種子輪拿到數(shù)百萬美元融資、估值近千萬，朱嘯虎的金沙江創(chuàng)投、高瓴創(chuàng)投和 Classin 共同投資。

Refly.AI 給自己的定位是更適合大眾的 Vibe Workflow 產(chǎn)品。

為什么要做 Vibe Workflow？原因很簡單，現(xiàn)在的 Workflow 產(chǎn)品太難用，以及團隊對于 Workflow 價值的認可。

他們的目標，是讓不會技術(shù)的人也能輕松把自己的流程經(jīng)驗復制并分享給其他人，實現(xiàn)價值。

不僅僅是用 AI 來降低搭建 Workflow 的難度，Refly.AI 還把 n8n 中的節(jié)點升級成為單獨的 agent，每個 agent 配上 2-3 個工具。在保留 agent 動態(tài)性的同時，獲得傳統(tǒng) Workflow 的可控性與穩(wěn)定性。

看起來有些激進，但 Refly.AI 確信這樣的方式才是有效利用模型能力的最好方式。

為什么如此篤定？既然做 Workflow，怎么控制成本，怎么保證完成度？Refly.AI 取代 n8n 的底氣又來自哪里？

在 Refly.AI 的新版本發(fā)布之際，我們和創(chuàng)始人& CEO 黃巍聊了聊，想搞清楚，AI-native 的 Workflow 應該長什么樣。

以下內(nèi)容經(jīng) Founder Park 編輯整理。

超 17000 人的「AI 產(chǎn)品市集」社群！不錯過每一款有價值的 AI 應用。

進群后，你有機會得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
• 不定期贈送熱門新品的邀請碼、會員碼；
• 最精準的AI產(chǎn)品曝光渠道

01

Vibe Workflow：

agent 的智能+workflow 的可控

Founder Park：Refly.AI 現(xiàn)階段的功能定位，也就是 Vibe Workflow，應該怎么理解？

黃?。?從 AGI 發(fā)展主線來看，一端是以 Manus 為代表的 Agent 形態(tài)，本質(zhì)上這是一套基于自然語言驅(qū)動的 Workflow：用戶給出一句指令，系統(tǒng)自動完成后續(xù)任務。另一端則是以 n8n、Dify 或純代碼為代表的傳統(tǒng) Workflow，更強調(diào)精確性，可以對程序行為進行細致建模。

在實際使用中，這兩種都存在明顯問題。以 Manus 為例，整體成本高、穩(wěn)定性不足、執(zhí)行時間難以預期，更關(guān)鍵的是，同一位用戶多次提交相同指令時，產(chǎn)出的結(jié)果往往并不一致。而在 n8n 或 Dify 等工具中，一旦流程稍微復雜，就需要通過編寫代碼來維護 if-else 等控制邏輯，對非程序員用戶非常不友好，也抬高了使用門檻。

我們認為 Workflow 本身有價值，希望在保留 Agent 動態(tài)性的同時，獲得傳統(tǒng) Workflow 的可控性與穩(wěn)定性，所以 把 Agent 和 Workflow 結(jié)合，統(tǒng)稱為「Vibe Workflow」。

它的核心特點有幾層：

首先，搭建成本無限降低，一句話就可以搭 Workflow。產(chǎn)品的核心在于將 Agent 進行白盒化，提供一套「Agent Editor」，并在此基礎(chǔ)上對 Workflow 的底層結(jié)構(gòu)進行了重構(gòu)：每一個節(jié)點本身都是一個 Agent，用戶只需為 Agent 編寫 prompt、選擇合適的 tools，系統(tǒng)即可完成多步規(guī)劃與問題求解；相比之下，傳統(tǒng) Workflow 中的單個節(jié)點往往只負責調(diào)用一個 API 或執(zhí)行一段代碼。

第二，我們給每個 Agent 一臺沙箱，讓它操作電腦去寫代碼、根據(jù)我們給的 tools 做數(shù)據(jù)拉取等操作，再做可視化呈現(xiàn)，解決 if-else 邏輯。傳統(tǒng) Workflow 里復雜的 code 流程，現(xiàn)在全都可以省略，變成一個節(jié)點。內(nèi)部測試顯示，在相同任務下，一個 Refly.AI 節(jié)點可以替代大約 20 個 n8n 節(jié)點的功能。

Refly.AI 的交互形式

這樣， 用戶面向的 Workflow 被極大地簡化了，所有操作都是自然語言表達，不需要懂搭建邏輯 。同時，我們讓每個節(jié)點任務足夠簡單，即使像 Kimi K2 這樣的模型，也能近乎 100% 完美解決問題。再通過穩(wěn)定的編排引擎串聯(lián)起來，只要我們的節(jié)點數(shù)量和復雜度上去了，理論上我們可以解決無限的問題。在我們內(nèi)部有一個說法，Refly.AI 已經(jīng)達到了所謂的 AGI。

Founder Park：如果每個節(jié)點都是一個 Agent，成本會比 n8n 貴很多，會比 Manus 便宜很多嗎？

黃?。?整體算下來，通過 copilot 配合，用 n8n 搭一個 8 到 10 個節(jié)點的流程，可能要花 3 到 6 個小時，加上中間的調(diào)試成本，估計至少也是大幾十萬 token 的消耗。但是在 Refly.AI，一句話生成 Workflow 本身消耗的 token 是非常低的，可能也就幾千甚至上萬個 token，現(xiàn)在 Kimi K2 這樣的模型已經(jīng)能夠非常好地完成這個任務。

執(zhí)行層面，我們讓每個任務都變得簡單，每個任務被簡化為簡短具體的 Prompt，可一次性執(zhí)行完畢。該過程僅消耗 1 至 2 個積分，成本約 0.1 至 1 元。相比 Manus 單任務數(shù)美元的成本，這降低了至少 5 至 7 倍，而且其他人可以復用這個成果。后續(xù)調(diào)用時，token 消耗可能僅為原本的 50% 甚至 10%。

Founder Park：傳統(tǒng) n8n 的很多節(jié)點有確定的結(jié)果。但你們的 workflow 有四五個 Agent 節(jié)點，如果每個節(jié)點輸出確定性達不到 100%，四五個節(jié)點下來，折損就會比較大。這個怎么解決？

