2026 年免費 AI Discord Bot

如果你搜尋「free AI Discord bot」，會找到數十種選項。有些確實免費。多數不是，至少不是你可能預期的那種免費。本文拆解實際上有哪些可用選項、取捨是什麼，以及在涉及 AI 推論時，「免費」真正的成本是什麼。

為什麼「免費 AI」很複雜

執行 LLM 需要成本。每次使用者傳送訊息並取得回覆時，都有人在支付運算費用。對 OpenAI 或 Anthropic 這類託管 API 來說，你按 token 付費。對自架模型來說，你支付的是硬體、電力與維護時間。這一點無法規避：推論有非零的邊際成本。

當一項服務提供「免費 AI bot」時，以下其中一種情況成立：

1. 你直接支付推論成本，例如提供自己的 API 金鑰。
2. 服務吸收成本，並透過付費級距、廣告或資料收集回收成本。
3. 你在自己的硬體上自行執行推論，使用開源模型。
4. 免費級距受到限制，用低用量上限限制供應商暴露在運算成本下的風險。

理解任一 bot 屬於哪一種情況，是評估它是否真的適合你的使用情境的關鍵。

免費 AI Discord bot 的三種類型

1. 自架開源 bot（真正免費，你提供硬體）

這是唯一沒有第三方控制你使用量上限的選項。你在本機（或 VPS）執行開源 LLM，透過你自己撰寫或 fork 的 bot 連接 Discord，並自行處理所有事情。

典型技術堆疊：

• Ollama 用於本機模型服務
• discord.py 或 discord.js 用於 Discord bot
• Llama 3.1 8B、Mistral 7B 或 Gemma 2 9B 這類模型

你會得到：

• 除電力外，沒有逐訊息成本
• 完全控制模型、系統 prompt 與資料
• 沒有第三方施加的速率限制（僅適用 Discord 自身的 API 限制）
• 本機模型處理：推論留在你的機器上，而 Discord 仍會傳輸並儲存訊息

你會放棄：

• 你需要硬體。要以合理速度執行 7B 參數模型，需要至少 8 GB VRAM 的 GPU，或具備統一記憶體的現代 Mac。CPU 推論可行但速度慢（7B 模型每次回覆需要數秒）。
• 你要維護基礎架構。更新、重新啟動、監控，以及模型權重所需的磁碟空間都由你負責。
• 模型品質低於前沿模型。Llama 3.1 8B 有一定能力，但不是 GPT-4o 或 Claude Sonnet。對簡單問答與閒聊來說表現可以。對細緻推理或複雜多輪對話來說則不足。
• 沒有內建知識庫、分析或轉接功能。你需要什麼就要自己建置。

常見模型的最低硬體需求：

（速度為約略值，使用 RTX 4090 測得。量化版本使用較少記憶體，但會有小幅品質成本。）

2. 免費增值的託管服務（有上限的免費級距）

這類產品由其他人託管 AI 與 bot 基礎架構。你透過網頁儀表板設定 bot。免費級距提供有限用量；更多用量需要付費。

範例：

Quickchat AI 的 Free plan 可讓你在不需要信用卡的情況下測試。Discord 整合在每個級距都可用，因此你可以連接 bot，並在承諾付費前讓真實使用者測試。連接只需按一下：在 External Apps 中開啟 Discord，點選 Add to your Discord server，然後選擇要新增的伺服器。付費方案從 Starter 的 $9/mo 起，或年繳 $8/mo。

託管服務的主要優勢是，你取得的不只是原始 LLM 推論：由你的文件與網站建立的知識庫、對話分析（情緒分析、主題偵測）、多通道部署（同一個 agent 可在你的網站、WhatsApp、Slack 與 Discord 上運作），以及 AI 無法解決案例時的人員轉接。若在自架模型上從零建置這些功能，會是一項相當大的工程專案。

MEE6 主要是管理與互動 bot。它的 AI chat 功能鎖在 premium 訂閱後方（截至 2026 年初為 $11.99/mo）。免費級距涵蓋等級、基本管理指令與歡迎訊息，但不包含 AI 驅動的對話。

Botpress 有免費級距，每月可在所有通道合計接收 2,000 則 incoming messages。它提供視覺化流程建構器，並支援自訂 LLM 設定。不過，若只是建立簡單 Discord bot，設定會比 Quickchat 更複雜，因為 Botpress 主要設計目標是結構化對話流程，而不是開放式聊天。

