。換算成台灣時間是上午 8 點，但 Agent 不應只靠本地時鐘猜測是否恢復，仍要看實際回應與 Cloudflare dashboard 的使用量。清晨或課堂剛開始時若上一個工作日的請求仍未整理完成，也不要把失敗誤判成 token 壞掉。

模型定價表會以各模型的 input、output 或其他用量呈現相對的 Neuron 成本。這代表「可處理多少 token」必須在選定模型、輸入長度、輸出上限與任務類型後才有意義。主 Agent 應保存每次請求的模型 ID、輸入／輸出 token、狀態碼與用量欄位，不能只記錄一個模糊的免費次數。

Free plan 能用哪些模型

Workers AI 模型目錄會持續新增、移除或標示模型狀態，因此文章不把任何單一模型當成永久保證。Cloudflare 近期的官方公告列出仍可在 Workers Free plan 使用的例子，例如 @cf/zai-org/glm-4.7-flash、@cf/google/gemma-4-26b-a4b-it 與 @cf/nvidia/nemotron-3-120b-a12b。這些例子可用來理解查找方式，不代表所有帳戶、所有時間或所有任務都一定能成功呼叫。

學生第一次建立文字 Agent，可以先從模型目錄挑一個一般文字生成模型，再確認該模型的 task、context window、輸入格式、輸出格式、license 與當日可用性。需要圖片、embedding、語音或翻譯時，也要改看對應 task 的模型頁，不能把文字模型的參數原封不動套到另一類模型。

特別要留意 frontier models。官方 pricing 頁目前指出部分模型需要付費 billing method，例如 @cf/moonshotai/kimi-k2.6、@cf/moonshotai/kimi-k2.7-code、@cf/zai-org/glm-5.2，以及部分 DeepSeek 模型。Free plan 呼叫這些模型可能收到 403 與內部錯誤碼 5035；這不是「多試幾次就能拿到免費 token」，而是應該停下來換用允許的模型或由負責人確認付費授權。

建立 Workers AI API token 的最小權限邊界

Cloudflare 官方 REST API 教學要求 API token 與 Account ID。申請入口在 Cloudflare dashboard 的 Workers AI 頁面，再選 Use REST API 與 Create a Workers AI API Token。若自行建立 token，而不是使用官方模板，文件要求包含 Workers AI - Read 與 Workers AI - Edit 權限；這裡要依當日 dashboard 顯示的模板與權限說明操作，不能把整個帳戶的管理權限一起打開。

Account ID 通常是識別 Cloudflare 帳戶的非秘密資訊，但 API token 是秘密憑證。兩者都應由老師、組織管理者或主要 Agent 的後端保存；學生端只拿到一個可撤銷、可限額的內部身份。不要把 token 寫進瀏覽器程式碼、手機 App、Git repository、截圖、課程投影片或聊天記錄。

export CLOUDFLARE_ACCOUNT_ID='YOUR_CLOUDFLARE_ACCOUNT_ID'
export CLOUDFLARE_API_TOKEN='YOUR_CLOUDFLARE_API_TOKEN'

curl --fail-with-body -sS \
  "https://api.cloudflare.com/client/v4/accounts/${CLOUDFLARE_ACCOUNT_ID}/ai/run/@cf/meta/llama-3.1-8b-instruct" \
  -H "Authorization: Bearer ${CLOUDFLARE_API_TOKEN}" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"請用三句話解釋什麼是公開資料，並標出需要人工查證的地方。"}'

上面的 endpoint 與模型是官方 REST guide 使用的示範格式，環境變數值仍是佔位符。執行前要確認你自己的帳戶、模型目錄與 token 權限；不要把這段範例改成把真實 token 直接放在指令、shell history 或前端請求中。若是課堂共用，應由後端保存 token，再由後端對學生任務做配額與資料檢查。

REST API 與 Worker binding 的選擇

REST API 適合先做低量的命令列與後端實驗，學生可以清楚看到 HTTP 狀態、Cloudflare error code 與 JSON response。當課堂需要把 Agent 放進 Worker，則可以用 Workers AI binding，讓 Worker 以 env.AI.run() 執行模型，而不必把 API token 送到瀏覽器。這種部署方式仍要設計輸入驗證、日用量上限、錯誤回應與人工接手。

const result = await env.AI.run('@cf/zai-org/glm-4.7-flash', {
  messages: [
    { role: 'system', content: '只處理公開或去識別化資料。' },
    { role: 'user', content: userPrompt }
  ]
});

return Response.json({
  model: '@cf/zai-org/glm-4.7-flash',
  result
});