黃?。?這是這是產(chǎn)品選擇上的一個折中。既然選擇了 Vibe Workflow，并且每個節(jié)點都是 Agent，肯定達不到 n8n 的準確度。我們放棄了一部分的準確性和穩(wěn)定性，去換取更大用戶規(guī)模的使用。

核心策略在于通過大幅降低使用成本與門檻，來平衡用戶對準確率的訴求。本質(zhì)上，這是 試圖用門檻降低 10 倍的優(yōu)勢，去換取穩(wěn)定性降低 1 到 2 倍的代價。

我們的場景和 n8n 也不一樣。n8n 多用于 RSS 監(jiān)聽與分析，而我們更強調(diào)內(nèi)容產(chǎn)出。用戶組合多模態(tài)、音頻、視頻模型，產(chǎn)出一篇報告或一個數(shù)字人視頻。這些模態(tài)對準確率的要求不高，只要 70% 內(nèi)容是對的，聽上去有用，用戶就覺得 OK。

我們完全放棄算了數(shù)字或企業(yè)自動化操作這種非常準確的場景。雖然是 workflow，但更強調(diào)為用戶產(chǎn)出一個創(chuàng)作結(jié)果，比如小紅書文案或概念講解 PPT，用戶獲取結(jié)果后可下載并進行二次微調(diào)。

我們希望為用戶提供 80% 有用的結(jié)果，用戶愿意為它付費，并做二次編輯。未來我們還會提供大量的編輯能力，讓用戶閉環(huán)地完成編輯工作，但這是長遠考慮。

Founder Park：也就是說，Refly.AI 現(xiàn)在能滿足大部分 C 端用戶有 AI 參與的一些內(nèi)容生成型的任務。

黃?。?對，我們不是做那種企業(yè)里需要 100% 穩(wěn)定的 automation 任務。

Founder Park：那你們現(xiàn)在定義的核心用戶畫像大概是什么樣子的？

黃巍： 早期，我們更傾向于那些有 n8n、Dify 使用經(jīng)驗，但覺得搭建很復雜，或者在尋求簡單替代方案的用戶。以前他可能用了別人的 Workflow，或者復刻某個大 V 的 Workflow，覺得挺好用，但自己不會改。

我們希望這群人來到我們平臺，為此，我們在產(chǎn)品設(shè)計里有一個非常重要的動作，就是把 n8n、Claude Skills 或者其他 Workflow 平臺做遷移，甚至是產(chǎn)品化的遷移功能。也就是說，你可以一鍵把那邊的東西導過來，放在我們平臺上運行。這是我們的第一批用戶。

第二個場景，是我們自己有體感、也確實能解決問題的場景，就是現(xiàn)在定義的自媒體場景。為什么選這個？因為我們發(fā)現(xiàn)，現(xiàn)在模型每天都在更新，今天是 Gemini，明天是 Claude Opus。這些模型單點使用不會產(chǎn)生多大作用，但很多自媒體用戶想把它們串起來，比如把 Claude Opus 和 Gemini 串成兩到三個節(jié)點的工作流，做一個完整的產(chǎn)出，然后拿它去寫文章、錄視頻。這類需求非常多。

另外，還有很多用戶覺得每天跟熱點壓力很大，經(jīng)常跟不過來。那能不能用 Refly.AI 搭一個工作流，每天自動抓熱點，再按照自己的風格，批量生成文章或播客內(nèi)容，然后去做推廣和投放？我們自己也活躍在 Twitter，有大概 3 萬粉絲，對這個場景有比較強的實感，也看到這里確實需要這樣的工具。所以這是我們第二波重點的小規(guī)模場景：一方面我們有體感，另一方面用戶確實有需求。

第三個方面，是這個方向的 ROI 和放大效應都非常大。如果有一個自媒體用戶覺得這個工具有價值，用起來了，其實就相當于把他的粉絲一并覆蓋和輻射到了。這也是我們早期重點面向的用戶群。

在這個基礎(chǔ)上，如果我們能把自媒體場景打深打透，還可以繼續(xù)向外擴張。比如教育場景，或者職場白領(lǐng)場景，像寫報告、監(jiān)控內(nèi)容、做產(chǎn)品分析等；再比如偏金融場景：某個財報發(fā)布了，希望基于它，用「巴菲特視角」寫一篇財報分析等等。我們往外擴的時候，會更多聚焦在這類偏賺錢、偏職場、偏教育的場景。

02

用戶的行為數(shù)據(jù)才是真正的數(shù)據(jù)飛輪

Founder Park：你們希望用足夠多的 Workflow 模板來幫助很多普通用戶解決他們的痛點問題。用 Workflow，是現(xiàn)階段解決這個問題比較好的方式嗎？

黃?。?從長期來看，理想狀態(tài)當然是：用戶只需要說一句話，系統(tǒng)就能端到端幫他把事情做完。這是一個大家都在追求的美好愿景。但就目前來說，大家對模型的發(fā)展和能力邊界都有一個基本共識：模型可以解決一部分問題，但仍然離不開人的參與。

所以現(xiàn)在會有「Context Engineer」這樣的角色，強調(diào)要充分感知用戶豐富的 context 和 memory。模型有能力解決問題、調(diào)用工具、寫代碼，但前提是：它要真正理解你的 context，要「活在」你的 environment 里，跟你保持同頻協(xié)作，才能更好地幫你解決問題。

我們提出 Vibe Workflow，就是希望先把這個環(huán)境 build 出來： 用戶來到 Refly.AI，可以把自己的知識，以及更重要的——自己的行為（action）沉淀下來 。

Action 是最關(guān)鍵的。

在傳統(tǒng)的 Dify 時代，大家更多只講「知識庫」：你把知識丟進來，但知識本身的價值有限，因為模型不知道用戶在真實完成一個任務時，具體的執(zhí)行步驟是怎么走的，用戶的思考路徑是什么。缺少行為，這些知識其實很難發(fā)揮真正價值。

在 Refly.AI 里，從技術(shù)底層看，用戶在跟 AI 交互的過程中，其實是在同步沉淀知識 + 行為。舉個例子：你有一個需求，要抓 Product Hunt 上的內(nèi)容發(fā)到自己郵箱。在這個過程中，你會不斷表達個性化偏好：想抓周榜、日榜還是月榜？你希望抓完之后不僅生成音頻，還想生成一個「雙口相聲」版本發(fā)給你？這些都是你的 preference。