3. BYO API key bot（你支付 LLM 供應商費用）

第三種類型：在伺服器上執行的開源 bot，但會呼叫商業 API（OpenAI、Anthropic、Google 等）進行推論。你提供自己的 API 金鑰。bot 程式碼本身免費，但你按 token 向模型供應商付費。

GitHub 上的範例：

• GPT Discord Bot（OpenAI 官方範例）
• 使用 discord.py + OpenAI Python SDK 建置的各種社群 bot

使用商業 API 的每則訊息成本（約略值，截至 2026 年初）：

*假設每次訊息交換約有 ~500 個輸入 token 與 ~200 個輸出 token，且不包含對話歷史。若包含對話歷史，輸入成本會隨 context 長度線性增加。

使用 GPT-4o mini 時，每月 1,000 則訊息約花費 $0.30。每月 10,000 則訊息約花費 $3.00。這些數字看起來很小，直到你把對話歷史納入考量：如果每則訊息都包含完整對話 context（例如前 10 輪），每則訊息的輸入 token 數會從 ~500 膨脹到 ~5,000，因此輸入成本上升 10 倍，總成本也會增加。

各方法的成本比較

下表估算不同訊息量下的每月成本。「Self-hosted」假設使用小型 VPS 或既有硬體。「BYO API Key」使用 GPT-4o mini 定價。「Managed」以 Quickchat AI 的定價作為參考。

關於 self-hosted 欄位的說明：範圍取決於你使用的是僅 CPU 的 VPS（較便宜但回覆較慢），還是 GPU instance。Hetzner 提供約 $5-10/mo 的 CPU VPS instance，可執行量化 7B 模型，但回覆時間會是 5-15 秒。GPU 雲端 instance（例如 Lambda、RunPod 或 Vast.ai）單 GPU 起價約 $0.20-0.50/hr，若 24/7 執行，相當於 $150-360/mo。若是間歇使用，spot instance 或 serverless GPU 供應商可以降低成本。

BYO API key 欄位顯示範圍，因為成本高度取決於你是否在每次請求中包含對話歷史。下限是單輪（無歷史），上限是包含約 10 則訊息 context 的多輪。

託管服務欄位反映 Quickchat 截至 2026 年 6 月的定價。這些方案包含知識庫管理、分析與多通道支援等功能，而另外兩種方法若不投入額外工程工作，並不具備這些功能。

快速自架設定：Python + discord.py + Ollama

以下是一個最小可運作的 Discord bot 範例，使用 Ollama 進行本機推論。這需要先安裝並執行 Ollama，並拉取模型（例如 ollama pull llama3.1:8b）。

先決條件

1. Python 3.10+
2. 已安裝並執行 Ollama（curl -fsSL https://ollama.com/install.sh | sh）
3. 已拉取模型：ollama pull llama3.1:8b
4. Discord bot token（在 Discord Developer Portal 建立）
5. bot 已加入你的伺服器，並具備 Send Messages 與 Read Message History 權限

安裝相依套件

pip install discord.py aiohttp

Bot 程式碼

import discord
import aiohttp
import json

DISCORD_TOKEN = "your-bot-token-here"
OLLAMA_URL = "http://localhost:11434/api/chat"
MODEL = "llama3.1:8b"
SYSTEM_PROMPT = "你是 Discord 伺服器中的實用助理。回覆請保持精簡。"

# Store conversation history per channel (in-memory, resets on restart)
conversations: dict[int, list[dict]] = {}
MAX_HISTORY = 10  # Keep last 10 messages per channel

intents = discord.Intents.default()
intents.message_content = True
client = discord.Client(intents=intents)


async def query_ollama(channel_id: int, user_message: str) -> str:
    """Send a message to Ollama and return the response."""
    if channel_id not in conversations:
        conversations[channel_id] = []

    conversations[channel_id].append({"role": "user", "content": user_message})

    # Trim history to avoid unbounded memory growth
    if len(conversations[channel_id]) > MAX_HISTORY:
        conversations[channel_id] = conversations[channel_id][-MAX_HISTORY:]

    messages = [{"role": "system", "content": SYSTEM_PROMPT}] + conversations[channel_id]

    payload = {
        "model": MODEL,
        "messages": messages,
        "stream": False,
    }

    async with aiohttp.ClientSession() as session:
        async with session.post(OLLAMA_URL, json=payload) as resp:
            if resp.status != 200:
                return f"Ollama returned status {resp.status}"
            data = await resp.json()
            reply = data["message"]["content"]

    conversations[channel_id].append({"role": "assistant", "content": reply})
    return reply


@client.event
async def on_ready():
    print(f"Logged in as {client.user}")