學生 Agent 不應直接控制 env.AI.run() 的任意 model 字串。adapter 可以只允許經過審查的模型 allowlist，限制最大輸入長度與輸出長度，並在請求前檢查任務是否涉及個資、秘密、付款、帳號操作或不可逆寫入。若模型不在 allowlist，Agent 應回報「需要人工選擇模型」，而不是自行改成看似相近的 endpoint。

資料政策允許的輸入範圍

Cloudflare Workers AI 的官方 Data usage 文件把 prompt、圖片、音訊、輸出、embedding 與 training data 視為 Customer Content。文件說明使用者擁有並負責這些內容；Cloudflare 不會把 Customer Content 提供給其他 Cloudflare customer，也不會用它訓練 Workers AI 模型或改善 Cloudflare／第三方服務，除非取得明確同意。

這是重要的保護，但不等於任何輸入都適合送出。官方同時提醒 Workers AI 的模型是 Third-Party Services，可能受模型提供者的開源或其他 license 條款約束。若你另外使用 R2、KV、Durable Objects、Vectorize 等 storage service，Customer Content 可能依你選擇的儲存架構被保存。主 Agent 仍應採資料最小化，不要把學生姓名、聯絡方式、內部 token、未公開作業或第三方機密放入免費實驗。

課堂可以設計一個簡單資料閘門：公開網頁、自己寫的測試句子與已去識別化資料可進入免費模型；含個資、秘密、尚未公開研究、客戶資料或需要特定 license 的內容先拒絕。拒絕原因要對學生說明，讓他們理解安全不是把所有工作都交給模型，而是先決定哪些資料根本不該離開原本的環境。

Workers AI 的速率限制與每日配額是兩條不同的閘門

官方 limits 頁目前列出一般任務的預設速率限制。文字生成一般是 300 requests per minute；文字 embedding 是 3,000 requests per minute，但特定模型可能有自己的限制；其他語音、影像、分類與翻譯任務也各有數字。這些是請求頻率的限制，不等於每日 10,000 Neurons，也不代表每一分鐘都能消耗同樣的 token。

此外，使用 Wrangler 的 local mode 做模型推論也會計入限流。學生若在本機反覆測試，以為本機不算雲端用量，可能在課堂示範前先用完配額。主 Agent 應將開發、測試與正式任務放在同一個用量帳本中，至少記錄日期、帳戶、模型、task、輸入／輸出 token、status code、error code 與是否為 local mode。

用官方錯誤碼決定停止、稍後重試或換模型

Cloudflare 官方錯誤頁提供了比「重試看看」更可靠的分流依據。HTTP 429、內部碼 3036 代表當日 10,000 Neurons 免費 allocation 已用完，應等下一個 UTC 重設或由管理者明確授權 Workers Paid；HTTP 429、內部碼 3040 代表 out of capacity，可以做有限次數退避重試，但不能無限迴圈。

HTTP 403、內部碼 5035 代表模型需要 Workers Paid；HTTP 403、內部碼 5016 代表尚未同意特定模型條款；HTTP 400、內部碼 5007 代表沒有這個模型或 task。這三類都不是單純的暫時網路問題。Agent 應停止，顯示清楚的下一步，並讓管理者重新確認模型、條款或付費授權。

async function runWithBoundedRetry(run) {
  const maxRetries = 2;

  for (let attempt = 0; attempt <= maxRetries; attempt += 1) {
    const response = await run();
    if (response.ok) return response;

    const body = await response.clone().json().catch(() => ({}));
    const code = Number(body?.errors?.[0]?.code);
    const retryable = response.status === 429 && code === 3040;

    if (code === 3036 || code === 5035 || code === 5016 || code === 5007) {
      throw new Error(`Stop and review Cloudflare error ${code}`);
    }
    if (!retryable || attempt === maxRetries) return response;

    await new Promise((resolve) => setTimeout(resolve, 800 * 2 ** attempt));
  }
}

這段程式只示範錯誤分流，不會替你建立 token、升級方案或同意模型條款。真正的 adapter 還要處理 timeout、request too large、重複請求與結果是否已經寫入外部系統。若一次模型呼叫後會寄信、改資料或啟動付款流程，重試前要先確認 idempotency；學生練習應先限定為純讀取、摘要、分類與草稿。