在這個過程中，模型幫用戶完成了第一層冷啟動，而用戶把個性化知識融進了自己的行為里，這整套交互就構(gòu)成了用戶和 Workflow 之間的一種「個性化經(jīng)驗 + action」。

對平臺來說，這意味著：我們采集到了你最有價值的數(shù)據(jù)——你是如何圍繞一個任務，完成一系列行為的。這有點類似今年大家常提到的 DeepSeek 的「思維鏈數(shù)據(jù)」：即模型在完成一個任務時，每一步的思考和執(zhí)行路徑。我們其實就在幫助用戶沉淀這種「思維鏈行為數(shù)據(jù)」。

Refly.AI 目前推薦的 Workflow 模板

第二點是：一個用戶在工作場景中的思維模式，其實是相對有限且可枚舉的。比如一個內(nèi)容工作者，日常工作大體就是幾條路徑：關(guān)注熱點 → 做選題 → 產(chǎn)出內(nèi)容 → 做分發(fā)。這些行為是可以被枚舉出來的。

這就意味著，一旦平臺能夠把你的這些行為路徑都枚舉出來，真正感知到你作為內(nèi)容創(chuàng)作者，在這個環(huán)境里可能產(chǎn)生的各種動作，我們就可以對「你這個人」做一個建模：在下一個時間點，出現(xiàn)類似情境時，你大概率會采取什么 action，我們是可以去做「predict next action」的。

有了這樣的數(shù)據(jù)和預測能力，本質(zhì)上我們就是在收集大規(guī)模用戶在工作場景中的行為數(shù)據(jù)。

當數(shù)據(jù)量足夠大，再配合持續(xù)的算法設(shè)計和嘗試，我們就可以邁向下一步：在未來的移動端場景里，用戶來到 Refly.AI，只需要表達一句話，我們就可以真正實現(xiàn)端到端、無接管地幫他把任務做完，而且結(jié)果是高度符合他個人習慣和預期的——因為我們掌握的是他最關(guān)鍵的行為數(shù)據(jù)。

這就是我們的一個更長遠的目標：通過持續(xù)收集和建模用戶的 action 行為數(shù)據(jù)，在工作場景下，有可能率先實現(xiàn)一種真正意義上的 AGI—— 一句話，端到端、無接管地幫你把工作執(zhí)行完。這是我們長期的思考方向。

Founder Park：也就是說，Workflow 只是你們切入這個事情現(xiàn)階段的一種方式。

黃?。?對，它既是一種切入方式，也是收集用戶 action 和思維鏈數(shù)據(jù)的最好方式 。 我們是在搭建一個環(huán)境，用來收集用戶最有價值的數(shù)據(jù)。

如果只是一款 chatbot 產(chǎn)品，跟用戶簡單聊幾句，沒有任何真實的行為交互，你幾乎收集不到他的行為數(shù)據(jù)。你最多知道他喜歡什么、不喜歡什么、現(xiàn)在在哪里，這類數(shù)據(jù)是非常淺的。我們希望走得更深一層，真正感知用戶的 preference、action，以及他是如何完成一項工作的。我們認為，Workflow 是一個非常好的環(huán)境和媒介。

所以我們的出發(fā)點就是： 把 Workflow 這件事做得足夠簡單，讓更多人進來用 。比如用戶量從 20 萬擴展到 2000 萬，一旦有了這種規(guī)模的數(shù)據(jù)和偏好，我們就有能力去做「predict next action」——預測用戶下一步行為。 這其實就是我們在技術(shù)層面更底層的意義。

Founder Park： 如果用戶需求的 Workflow 是由模型給他生成的，那你們想要收集的 action 具體是指哪些？

黃巍： 如果你讓 AI 幫你完成一件事，模型一次性就搞定了，那我們其實收集不到什么有價值的數(shù)據(jù)。我們真正希望看到的是那些中長程、復雜問題的解決過程。

在 Refly.AI 里，一個節(jié)點大致相當于 n8n 里的很多節(jié)點，我們等于是把底層那些細碎、價值不高的 action 屏蔽掉了。真正有價值的是：當用戶要完成一個動作，需要很多步，而模型一次性解決不了，他就不得不和模型持續(xù)交互。

模型先生成一個 Workflow，如果用戶去改某個節(jié)點的 tool 或 prompt，這其實就是在給模型做「審閱和反饋」——這是第一層反饋。

第二層是：以模型當前的能力，一次生成不到你想要的結(jié)果是很常見的。你在第二階段、第三階段繼續(xù)生成，這些新生成要怎么基于現(xiàn)有的內(nèi)容去參考和調(diào)整？這里面又會產(chǎn)生一輪反饋和交互。

最后，當你經(jīng)過多次生成和修改，覺得這個 Workflow 差不多達到了目標，就會去運行它。如果這次運行沒有報錯、結(jié)果符合預期，這本身就是一次非常強的正反饋：說明你和 AI 之間圍繞這個任務的整個交互路徑，是成功的。

對我們來說，這意味著我們拿到了 用戶在完成一個中長程、甚至更復雜任務的過程中，如何和 AI 交互，以及如何判斷任務對不對、好不好的一整套強反饋信號。

而且，這個 Workflow 還可以被發(fā)布成模板到社區(qū)。其他用戶來跑，如果覺得解決了自己的問題，會去評分、點贊，這又形成了新一層反饋。

所以在這個環(huán)境里，我們可以持續(xù)拿到多維度的反饋數(shù)據(jù)：

• 這個任務最終有沒有價值？完成過程中需要人接管多少次？
• 整體完成效率高不高？比如：
• 之前他要一個小時才能做完，下次是不是能縮短到半小時？
• 現(xiàn)在要消耗 80 萬個 token，未來能不能優(yōu)化到 40 萬？
• 之前必須用 Claude Sonnet 4，能不能在不損失效果的前提下?lián)Q成 Kimi K2？

在這些維度上，其實都有非常多可以優(yōu)化的空間和場景。

Founder Park：這些 action 數(shù)據(jù)可以形成數(shù)據(jù)飛輪嗎？

黃巍： 簡單來說有幾個層面：如果模型一次性生成，用戶覺得結(jié)果很好，直接分享出去，這本身就是一個正向反饋；但如果用戶需要反復交互、多次人工接管，或者覺得使用成本很高，這些也是非常有價值的反饋信號，會促使我們?nèi)?yōu)化產(chǎn)品，比如：能不能把原來需要三次接管，優(yōu)化成一次甚至零次？