@client.event
async def on_message(message: discord.Message):
    # Ignore own messages
    if message.author == client.user:
        return

    # Only respond when mentioned
    if client.user not in message.mentions:
        return

    # Strip the mention from the message
    content = message.content.replace(f"<@{client.user.id}>", "").strip()
    if not content:
        return

    async with message.channel.typing():
        reply = await query_ollama(message.channel.id, content)

    # Discord has a 2000-character limit per message
    if len(reply) > 2000:
        for i in range(0, len(reply), 2000):
            await message.reply(reply[i:i+2000])
    else:
        await message.reply(reply)


client.run(DISCORD_TOKEN)

這大約是 60 行程式碼，會給你一個可運作的 AI bot，在被提及時回覆。它在記憶體中維護每個頻道的對話歷史（重新啟動時遺失），並處理 Discord 每則訊息 2,000 字元的限制。

這個最小 bot 缺少什麼

以上程式碼適合測試與小型伺服器。若超出這個範圍，你會遇到幾個正式環境 bot 需要處理的問題：

• 持久化對話歷史。 記憶體中的 dict 會在程序重新啟動時遺失。正式環境 bot 會把對話儲存在 Redis 或資料庫中。
• 速率限制。 Discord 允許每個頻道每 5 秒 5 則訊息。如果你的 bot 很受歡迎，就需要佇列。
• 並行請求。 Ollama 預設一次處理一個請求。多位使用者同時傳訊時會排隊。你可以在負載平衡器後方執行多個 Ollama instance，或使用 Ollama 的 OLLAMA_NUM_PARALLEL 選項（自 v0.1.33 起可用）。
• 錯誤處理與重試。 Ollama 可能當機、記憶體不足，或回傳格式錯誤的回覆。bot 應該能優雅地處理這些情況。
• Context window 管理。 MAX_HISTORY = 10 設定過於天真。較好的方法是計算 token，並裁切到符合模型 context window（Llama 3.1 8B 預設為 8,192 tokens，可設定到 128K，但較長 context 會造成品質下降）。
• Thread 支援。 在 Discord 上，bot 對話常發生在 threads 中。處理 thread 建立與每個 thread 的歷史需要額外邏輯。
• 知識庫 / RAG。 如果你希望 bot 回答關於專案文件的問題，你需要一套 retrieval-augmented generation 設定：嵌入你的文件、將 embeddings 儲存在向量資料庫中，並在傳送給 LLM 前取回相關片段。

技術注意事項

Discord API 速率限制

Discord 在多個層級施加速率限制：

• Per-route limits： 每個 API endpoint 都有自己的速率限制，會在回應 headers 中回傳（X-RateLimit-Limit、X-RateLimit-Remaining、X-RateLimit-Reset）。
• Global limit： 所有 endpoints 合計每秒 50 個請求。
• Per-channel message limit： 每個頻道每 5 秒 5 則訊息。
• Gateway limits： 每 60 秒 120 個 gateway events。

discord.py 函式庫會在你達到限制時透過佇列請求，自動處理多數情況。不過，如果你的 bot 同時位於許多伺服器或頻道中，仍可能達到 global limit。到那時，你需要研究 sharding（將 bot 的伺服器連線拆分到多個 gateway 連線）。

對於使用 MESSAGE_CONTENT intent（讀取訊息文字所需）的 bot，如果它位於超過 100 個伺服器中，Discord 會要求你驗證 bot。這需要提交 bot 功能描述，並取得 Discord 核准。

模型品質取捨

小型開源模型與前沿商業模型之間的差距，比兩年前小，但仍然存在。以下是常見 Discord bot 任務的粗略比較：

如果你的 Discord bot 是用於遊戲社群，主要處理閒聊與簡單查詢，本機 8B 模型表現不錯。如果它是用於需要準確性的客戶支援，品質差距就會成為實際問題。維持角色一致性也不只取決於模型，更取決於設定：如何建立能維持角色設定的角色扮演 AI chatbot 展示 persona prompt 與 canon 知識庫即使搭配標準模型，也能帶來多大效果。

Context window 管理

這是 Discord bot 中最容易被低估的技術挑戰。Discord 對話本質上是多輪的：使用者會傳送許多短訊息，bot 需要記得對話中先前說過的內容。

每次 bot 回覆時，都需要在 prompt 中包含先前的對話歷史。這代表：

• 輸入 token 數會隨對話長度線性增加。
• 對 API 型 bot 來說，成本也會線性增加。
• 對本機模型來說，推論時間會隨 context 長度增加（attention 計算為二次方，雖然 Flash Attention 這類最佳化有所幫助）。
• 到某個時間點，對話會超出模型的 context window，你就需要策略：從開頭截斷、摘要較舊訊息，或開始新對話。

