---
title: "Cloudflare Vectorize 免費額度：做出會回傳來源的 RAG"
description: "用 Cloudflare Vectorize 與 Workers AI 建立小型 RAG 原型，理解免費額度、向量維度計算、來源回傳與 GEO 引用保真。本文說明如何先做向量預算、在資料模型保留 citation metadata、執行 GEO 引用回歸測試與 smoke test，以及超過免費額度時怎麼辦。"
canonical: "https://yotron-ai.com/blog/cloudflare-vectorize-free-rag-citations"
published: "2026-08-28"
last-updated: "2026-08-28"
---

# Cloudflare Vectorize 免費額度：做出會回傳來源的 RAG

用 Cloudflare Vectorize 與 Workers AI 建立小型 RAG 原型，理解免費額度、向量維度計算、來源回傳與 GEO 引用保真。本文說明如何先做向量預算、在資料模型保留 citation metadata、執行 GEO 引用回歸測試與 smoke test，以及超過免費額度時怎麼辦。

RAG 的價值不只是讓模型「知道更多」，而是讓回答能指出它依據哪一段資料。Cloudflare Vectorize 官方定價頁（2026-04-21）列出 Workers Free 每月 30 million queried vector dimensions 與 5 million stored vector dimensions；額度以維度計算，不是以文件筆數計算。

## 先做向量預算

假設每個 chunk 使用 384 維 embedding，儲存 5,000 個 chunk：

```text
5,000 × 384 = 1,920,000 stored dimensions
```

這低於 5 million 的免費儲存額度。查詢預算也要估算：每次取 5 個候選向量、每天 100 次查詢、每月 30 天，約為 `5 × 384 × 3,000 = 5.76 million queried dimensions`。用這個方式估算，才能知道是資料量還是查詢量先碰到上限。

## 資料模型要保留 citation metadata

每個向量除了 embedding，至少保存：

```ts
type ChunkMetadata = {
  source_url: string;
  title: string;
  text: string;
  page_version: string;
  updated_at: string;
};
```

查詢流程是「embed 問題 → Vectorize top-k → 把 chunk 與 URL 傳給模型 → 回傳 answer 與 citations」。模型只能使用命中的 chunk，找不到足夠證據就回傳 `insufficient_evidence`，不要用常識補完。

## GEO 引用回歸測試

固定 10 個問題，每題保存 `query_id`、top-k 結果、回答、`source_url` 與 `faithful`。逐句比對回答和 chunk 原文；如果模型省略「僅限特定方案」等條件，這筆就標記為失敗。把「沒有檢索到」和「檢索到但回答錯」分開，修復方向才清楚。

## 超過免費額度時怎麼辦

先減少重複 chunk、提高切分品質，再調整 top-k；不要直接把維度換高。官方文件表示查詢與儲存維度是主要計價單位，HTTP API、Workers API 與 Wrangler 查詢都會計入用量；資料傳輸不另收費。正式上線前，在 dashboard 觀察實際維度而不是只看文件數。

## 最小 smoke test

```bash
npx wrangler vectorize create geo-demo --dimensions=384 --metric=cosine
npx wrangler vectorize list
```

接著用一份 20–50 段的公開 FAQ 建立索引，對 10 題固定查詢保存 top-k 與來源 URL。空索引不會計入儲存維度，但查詢 API 與 CLI 都應納入測試紀錄。

## 來源

- [Cloudflare Vectorize 定價](https://developers.cloudflare.com/vectorize/platform/pricing/)，官方文件，2026-04-21 更新。
- [Vectorize 入門](https://developers.cloudflare.com/vectorize/get-started/)，Cloudflare 官方文件。
- [Workers AI Embeddings](https://developers.cloudflare.com/workers-ai/models/text-embeddings/)，Cloudflare 官方文件。

本文的 citation metadata、`faithful` 欄位與 RAG smoke test 是 YOTRON 的 GEO 工程建議，不是 Vectorize 的排名保證。

---

## 相關推薦與延伸閱讀

- [Cloudflare 推出代理就緒度分數：用四大維度檢查你的網站對 AI Agent 是否準備好](/blog/cloudflare-agent-readiness-score-guide)：Cloudflare isitagentready.com 用四大維度替網站的 AI agent 就緒度打分。本文解析評分邏輯與官方歷史樣本，說明採用率為何不等
- [Cloudflare AI Gateway 免費層：替 AI API 加上觀測與成本護欄](/blog/cloudflare-ai-gateway-free-observability)：用 Cloudflare AI Gateway 的免費核心功能集中管理 AI 請求，實作 logging、cache、rate limiting 與 GEO 查
- [Cloudflare Workers AI 教學：API Key 取得與免費額度呼叫實戰](/blog/cloudflare-workers-ai-free-api)：想零成本串接開源大模型？本文手把手教你取得 Cloudflare Workers AI 的 Account ID 與 API Token，完整解析每日免費額度計