和傳統(tǒng) chatbot 不同的是，在那里用戶問完一個問題轉(zhuǎn)身就走，你很難拿到完整的反饋鏈路。而在我們的產(chǎn)品里，用戶是帶著一個明確目標來的：從提出需求，到完成目標，中間必須走完一條清晰的路徑，整個流程會在系統(tǒng)里被完整記錄。

在這個過程中，用戶一方面會貢獻自己的經(jīng)驗，另一方面也會直接給 AI 反饋：哪里錯了、哪里沒有滿足預期。可能一開始，用戶和 AI 需要三輪交互才能達成目標，我們的目標就是把這個交互次數(shù)、時間成本不斷往下壓，讓效率越來越高。

基于這些數(shù)據(jù)，我們可以持續(xù)優(yōu)化 prompt 和我們自己微調(diào)的小模型。比如：AI 怎么更好地根據(jù)用戶意圖拆分任務？怎么在上千個 tools 里快速選出最相關(guān)的那一個？這些都有非常明確的優(yōu)化空間，也都有清晰的反饋指標，推動產(chǎn)品持續(xù)迭代，這就是我們所說的「數(shù)據(jù)飛輪」。

03

從畫布到 workflow，

做能 scale、低門檻的產(chǎn)品

Founder Park：Refly.AI 從之前的畫布定位到現(xiàn)在 vibe workflow，這中間經(jīng)歷了哪些變化？

黃?。?現(xiàn)在這個產(chǎn)品形態(tài)，跟我之前在飛書的經(jīng)歷有很大關(guān)系。

我在飛書負責過字節(jié)最早一批「大模型 + 低代碼 + Workflow」的項目 Aily。所以，我們這批人對「AI + Workflow」有比較系統(tǒng)的認知。我自己在飛書做過程序員、產(chǎn)品、銷售、設(shè)計和運營等各種崗位，等于把第一代低代碼 Workflow 的全鏈路都跑了一遍：數(shù)據(jù)建模、流程編排、界面搭建、發(fā)布運營和權(quán)限體系。

第二階段，是我們在飛書內(nèi)部做的「AI 前沿 + 低代碼」項目。簡單說，就是用 AI 重構(gòu)低代碼的所有模塊：AI 生成數(shù)據(jù)模型、生成流程、生成界面，甚至生成全棧應用。后來這個方向產(chǎn)品化，變成了 Aily。我們當時有一個判斷：在 AI 時代，低代碼會長出一種新形態(tài)——只要有一個足夠強的 Workflow，就能承載搭建 App 的全過程。界面可以交給 AI 生成，數(shù)據(jù)可以作為 Workflow 的一個 tool，在流程運行過程中讀寫。

但產(chǎn)品對外之后，我們發(fā)現(xiàn)一個現(xiàn)實問題：即使給 Workflow 加了 AI，故事很美好、內(nèi)部體驗也不錯，普通用戶依然用不起來。本質(zhì)形態(tài)還是傳統(tǒng) Workflow，只是加了一些 AI 節(jié)點，更像是 n8n 的進化版。我的總結(jié)是兩點：

第一，Workflow 的價值是確定的，但要真正規(guī)模化，一定要讓普通人能用得上；

第二，用戶愿意為「先進的生產(chǎn)經(jīng)驗和流程」付費——飛書之所以能賣出去，很重要的一點是，大家希望買到的是字節(jié)跳動這家公司的先進流程。

這也是 Refly.AI 商業(yè)化的核心假設(shè)： 如果一個流程本身有價值，把它封裝起來，是可以被規(guī)?；N售的。

即使不會搭建 Workflow，也可以找到自己需要的直接運行。

回到創(chuàng)業(yè)。我們一開始就想做 Workflow，但兩個人團隊上來就啃這么大的工程不現(xiàn)實，所以先從一個更小的切口做起：圍繞「用戶的 context 很有價值」這個命題，做了一個剪藏插件，讓用戶保存文章，再基于文章做總結(jié)和每日歸檔。后來發(fā)現(xiàn)最大的問題是 data connection 很難規(guī)模化，這條路就暫時放下了。

緊接著，隨著 ChatGPT Canvas 和 Claude Artifacts 出來，我們意識到：如果已經(jīng)收集了那么多 context，只做「總結(jié)」太浪費了，應該讓用戶在這上面寫東西、創(chuàng)作內(nèi)容，也就是 DeepResearch 的最初形態(tài)。但我們很快發(fā)現(xiàn)，這種形態(tài)要管理大量復雜 context，對普通用戶的門檻非常高。

于是我們切到「畫布」形態(tài)，把這個產(chǎn)品推向市場，結(jié)果火得很快，也順利拿到了一輪融資。融資之后我開始反思：雖然有一批愿意付費的用戶，但大多是專業(yè)用戶，小白用戶還是看不懂、用不順。這時候我們有了資源，就回到最初想做的事情——Workflow。

接下來，我們做了幾層降復雜度的嘗試：

• 第一步，把原來一個畫布里可能上百個節(jié)點，收斂成只針對一個具體問題的 5–8 個節(jié)點的 Workflow；
• 第二步，在此基礎(chǔ)上引入 agent，讓 AI 來生成 Workflow 本身，進一步降低搭建成本。

再往下，就是現(xiàn)在的路徑：從「深度畫布」到「可落地的 Workflow」，再到「把 Workflow 封裝成一個個模板」。這意味著，大部分用戶只需要消費別人封裝好的流程，少部分高階用戶來生產(chǎn)和分享流程。通過這一系列演進，我們一邊降低復雜度，一邊放大使用的泛化性，讓「AI + Workflow」真正有機會被更廣泛的人用起來。

Founder Park：這算是你們幾次不同方向的探索嗎？還是在你看來核心方向是一致的？

黃?。?對我來說，這是一個從模糊到逐漸確定的過程。

我決定創(chuàng)業(yè)，一個很直接的原因是參與了字節(jié)第一批超大規(guī)模的「AI + Workflow」項目。那段時間節(jié)奏非常高強度，項目結(jié)束后再回到常規(guī)的上班狀態(tài)，明顯有種「打完仗又回去種田」的不適應，所以干脆選擇出來試一試。

