朱嘯虎投資，Refly.AI黃巍：Vibe Workflow才是更大眾的解決方案

種子輪拿到數百萬美元融資、估值近千萬，朱嘯虎的金沙江創投、高瓴創投和 Classin 共同投資。

Refly.AI 給自己的定位是更適合大眾的 Vibe Workflow 產品。

為什么要做 Vibe Workflow？原因很簡單，現在的 Workflow 產品太難用，以及團隊對于 Workflow 價值的認可。

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

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 動態性的同時，獲得傳統 Workflow 的可控性與穩定性。

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 的新版本發布之際，我們和創始人& CEO 黃巍聊了聊，想搞清楚，AI-native 的 Workflow 應該長什么樣。

以下內容經 Founder Park 編輯整理。

超 17000 人的「AI 產品市集」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產品曝光渠道

01

Vibe Workflow：

agent 的智能+workflow 的可控

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

黃巍： 從 AGI 發展主線來看，一端是以 Manus 為代表的 Agent 形態，本質上這是一套基于自然語言驅動的 Workflow：用戶給出一句指令，系統自動完成后續任務。另一端則是以 n8n、Dify 或純代碼為代表的傳統 Workflow，更強調精確性，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、穩定性不足、執行時間難以預期，更關鍵的是，同一位用戶多次提交相同指令時，產出的結果往往并不一致。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 動態性的同時，獲得傳統 Workflow 的可控性與穩定性，所以 把 Agent 和 Workflow 結合，統稱為「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。產品的核心在于將 Agent 進行白盒化，提供一套「Agent Editor」，并在此基礎上對 Workflow 的底層結構進行了重構：每一個節點本身都是一個 Agent，用戶只需為 Agent 編寫 prompt、選擇合適的 tools，系統即可完成多步規劃與問題求解；相比之下，傳統 Workflow 中的單個節點往往只負責調用一個 API 或執行一段代碼。

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

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。再通過穩定的編排引擎串聯起來，只要我們的節點數量和復雜度上去了，理論上我們可以解決無限的問題。在我們內部有一個說法，Refly.AI 已經達到了所謂的 AGI。

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

黃巍： 整體算下來，通過 copilot 配合，用 n8n 搭一個 8 到 10 個節點的流程，可能要花 3 到 6 個小時，加上中間的調試成本，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，現在 Kimi K2 這樣的模型已經能夠非常好地完成這個任務。

執行層面，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。后續調用時，token 消耗可能僅為原本的 50% 甚至 10%。

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

黃巍： 這是這是產品選擇上的一個折中。既然選擇了 Vibe Workflow，并且每個節點都是 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定性，去換取更大用戶規模的使用。

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。本質上，這是 試圖用門檻降低 10 倍的優勢，去換取穩定性降低 1 到 2 倍的代價。

我們的場景和 n8n 也不一樣。n8n 多用于 RSS 監聽與分析，而我們更強調內容產出。用戶組合多模態、音頻、視頻模型，產出一篇報告或一個數字人視頻。這些模態對準確率的要求不高，只要 70% 內容是對的，聽上去有用，用戶就覺得 OK。

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

我們希望為用戶提供 80% 有用的結果，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，讓用戶閉環地完成編輯工作，但這是長遠考慮。

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

黃巍： 對，我們不是做那種企業里需要 100% 穩定的 automation 任務。

Founder Park：那你們現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，我們在產品設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，就是現在定義的自媒體場景。為什么選這個？因為我們發現，現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 串成兩到三個節點的工作流，做一個完整的產出，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。

在這個基礎上，如果我們能把自媒體場景打深打透，還可以繼續向外擴張。比如教育場景，或者職場白領場景，像寫報告、監控內容、做產品分析等；再比如偏金融場景：某個財報發布了，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

用戶的行為數據才是真正的數據飛輪

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，是現階段解決這個問題比較好的方式嗎？

黃巍： 從長期來看，理想狀態當然是：用戶只需要說一句話，系統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。

所以現在會有「Context Engineer」這樣的角色，強調要充分感知用戶豐富的 context 和 memory。模型有能力解決問題、調用工具、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 是最關鍵的。

在傳統的 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揮真正價值。

在 Refly.AI 里，從技術底層看，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 上的內容發到自己郵箱。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，這整套交互就構成了用戶和 Workflow 之間的一種「個性化經驗 + action」。