不要把 10,000 Neurons 當成班級可以無限共享的 token 池

如果一個 Cloudflare 帳戶由多個學生 Agent 共用，10,000 Neurons 是帳戶層級的免費 allocation，不是每一位學生各自擁有 10,000。最簡單的管理方式是把每日 allocation 拆成課程預算，例如保留一部分給老師示範、一部分給固定驗收、一部分給學生低量實驗；具體數字要依模型成本與班級規模自行設定，不能從免費方案頁推導出每人的固定 token。

請求前可先檢查本地帳本的預估成本，請求後再以 dashboard 或 API 回讀校正。若估算不出 Neurons，就先降低輸入與輸出上限、選擇較小的模型、減少重複 prompt，並把工作排入佇列。不能以多個學生帳戶輪流呼叫、複製別人的 token 或不斷建立新憑證來突破免費限制。

• 低風險任務：公開資料摘要、分類、格式轉換、prompt 比較與簡單 embedding 練習。
• 配額控制：每個學生有任務數、字數、輸出上限與每日預算，而不是只有一個模糊的「可以用」。
• 帳戶隔離：學生身份與 Cloudflare token 分離，撤銷學生權限不需要更換整個帳戶秘密。
• 停止條件：3036、付費模型 5035、未知模型 5007 或資料政策不明時立即停止。
• 人工接手：付款、發布、刪除、寄信、修改正式資料與同意模型條款都交回管理者。

用模型 allowlist 讓學生練習切換，而不是任意換模型

Workers AI 模型目錄的變動本身很適合做 Agent 工程課題。主 Agent 可以在每天啟動時讀取官方模型清單，篩選 task、license、免費可用性、輸入格式、context window 與目前的資料政策，再產生一份短期 allowlist。學生只看見 allowlist 中的模型，並在每次實驗保存查核日期與完整 model ID。

這種設計能避免兩個常見錯誤。第一，模型被移除或改成需要付費時，Agent 不會死守舊名稱並無限重試。第二，學生不會因為某個模型名字看起來更強，就把含敏感資料的工作自動轉送到未審核的路徑。模型切換應該是可解釋的 policy decision，不是配額耗盡後的隨機逃生。

用公開資料做第一個 Workers AI Agent 實驗

第一個練習可以讓 Agent 讀取一段學生自己撰寫的公開課程介紹，產生三個重點、兩個需要人工查證的敘述與一個 JSON 結構。驗收時不只看答案是否流暢，還要檢查 JSON 是否可解析、是否捏造來源、是否把「不確定」誤寫成事實、是否超過輸出上限，以及請求是否留下可追蹤的 model ID 與 error code。

第二個練習可以故意把 model ID 改成不存在的值，觀察 5007 如何被 adapter 擋下；再把輸入長度提高到超過模型限制，觀察 3006 request too large；最後用短時間的小請求觀察限流記錄。這些負面測試比單次成功回應更能教學生如何建立可靠的主 Agent。

Cloudflare Workers AI 和主要 AI Agent 的接法

對我們的主要 AI Agent，Workers AI 最適合放在 provider adapter 層，而不是讓每個學生直接取得 Cloudflare secret。adapter 接收學生的任務描述，先做資料分類與模型 allowlist 檢查，再用後端的環境變數呼叫 Workers AI，最後把清理過的結果、用量摘要與必要的錯誤碼回傳。token 只在後端記憶體或秘密管理環境中出現，學生不需要知道它的內容。

adapter 可以為每個任務加上四個欄位：student_id、task_id、approved_model 與 data_class。它們讓管理者知道誰在使用哪個模型、處理哪一類資料，以及結果是否因配額或容量失敗。若要把結果寫回資料庫，應另外走寫入閘門；Workers AI 的成功回應不代表後續資料寫入、發布或外部動作已經獲得授權。