剛出來的時候，其實并沒有想清楚要做什么方向。因為在飛書期間做過瀏覽器插件，就先把這段經(jīng)驗用起來，再加上看到 Monica 這類產(chǎn)品，有些被「點燃」了，就先動手做起來。具體要做到哪里、產(chǎn)品最終會長成什么樣，當時并不明確。

后面更多是邊做邊學，通過不斷和用戶交互，一點點看清哪些是真需求、哪些有機會被更多人用，于是產(chǎn)品方向也就從一開始的模糊，逐步收斂到后來相對確定的形態(tài)。

Founder Park： 也就是說，一開始從字節(jié)出來時，你其實還沒下定決心要繼續(xù)做 workflow，只是先往前走。做到畫布這個形態(tài)時，驗證出了一些基礎(chǔ)的 PMF，你們覺得這條路可以走下去，而這條路又剛好和你之前對「用 Workflow 形式來承載」的想法接上了。

黃?。?對，是這么一個思考的過程。

Founder Park：整個團隊在這個產(chǎn)品上真正「找到感覺」，大概是哪個時間點？

黃?。?如果說一個明確的時間節(jié)點，是 8 月上旬。那時候投資人提醒我們，今年要再做一輪融資，我們也在想：下一輪要講什么故事？當時我們手里有一款生成式畫布產(chǎn)品，用戶和收入都不錯，但我心里一直覺得，有點「解釋不清楚」。這個形態(tài)很復雜，我很難想象它的長期走向，直覺上它不是一個能 scale 的好形態(tài)。

其實這款畫布之前在市場上是爆過的。大概在 3 月份，推特上有好幾周大家都在討論 Refly.AI，很多投資人來找我們。但說實話，我們當時也沒完全搞清楚它為什么會爆，只是順著用戶需求一路做下來，做著做著就火了，然后去拿融資。等融資回來、冷靜下來再看，問題就很清晰：這個產(chǎn)品很難 scale。

再加上 8 月份的壓力，我們之前有這個經(jīng)歷，又從畫布過渡到 Workflow，有了一些技術(shù)上和產(chǎn)品上的積累，覺得這個事情是很容易去做的，就試著去做一下。

但實踐下來沒有那么容易。從 8 月確定要做，到 9 月初我們做出了第一個版本，但那個版本問題非常多。之后一個多月，我們一邊修 bug，一邊在這些問題中找平衡點。畫布轉(zhuǎn)到 Workflow，本身就有很多歷史債務要清，同時還要重新思考：這個形態(tài)怎么 scale、怎么商業(yè)化。折騰到 11 月底，整體才算相對穩(wěn)定下來。

有了這次轉(zhuǎn)型的經(jīng)歷，我們發(fā)現(xiàn)這條路在邏輯上非常自洽，而且和團隊背景高度匹配。后面我們招人也是往這個思路上靠。 我們這支團隊現(xiàn)在在「Vibe Workflow」的賽道里面，可能就是全球最有競爭力的團隊。我們對這個事情的理解是最深的，做的產(chǎn)品也最超前。

Founder Park：現(xiàn)在這個 Vibe Workflow 的產(chǎn)品，徹底想清楚的時候，是有什么特殊契機嗎？

黃?。?大概是 8 月初有了一個模糊的想法，到 8 月底整個產(chǎn)品架構(gòu)才真正被想清楚。

這個產(chǎn)品本身是分層的，工程復雜度非常高：

• 第一層，是讓 agent 來生成 Workflow，本身 Workflow 的設(shè)計就得適合被 agent 生成。現(xiàn)在像 n8n、Dify，要做到這一點會有比較重的歷史包袱。
• 第二層，是把 Workflow 設(shè)計成「每個節(jié)點本身就是一個 agent」，再通過執(zhí)行引擎把這些 agent 串起來，這一層工程量也很大。
• 第三層，要讓 Workflow 真正有價值，就必須有成規(guī)模的 tools 體系，覆蓋 input、action、output 等不同類型。光 tools 這一層，單獨拎出來都可以是一個創(chuàng)業(yè)方向。在此基礎(chǔ)上，我們又給 agent 配了一臺「虛擬電腦」，讓它能寫代碼、調(diào)用 tools、操作文件，從而把類似 n8n 那種搭建復雜度進一步壓下去。

這幾層疊在一起，不是一個普通團隊可以輕易抄過去就跑起來的。

我們當時的思路是從畫布產(chǎn)品一路推演過來的。那時候我們已經(jīng)把多模態(tài)能力都加進來了，可以在畫布里生成視頻、音頻等各種東西。但問題也很明顯：堆了這么多能力在一個畫布里，用戶進來根本不知道第一步要干什么、下一步該怎么走。一方面是產(chǎn)品引導本身有問題，另一方面，我當時心里其實已經(jīng)隱約在想 Workflow 這條路，但還沒下決心去落地。

轉(zhuǎn)折點是，我們招了一些很優(yōu)秀的同事進來。有一次我把這個 Workflow 的想法講給他聽，他周末花了兩天，把一個完整方案寫了出來。我們看完之后覺得：這件事情是說得通的，那就開始干吧。

后面邊做邊驗證，大概半個月左右，我們發(fā)現(xiàn)這個方案不僅在工程上是閉環(huán)的，還把我們之前很多的疑惑都解釋清楚了：哪些方向其實不適合我們做，哪些地方是我們真正有競爭力的。這時候，我們對「Vibe Workflow」的產(chǎn)品形態(tài)，才算徹底想明白。

04

我們不相信「一人公司」的通才理論

Founder Park：你們團隊現(xiàn)在大概十三四個人，分工是什么樣子的？

黃巍： 我們在測試這件事上踩過很大的坑。

我之前在公司里很多角色都干過，唯獨沒做過測試，寫代碼也基本不寫測試，所以一開始對測試的價值是有偏見的。擴團隊時，我理想中的研發(fā)同學是那種端到端的人：既懂用戶需求，又能寫代碼、自己測、自己上線，看結(jié)果復盤。后來發(fā)現(xiàn)，這種人早期很難大規(guī)模招到，要么在明星創(chuàng)業(yè)公司，要么在大廠里，我們又沒做 PR，在市場上聲量有限。