對平臺來說，這意味著：我們采集到了你最有價值的數據——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「思維鏈數據」：即模型在完成一個任務時，每一步的思考和執行路徑。我們其實就在幫助用戶沉淀這種「思維鏈行為數據」。

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。比如一個內容工作者，日常工作大體就是幾條路徑：關注熱點 → 做選題 → 產出內容 → 做分發。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容創作者，在這個環境里可能產生的各種動作，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。

有了這樣的數據和預測能力，本質上我們就是在收集大規模用戶在工作場景中的行為數據。

當數據量足夠大，再配合持續的算法設計和嘗試，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端到端、無接管地幫他把任務做完，而且結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鍵的行為數據。

這就是我們的一個更長遠的目標：通過持續收集和建模用戶的 action 行為數據，在工作場景下，有可能率先實現一種真正意義上的 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階段的一種方式。

黃巍： 對，它既是一種切入方式，也是收集用戶 action 和思維鏈數據的最好方式 。 我們是在搭建一個環境，用來收集用戶最有價值的數據。

如果只是一款 chatbot 產品，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據。你最多知道他喜歡什么、不喜歡什么、現在在哪里，這類數據是非常淺的。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 是一個非常好的環境和媒介。

所以我們的出發點就是： 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 萬，一旦有了這種規模的數據和偏好，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據。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，一個節點大致相當于 n8n 里的很多節點，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交互。

模型先生成一個 Workflow，如果用戶去改某個節點的 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果是很常見的。你在第二階段、第三階段繼續生成，這些新生成要怎么基于現有的內容去參考和調整？這里面又會產生一輪反饋和交互。

最后，當你經過多次生成和修改，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 還可以被發布成模板到社區。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。

所以在這個環境里，我們可以持續拿到多維度的反饋數據：

• 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？
• 現在要消耗 80 萬個 token，未來能不能優化到 40 萬？
• 之前必須用 Claude Sonnet 4，能不能在不損失效果的前提下換成 Kimi K2？

在這些維度上，其實都有非常多可以優化的空間和場景。

Founder Park：這些 action 數據可以形成數據飛輪嗎？

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，會促使我們去優化產品，比如：能不能把原來需要三次接管，優化成一次甚至零次？

和傳統 chatbot 不同的是，在那里用戶問完一個問題轉身就走，你很難拿到完整的反饋鏈路。而在我們的產品里，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，整個流程會在系統里被完整記錄。

在這個過程中，用戶一方面會貢獻自己的經驗，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、時間成本不斷往下壓，讓效率越來越高。

基于這些數據，我們可以持續優化 prompt 和我們自己微調的小模型。比如：AI 怎么更好地根據用戶意圖拆分任務？怎么在上千個 tools 里快速選出最相關的那一個？這些都有非常明確的優化空間，也都有清晰的反饋指標，推動產品持續迭代，這就是我們所說的「數據飛輪」。

03

從畫布到 workflow，

做能 scale、低門檻的產品

Founder Park：Refly.AI 從之前的畫布定位到現在 vibe workflow，這中間經歷了哪些變化？

黃巍： 現在這個產品形態，跟我之前在飛書的經歷有很大關系。

我在飛書負責過字節最早一批「大模型 + 低代碼 + Workflow」的項目 Aily。所以，我們這批人對「AI + Workflow」有比較系統的認知。我自己在飛書做過程序員、產品、銷售、設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：數據建模、流程編排、界面搭建、發布運營和權限體系。

第二階段，是我們在飛書內部做的「AI 前沿 + 低代碼」項目。簡單說，就是用 AI 重構低代碼的所有模塊：AI 生成數據模型、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——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，數據可以作為 Workflow 的一個 tool，在流程運行過程中讀寫。

但產品對外之后，我們發現一個現實問題：即使給 Workflow 加了 AI，故事很美好、內部體驗也不錯，普通用戶依然用不起來。本質形態還是傳統 Workflow，只是加了一些 AI 節點，更像是 n8n 的進化版。我的總結是兩點：

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

第二，用戶愿意為「先進的生產經驗和流程」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跳動這家公司的先進流程。