免費方案的費用風險要提前顯示

Free plan 的每日 10,000 Neurons 不是永久、無限或所有模型都可用的承諾。Workers Paid plan 仍含同一個免費 allocation，但超過後按使用量計費；官方文件也說某些模型需要 paid billing method。若主要 Agent 沒有付款授權，系統應把「需要付費」視為阻擋狀態，不要自動升級、啟用預付 credits 或建立另一個帳戶。

如果管理者確實授權 Workers Paid，也要把月費、超過免費 allocation 的模型費率、每日預算、告警與停止條件寫進組織 policy。AI Gateway credits 是另一種付費路徑，不應被文章或 Agent 標成免費燃料。學生看見的介面應明白顯示「今日免費 allocation」、「預估消耗」、「尚未授權的付費路徑」與「配額重設時間」。

把來源、模型與結果一起保存

模型和免費條件會變動，所以教學紀錄不應只保存一個回應文字。每一次低量實驗至少保存查核日期、官方模型頁 URL、完整 model ID、task 類型、輸入／輸出 token、HTTP status、Cloudflare error code、是否使用 local mode、是否通過資料閘門與人工驗收結果。API token、完整敏感 prompt 與原始秘密不應放入這份帳本。

這份紀錄能讓學生分辨「模型品質下降」、「免費配額用完」、「provider 暫時沒容量」、「模型需要付費」與「程式參數錯誤」是不同問題。它也能支援下一輪文章更新：當官方 pricing、limits 或 models 頁改版時，可以針對受影響的數字重新查核，而不是把過期截圖繼續複製。

觀測介面最好同時顯示「今天已使用多少 Neurons」、「最近一次成功使用哪個模型」、「最近一次 429 的內部碼」與「下一個 UTC 重設時間」。如果 dashboard 沒有提供你需要的細節，就在 adapter 端保存不含秘密的摘要，並把每次請求的時間、耗用與失敗原因寫入可撤銷的課程紀錄。這樣老師可以在配額耗盡前調整課堂活動，學生也能把錯誤當作可分析的工程訊號，而不是互相索取另一把 key。

驗收一個新的模型時，先用很短的公開輸入做成功案例，再用不存在的模型、超長輸入、含禁止資料的 prompt 與達到預算的模擬回應做負面案例。只有成功、拒絕、重試、停止與人工接手五種路徑都留下清楚紀錄，才適合把模型放進學生可選的 allowlist。

給學生的安全清單

• 只從 Cloudflare 官方 dashboard 建立自己的 token，不接受群組裡轉寄的 token。
• 把 token 放在後端環境變數或秘密管理工具，不寫入 Git、前端、截圖與 prompt。
• 先查看模型目錄與模型條款，再決定是否加入 allowlist。
• 用公開或去識別化資料做實驗，遇到個資、秘密或未公開內容先停止。
• 把 10,000 Neurons 視為帳戶每日共享 allocation，不換算成固定 token，也不把它當每人額度。
• 3036 等每日配額錯誤不重試；3040 只做有限退避；5035、5016、5007 交回人工處理。
• 不建立多個帳戶、不輪換別人的 token、不繞過 rate limit 或付費條件。

結語：先把合法配額變成可觀測的學習燃料

Cloudflare Workers AI 的價值不在於宣稱有一把永遠免費的 token，而在於它提供一個能讓學生學習完整 Agent 邊界的環境：模型目錄會變、Neurons 依模型而異、限流和每日配額是不同問題、資料政策與第三方 license 需要分開檢查、錯誤碼應導向停止或人工決策。這些設計比把 secret 丟給學生更接近真正的 AI 工程。

若要把這篇接到主要 Agent，下一步是先在沒有真實 token 的本地環境測試 adapter 的 allowlist、錯誤碼分流、用量帳本與資料閘門，再由有權限的管理者完成一次低量、可撤銷、只讀取公開資料的 smoke。本文目前只完成官方文件與本地文章驗收，沒有代替任何人建立 token，也沒有對 Cloudflare 發出真實 API 請求。更多 Agent 基本邊界可延伸閱讀 YOLO LAB AI Agent 常見問題。

官方來源： Workers AI Pricing、REST API quickstart、Workers AI Limits、Workers AI Errors、Your Data and Workers AI、Workers AI Changelog。