其次，我們的產(chǎn)品因為是 Workflow，很復雜，好多 bug。我們發(fā)了一版測試版給用戶去用，全是 bug。當時痛定思痛，覺得得招個測試進來。兩天之內(nèi)就招到了人，進來之后，整個節(jié)奏立刻不一樣：測試同學每天 push 我們修問題，產(chǎn)品質(zhì)量穩(wěn)定性肉眼可見地上來了。

在這個基礎(chǔ)之上我懂得一個道理，現(xiàn)在大家鼓吹的所謂「一人公司」，或者一個人可以把所有事情干完，我覺得是很美好的愿望。但互聯(lián)網(wǎng)分工這套方法論，已經(jīng)被無數(shù)家公司驗證過，我們不應該把它丟棄掉。

我們的教訓是：團隊職能一定要盡量完備——產(chǎn)品、運營、增長、設(shè)計、測試、研發(fā)、算法都要有人，才不會在關(guān)鍵環(huán)節(jié)出現(xiàn)盲區(qū)。

我們的原則是：

• 在「非重度」方向，每個方向至少招一個特別優(yōu)秀的人，把這件事完整跑通，只有在確實需要擴張時才上第二個、第三個。
• 在「重度」方向，比如研發(fā)、算法、模型調(diào)優(yōu)，會投入更多人力。

現(xiàn)在團隊大致的分工是：所有方向上至少有一個能把事情落地的人。在研發(fā)層面，一部分人做偏運營向的開發(fā)，大概兩個人；做模型和工程調(diào)優(yōu)的，兩到三個人；再做底層的 workflow 和 tools 基座開發(fā)的，三到四個人。大概是這么一個分工。

Founder Park：現(xiàn)在大家講究 AI 時代的團隊是招一些通才，但你這邊好像是要招一些在確定崗位上很擅長的人，這會有矛盾嗎？

黃?。?我們是從 0 開始摸爬滾打過來的，對這一點的感受非常直接： 通才當然重要，但前提是你真的能招到通才。 這有點像「通用 agent」——大家都在說，但現(xiàn)實里沒那么多。

現(xiàn)實情況是，模型的能力沒有大家鼓吹的那么厲害，沒達到替代一個人的地步。比如模型不會讓一個寫代碼的人去搞設(shè)計，他能搞點輕微的設(shè)計，但搞不了生產(chǎn)型的設(shè)計。所以我們更強調(diào)的是，招這個領(lǐng)域的專才，然后我們給他加一層 AI，他比所謂的通才要好幾個數(shù)量級。這一點我們現(xiàn)在在團隊里已經(jīng)驗證得比較充分了。

比如我們招一個設(shè)計同學，給他配非常完備的 AI 工具，他只需要專注在把整個產(chǎn)品的框架設(shè)計好，盡量的兼容通用，其他的細節(jié)可以讓 AI 幫他完成。我們覺得這種是一種非常高效率的協(xié)作方式。

所以對我們來說，最理想的狀態(tài)就是招專才，并且是非常專、非常優(yōu)秀的人，我們給他配最強大的 AI，讓他把這個事情干到之前 3 到 5 倍甚至 10 倍的效果。

Founder Park：那你們現(xiàn)階段還需要再擴招嗎？

黃巍： 會，而且是持續(xù)擴招。

我最近有一個比較堅定的結(jié)論：不管是在大公司還是創(chuàng)業(yè)公司，團隊在人力配置上應該是「飽和式」的，而不是剛剛好夠用。原因有幾個：

• 方向未來一定會變化；
• 會遇到各種突發(fā)情況，比如核心同學離職，或者突然有一個新的大模型出來，你需要快速兼容、改造；
• 很多機會窗口期很短，人不夠就會明顯跟不上節(jié)奏。

另外，我們內(nèi)部有一個共識：做好產(chǎn)品，和做好增長、商業(yè)化，是同等重要的事情。所以在增長這塊，我們也會搭一個相對完整的團隊：投放、內(nèi)容、KOL 運營、增長產(chǎn)品經(jīng)理、增長工程師，這些角色我們都會補齊。

05

站在模型肩膀上做產(chǎn)品，

才不會被取代

Founder Park：現(xiàn)在的大模型，給它太多工具之后會陷入不知道怎么選的地步。這個問題現(xiàn)在你們是怎么解決的？

黃?。?我們對 AI 的使用方式不同，我們是讓它從 1000 種工具里「選擇」工具，而不是直接用這些工具去「執(zhí)行」。 「選擇」和「執(zhí)行」這兩個任務的復雜度是不一樣的，「選擇」這個任務非常簡單。

要模型一邊從幾百上千個工具里挑，一邊把活干完，這個事情太復雜了。所以我們把任務拆成兩塊：一個模型專門負責挑工具、寫 action 和 workflow；另一個模型只負責執(zhí)行具體任務。

我們每個 agent 節(jié)點實際能用的工具不超過 3 個，通常只有一到兩個，對應的 prompt 也非常簡單。我們的目標是：每個 agent 節(jié)點只做一件非常具體的小事，一到兩個工具就能搞定，然后把復雜任務拆成 5～10 個這樣的小任務。

這樣做有兩個好處：

• 不同模型各司其職。像 Kimi K2 這種適合執(zhí)行的模型，就專注把單個步驟做好——便宜、準、穩(wěn)定、速度快；像 GPT-5、Claude Sonnet 4.5 這種更強的模型，就負責從成千上萬的工具中篩選、規(guī)劃，把任務拆解成一條條可執(zhí)行的 workflow。
• 我們可以用一個穩(wěn)定的編排引擎，把這些簡單節(jié)點串起來，完成非常復雜的任務，而不是指望某一個「大而全」的 agent。

本質(zhì)上，這是我們對模型邊界的一種利用方式：不用去強碰模型當下還「不擅長」的能力，而是把問題拆到模型能穩(wěn)定發(fā)揮的區(qū)間，讓產(chǎn)品形態(tài)和模型能力「貼合」增長，而不是被拖著走。

我們的產(chǎn)品做了一件非常巧妙的事情：讓貴的、強的模型去做拆任務，讓簡單的模型去做執(zhí)行。

這樣模型能力的增長不會吃掉我們，而是會讓我們變得更強。一旦我們收集到可用的數(shù)據(jù)，錢和人到位，拆任務這一層完全可以用自研或微調(diào)模型替代；執(zhí)行層也可以不斷優(yōu)化，比如原來要 4 個節(jié)點，現(xiàn)在壓縮到 1 個節(jié)點。