這也是 Refly.AI 商業化的核心假設： 如果一個流程本身有價值，把它封裝起來，是可以被規模化銷售的。

即使不會搭建 Workflow，也可以找到自己需要的直接運行。

回到創業。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，再基于文章做總結和每日歸檔。后來發現最大的問題是 data connection 很難規模化，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：如果已經收集了那么多 context，只做「總結」太浪費了，應該讓用戶在這上面寫東西、創作內容，也就是 DeepResearch 的最初形態。但我們很快發現，這種形態要管理大量復雜 context，對普通用戶的門檻非常高。

于是我們切到「畫布」形態，把這個產品推向市場，結果火得很快，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點，收斂成只針對一個具體問題的 5–8 個節點的 Workflow；
• 第二步，在此基礎上引入 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？

黃巍： 對我來說，這是一個從模糊到逐漸確定的過程。

我決定創業，一個很直接的原因是參與了字節第一批超大規模的「AI + Workflow」項目。那段時間節奏非常高強度，項目結束后再回到常規的上班狀態，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，就先把這段經驗用起來，再加上看到 Monica 這類產品，有些被「點燃」了，就先動手做起來。具體要做到哪里、產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。

Founder Park： 也就是說，一開始從字節出來時，你其實還沒下定決心要繼續做 workflow，只是先往前走。做到畫布這個形態時，驗證出了一些基礎的 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。

黃巍： 對，是這么一個思考的過程。

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

黃巍： 如果說一個明確的時間節點，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。

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：這個產品很難 scale。

再加上 8 月份的壓力，我們之前有這個經歷，又從畫布過渡到 Workflow，有了一些技術上和產品上的積累，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：這個形態怎么 scale、怎么商業化。折騰到 11 月底，整體才算相對穩定下來。

有了這次轉型的經歷，我們發現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，做的產品也最超前。

Founder Park：現在這個 Vibe Workflow 的產品，徹底想清楚的時候，是有什么特殊契機嗎？

黃巍： 大概是 8 月初有了一個模糊的想法，到 8 月底整個產品架構才真正被想清楚。

這個產品本身是分層的，工程復雜度非常高：

• 第一層，是讓 agent 來生成 Workflow，本身 Workflow 的設計就得適合被 agent 生成。現在像 n8n、Dify，要做到這一點會有比較重的歷史包袱。
• 第二層，是把 Workflow 設計成「每個節點本身就是一個 agent」，再通過執行引擎把這些 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業方向。在此基礎上，我們又給 agent 配了一臺「虛擬電腦」，讓它能寫代碼、調用 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品一路推演過來的。那時候我們已經把多模態能力都加進來了，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。一方面是產品引導本身有問題，另一方面，我當時心里其實已經隱約在想 Workflow 這條路，但還沒下決心去落地。

轉折點是，我們招了一些很優秀的同事進來。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，我們發現這個方案不僅在工程上是閉環的，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」的產品形態，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，看結果復盤。后來發現，這種人早期很難大規模招到，要么在明星創業公司，要么在大廠里，我們又沒做 PR，在市場上聲量有限。

其次，我們的產品因為是 Workflow，很復雜，好多 bug。我們發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。兩天之內就招到了人，進來之后，整個節奏立刻不一樣：測試同學每天 push 我們修問題，產品質量穩定性肉眼可見地上來了。

在這個基礎之上我懂得一個道理，現在大家鼓吹的所謂「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。但互聯網分工這套方法論，已經被無數家公司驗證過，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——產品、運營、增長、設計、測試、研發、算法都要有人，才不會在關鍵環節出現盲區。

我們的原則是：

• 在「非重度」方向，每個方向至少招一個特別優秀的人，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、算法、模型調優，會投入更多人力。

現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。在研發層面，一部分人做偏運營向的開發，大概兩個人；做模型和工程調優的，兩到三個人；再做底層的 workflow 和 tools 基座開發的，三到四個人。大概是這么一個分工。

Founder Park：現在大家講究 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？

黃巍： 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，但現實里沒那么多。

現實情況是，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計，他能搞點輕微的設計，但搞不了生產型的設計。所以我們更強調的是，招這個領域的專才，然后我們給他加一層 AI，他比所謂的通才要好幾個數量級。這一點我們現在在團隊里已經驗證得比較充分了。