實務做法是保留最近 N 則訊息的滾動視窗，若對話已經很長，則在前方加入較早 context 的短摘要。這需要額外一次 LLM 呼叫來產生摘要，但能讓每則訊息成本維持在有界範圍內。

隱私影響

這會依方法而有顯著差異：

• Self-hosted： AI 推論留在你的硬體上，因此你控制模型處理日誌與保留政策。Discord 仍會傳輸並儲存訊息；本機推論不會讓整段對話都變成本機。
• BYO API Key： 訊息會傳送給 API 供應商（OpenAI、Anthropic 等）。請檢查他們的資料保留政策。截至 2026 年初，OpenAI 表示預設不會使用 API 資料訓練，Anthropic 也有類似政策。不過，訊息仍會經過他們的伺服器。
• Managed services： 訊息由服務供應商處理。請檢查其隱私權政策與資料處理協議。對於在歐盟處理使用者資料的企業而言，GDPR 合規在這裡很重要。例如 Quickchat AI 會在歐盟處理資料，並為企業客戶提供 DPA。

對休閒用途的 Discord 伺服器而言，隱私通常不是主要考量。對使用 Discord bot 作為客戶支援的企業而言，值得清楚了解對話資料究竟儲存在哪裡，以及誰可以存取。

自架與託管：總持有成本

上表中的原始運算成本比較只呈現部分情況。總持有成本包含工程時間。

使用自架 bot 時你要自己建置的項目：

• Bot 程式碼與部署
• 對話歷史儲存
• Context window 管理
• 錯誤處理與監控
• 知識庫 / RAG pipeline（如需要）
• 分析與記錄
• 多通道支援（如需要）

保守估計，對有經驗的開發者來說，建立具備對話歷史、知識庫與基本分析的正式環境品質自架 AI Discord bot，需要 40-80 小時工程時間。維護它（模型更新、相依套件更新、除錯、監控）還會增加持續時間成本。

使用託管服務時可直接取得的項目：

• Bot 託管與正常運作時間管理
• 由你的網站、文件與檔案建立的知識庫
• 對話分析（情緒、主題、評分）
• 多通道部署（同一個 agent 在 Discord、網站、WhatsApp、Slack 等上運作）
• AI 無法協助時的人員轉接
• AI Actions（由對話 context 觸發的自訂 API 呼叫），包含timeout、kick 與 ban 等管理動作

問題在於託管服務的每月成本是否低於你的工程時間機會成本。對經營興趣型 Discord 伺服器的獨立開發者來說，使用 Ollama 自架可能是正確選擇。對使用 Discord 作為面向客戶支援通道的企業來說，通常託管服務在成本上更合理，因為核心 LLM 周邊的功能（分析、知識庫、轉接）才是讓 bot 真正有用的部分。AI ticket bot 指南 正是在 Free plan 上端到端建置這種組合，因此你可以用具體方案來比較替代成本。

摘要

沒有一個放諸四海皆準的「最佳」免費 AI Discord bot。正確選擇取決於「免費」對你代表什麼：

• 如果你想要零持續成本，且有可用硬體，請使用 Ollama 與開源模型自架。你控制本機模型處理與其資料保留，而 Discord 仍會傳輸並儲存訊息。你會放棄相對於前沿模型的模型品質，並承擔所有工程工作。
• 如果你想在付費前先用真實使用者測試，Quickchat AI 的 Free plan 可讓你在沒有信用卡的情況下開始。Discord 整合可在 Free plan 使用，付費方案從 $9/mo 起。
• 如果你想要前沿模型品質，且可以自行管理 API 金鑰，BYO API key bot 能以低逐訊息成本提供這一點（特別是使用 GPT-4o mini 或 Gemini Flash）。你仍需要託管 bot 程式碼，並建置任何超出原始聊天的功能。
• 如果你需要正式環境功能（知識庫、分析、轉接、多通道），託管服務是最快路徑。請根據你預期的訊息量與實際需要的功能評估。

「free AI Discord bot」中的「free」承擔了很多含義。運算永遠有成本。問題是由誰支付，以及你因此得到（或放棄）什麼。

若要更廣泛比較所有 AI Discord bot（不只免費選項），請參閱我們的 2026 年最佳 AI Discord Bot 彙整。如果你的伺服器特別是支援通道，AI Discord Ticket Bot 會逐步說明如何從你的文件回答問題，並將其餘問題升級為私人 ticket threads。