這個過程極度考驗我們對模型能力、邊界的認知，以及怎么去提前幾個月把我們的產(chǎn)品放在這個點上，等待模型的增長。比如后面發(fā)了新的模型、新的 API，我們很快就可以接入，并且讓用戶可以一句話生成流程，去做自媒體傳播。這就是我們怎么去設(shè)計產(chǎn)品和做增長的一些思考。

Founder Park：對 Refly.AI 來說，現(xiàn)在階段的核心壁壘，是技術(shù)壁壘還是運營壁壘？

黃巍： 現(xiàn)階段，在我們產(chǎn)品還沒有完全大規(guī)模面世之前，我們可能對自己的技術(shù)壁壘會有一些信心。

首先，我們可能是這個地球上最懂「AI + Workflow」的那批人。第二，我們在正式對外之前，已經(jīng)組建了一支非常能打仗的團隊。這是我刻意為之的，我不希望我們還沒準備好就草率地暴露出去，結(jié)果這個方向火了，后續(xù)卻和我們無關(guān)了，團隊組織能力一定要到位。

在這個基礎(chǔ)上，我們有一個比較清晰的產(chǎn)品判斷： AI 越往前走，真正有價值的產(chǎn)品，一定是在非常復雜的系統(tǒng)工程之上，讓用戶「感知到的體驗」盡可能簡單。 不是說產(chǎn)品本身要做成一個很簡單的小玩具，而是底層可以極其復雜，但呈現(xiàn)給用戶的路徑要是順滑、低門檻的。這中間要始終順著 AI 能力的演進做設(shè)計，而不是逆勢搞一些反人性的形態(tài)。

以我們目前的工程復雜度，任何一家小公司，比如 15-20 人的團隊，很難在 3-6 個月之內(nèi)超過我們。即便短期某些功能形態(tài)看上去追上來了，也很難知道我們下一步會做什么迭代。對大廠而言，我自己有大廠經(jīng)歷，要在內(nèi)部復刻一個同等復雜的系統(tǒng)，至少得拉一個 50–100 人的團隊，全力干一兩年。除非我們已經(jīng)證明這是一個千億級甚至更大的市場，否則大多數(shù)大廠不會一上來就投這么重的資源。

所以，我們會給自己一個 3–6 個月的「加速窗口期」。在這段時間里，只要資金到位、增長團隊到位，技術(shù)和產(chǎn)品這套復雜度放出去，短期應該是沒有特別直接的對手，我們也有機會在市場上快速完成一輪增長和商業(yè)化驗證。

Founder Park：這么設(shè)計，會不會被某一個模型廠商綁架？比如受限于單一模型的成本或能力？

黃?。?不會，反而可以說，我們現(xiàn)在的做法在某種意義上是偏「激進」的。

我之前跟一些字節(jié)同事聊，他們會覺得我們的方向挺超前：現(xiàn)在就把每個節(jié)點都改成一個 agent，再去編排 agent，這個路徑是不是太早了？一開始我們自己也有類似的疑問——和 n8n 那種相對靜態(tài)的 Workflow 比，我們的做法一開始確實不夠穩(wěn)定、成本也偏高，早期 bug 特別多，那個階段我們也反復在問：這條路到底是不是可行的？

但一路走下來，我們會發(fā)現(xiàn)，這件事是說得通的：

• 每個節(jié)點都是一個 agent；
• 每個節(jié)點做盡量簡單的事；
• 整條鏈路通過編排引擎串起來。

無論未來模型怎么迭代，我們都是在模型之上再加了一層抽象，相當于「站在模型肩膀上」：模型越強，我們越強；模型越便宜，我們越便宜。同時，我們還會沉淀自己的行為數(shù)據(jù)，可以進一步優(yōu)化自研模型和商業(yè)模式。

更重要的是，這個抽象層可以天然兼容不同模型、不同模態(tài)，統(tǒng)一放到同一套 workflow 架構(gòu)里，完成數(shù)據(jù)的 INPUT、PROCESS 和 OUTPUT。這讓我們不會被某一個模型廠商鎖死。

Founder Park：如何不被模型所取代，除了跑得快以外，還有其他補充嗎？

黃?。?我覺得核心還是認識到模型的邊界。模型廠商非常懂模型，他只切了他看起來顯而易見的那部分能力。但實際上，模型是一個巨大的寶藏，你可以從里面剝離出對你這個行業(yè)最有價值的那部分能力。

比如我們做 Vibe Workflow，是因為當時看到一個趨勢，GPT-5 發(fā)布之后，ChatGPT 把所有的功能選擇都收到了一個按鈕里，希望用戶只需要表達需求，它自動做路由。這對我最大的震撼是， 這么大的一個產(chǎn)品竟然能做這個事情，意味著現(xiàn)在整個模型的工具調(diào)用（tool use）的速度和準確性已經(jīng)邁過了那個極限 。我們認識到這一點之后，就選擇了 Vibe Workflow，我們覺得這個事情是一定可行的。

這個能力不像生成 PPT 那么花哨，但是它對你的產(chǎn)品有用，并且能產(chǎn)生巨大的化學效應。也就是說，模型是一個巨大的寶藏，它有很多切面。你如果能從里面找到一個切面，對你的產(chǎn)品產(chǎn)生杠桿效應，即使不需要和模型廠商競賽也是可以的。你不要去打它的主方向，你從里面抽點皮毛出來，把你這個產(chǎn)品做好，至少也是一個幾十億、數(shù)百億美金的規(guī)模。早期你的野心不要那么大，能做到 Canva 那樣，就意味著我們的目標沒有那么高，我們也可以切到模型的一個切面，切到自己的一塊肉。

去挑選一個差異化的賽道，在這個賽道里面我們做到最大，也能活得非常好。比如馬斯克的第一次創(chuàng)業(yè)，也不是做了特斯拉或者 SpaceX。所以我覺得第一次創(chuàng)業(yè)不要搞那么大，簡單點，先搞出來，人生還很長，一點點來。

06

創(chuàng)業(yè)早期可以慢一點，

關(guān)鍵是「別做錯事」

Founder Park：想象一下 Refly.AI 的終局，會成為一個 Workflow 的分發(fā)平臺，還是大家創(chuàng)作內(nèi)容的一個新平臺？

黃巍： 短期內(nèi)，我們覺得它有可能是一個新的原生內(nèi)容平臺的機會。

AI 來了之后，大家都在想 AI 時代的社區(qū)和內(nèi)容平臺是什么樣子的。AI 最大的能力在于它可以生成內(nèi)容，以及它的主動性和自動化。那未來的 AI 內(nèi)容平臺，是不是內(nèi)容可以極度個性化地定制？用戶表達一句話可以生成內(nèi)容，并對它做編輯、消費和修改。內(nèi)容是豐富多樣的，不只是視頻。比如我現(xiàn)在需要聽個播客，平臺就可以實時為我生成一段只服務于我的播客, 有點像 OpenAI 現(xiàn)在推的 ChatGPT Pulse。

長期的終局，就像我們說的，我們拿到的是用戶在一個工作生命周期里所有的行為和意圖數(shù)據(jù)。那未來是不是我們能給用戶一個更簡單的交互方式？他只需要一個無時不在、感知不到的硬件，就能去和 AI 做交互，完成自己的任務。比如他走在路上說「你幫我開一輛特斯拉去接我的女兒」，他可以去做這種侵入到物理世界的 action，并且這個 action 本身的價值、準確率和個性化都非常高。

這是我們認為長遠的、Refly.AI 希望達到的終局。我們設(shè)置了一個環(huán)境和媒介，去承接用戶全方位、多維度的意圖和行為數(shù)據(jù)。 我們希望這些數(shù)據(jù)最終能夠構(gòu)建一個用戶的數(shù)字化版本，能幫助用戶進入到物理世界去干一些事情。

短期內(nèi)，我們希望可能是在做一個 AI 原生的內(nèi)容平臺的機會。但更加現(xiàn)實一點，我們就是在賣模板，做一個很土的生意，賣 AI 時代的 Workflow 模板。

Founder Park：那你預期明年整個 AI 行業(yè)有哪些新的技術(shù)和發(fā)展，會對你們有助力？

黃?。?我自己有兩個非常期待的方向。

第一，是讓「修小問題」這件事真正被 AI 自動化掉。我們每天都有大量細碎的小 bug，要改代碼、測、上線。理想狀態(tài)是，這些小問題可以端到端地被 AI 自動修復和發(fā)布，讓人從重復勞動中徹底解放出來，去做更有創(chuàng)造性的事情。

第二，是模型在「編輯能力」上的進步，而不只是生成。

現(xiàn)在模型在生成上已經(jīng)很強了，但生成完一個 PPT、視頻或網(wǎng)頁之后，我還要為它造一個編輯器，讓用戶去細調(diào)。如果未來模型能以很低的成本精準理解 input，做細粒度的編輯，那么 Refly.AI 這類工具的上限會被大幅抬高——很多我們今天需要自己造的「編輯能力」，都可以交給模型。

那 Refly.AI 會變成什么？它會變成 AI 時代的創(chuàng)作者工具。以前你剪一個視頻用的是剪映，發(fā)布的載體是抖音。未來，你去做內(nèi)容創(chuàng)作，跑的是一個流程，這個流程產(chǎn)出的結(jié)果就是一個視頻、一個音頻、一個文本，甚至是一個網(wǎng)頁。

一旦模型的編輯能力變得非常強，未來所有內(nèi)容的載體其實都是一條流程，這會催生出一個 AI-native 的原生內(nèi)容平臺。這個內(nèi)容平臺相比之前最大的變化就是，它的內(nèi)容是實時生產(chǎn)、實時更新，并且每個內(nèi)容都可以由人去做個性化甚至「入鏡」，按需消費。這是我們看到的，可能是下一代內(nèi)容平臺的機會。

Founder Park：如果現(xiàn)在有大廠的人或者創(chuàng)業(yè)者也是做 AI 應用，你會給他們什么建議？

黃?。?我只能從我自己的經(jīng)驗出發(fā)。我覺得看一個事情，可能要把它拉長到一個維度去看。一個事情在半年這個維度可能看上去很有價值，但拉到 1～2 年，你要問自己：這個產(chǎn)品還能活嗎？現(xiàn)在大家都在講快速落地、快速試錯、快速拿結(jié)果，但從我的視角，早期可以慢一點，關(guān)鍵是「別做錯事」。

假如我們今天來一個概念就抄，明天來一個概念就抄，沒有自己的產(chǎn)品主張，就容易陷入「熱度成癮」。 我們寧愿早期慢一點，但是一定要拉長時間維度，在這個行業(yè)內(nèi)做到不可替代，把事情做對。

第二點，就是老生常談的，它會不會被模型吃掉？這個事情一定要想清楚。你是不是在做一個模型之上的東西，還是會被模型吃掉的東西？有些人可能偷懶就不去想了，比如 OpenAI 做了瀏覽器，你也去做個瀏覽器，甚至比他做得還慢，這種是不值得去做的。

我們內(nèi)部有一個心法：產(chǎn)品一定要比模型的能力迭代要快 3-6 個月，并且要在 3-6 個月之內(nèi)把自己的想法實踐落地，并推向市場和商業(yè)化。如果我們能不斷地重復這樣的周期，我們就能跑贏這個市場，跑贏模型廠商。

第三點建議，招人層面的，就是早期一定不要有偏見。歷史上被證明有價值的分工和合作一定有它的道理，存在即合理。不要因為自己的偏見，或者因為他人表達的所謂「通才」的看法，就覺得一定就是那樣的。還是要回歸常識、回歸本質(zhì)。

早期一定要找到那種價值觀和想法對齊的團隊。我們也面過、發(fā)過很多背景非常優(yōu)秀的人的 offer，包括給一些斯坦福的學生發(fā)過 offer。但我們會發(fā)現(xiàn)，雖然他們的背景和履歷非常優(yōu)秀，但如果把他們放在一個高壓、要去戰(zhàn)斗的環(huán)境之下，他們學校里的履歷是很難派上用場的。放到一個戰(zhàn)爭的環(huán)境之下，考驗的不是你答一道題的能力，而是你怎么去面對全方位的競爭，去找到自己的道路。

早期團隊，確實要找到那種調(diào)性相投的，而不是一味地去看名校背景或光鮮履歷。真正能打仗的人，他不一定是履歷光鮮的，可能就是普普通通，但他確實能把事情干成。

注：Refly.AI 本身是開源項目，開源倉庫地址：

https://github.com/refly-ai/refly