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

所以對我們來說，最理想的狀態就是招專才，并且是非常專、非常優秀的人，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：那你們現階段還需要再擴招嗎？

黃巍： 會，而且是持續擴招。

我最近有一個比較堅定的結論：不管是在大公司還是創業公司，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奏。

另外，我們內部有一個共識：做好產品，和做好增長、商業化，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、內容、KOL 運營、增長產品經理、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品，

才不會被取代

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

黃巍： 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「執行」。 「選擇」和「執行」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行具體任務。

我們每個 agent 節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 這種適合執行的模型，就專注把單個步驟做好——便宜、準、穩定、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、規劃，把任務拆解成一條條可執行的 workflow。
• 我們可以用一個穩定的編排引擎，把這些簡單節點串起來，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定發揮的區間，讓產品形態和模型能力「貼合」增長，而不是被拖著走。

我們的產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據，錢和人到位，拆任務這一層完全可以用自研或微調模型替代；執行層也可以不斷優化，比如原來要 4 個節點，現在壓縮到 1 個節點。

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品放在這個點上，等待模型的增長。比如后面發了新的模型、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計產品和做增長的一些思考。

Founder Park：對 Refly.AI 來說，現在階段的核心壁壘，是技術壁壘還是運營壁壘？

黃巍： 現階段，在我們產品還沒有完全大規模面世之前，我們可能對自己的技術壁壘會有一些信心。

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，結果這個方向火了，后續卻和我們無關了，團隊組織能力一定要到位。

在這個基礎上，我們有一個比較清晰的產品判斷： AI 越往前走，真正有價值的產品，一定是在非常復雜的系統工程之上，讓用戶「感知到的體驗」盡可能簡單。 不是說產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 能力的演進做設計，而不是逆勢搞一些反人性的形態。

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 個月之內超過我們。即便短期某些功能形態看上去追上來了，也很難知道我們下一步會做什么迭代。對大廠而言，我自己有大廠經歷，要在內部復刻一個同等復雜的系統，至少得拉一個 50–100 人的團隊，全力干一兩年。除非我們已經證明這是一個千億級甚至更大的市場，否則大多數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，技術和產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化驗證。

Founder Park：這么設計，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？

黃巍： 不會，反而可以說，我們現在的做法在某種意義上是偏「激進」的。

我之前跟一些字節同事聊，他們會覺得我們的方向挺超前：現在就把每個節點都改成一個 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 那種相對靜態的 Workflow 比，我們的做法一開始確實不夠穩定、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，我們會發現，這件事是說得通的：

• 每個節點都是一個 agent；
• 每個節點做盡量簡單的事；
• 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據，可以進一步優化自研模型和商業模式。

更重要的是，這個抽象層可以天然兼容不同模型、不同模態，統一放到同一套 workflow 架構里，完成數據的 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？

黃巍： 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， 這么大的一個產品竟然能做這個事情，意味著現在整個模型的工具調用（tool use）的速度和準確性已經邁過了那個極限 。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，但是它對你的產品有用，并且能產生巨大的化學效應。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，對你的產品產生杠桿效應，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，把你這個產品做好，至少也是一個幾十億、數百億美金的規模。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業，也不是做了特斯拉或者 SpaceX。所以我覺得第一次創業不要搞那么大，簡單點，先搞出來，人生還很長，一點點來。

06

創業早期可以慢一點，

關鍵是「別做錯事」

Founder Park：想象一下 Refly.AI 的終局，會成為一個 Workflow 的分發平臺，還是大家創作內容的一個新平臺？

黃巍： 短期內，我們覺得它有可能是一個新的原生內容平臺的機會。

AI 來了之后，大家都在想 AI 時代的社區和內容平臺是什么樣子的。AI 最大的能力在于它可以生成內容，以及它的主動性和自動化。那未來的 AI 內容平臺，是不是內容可以極度個性化地定制？用戶表達一句話可以生成內容，并對它做編輯、消費和修改。內容是豐富多樣的，不只是視頻。比如我現在需要聽個播客，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據。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。我們設置了一個環境和媒介，去承接用戶全方位、多維度的意圖和行為數據。 我們希望這些數據最終能夠構建一個用戶的數字化版本，能幫助用戶進入到物理世界去干一些事情。

短期內，我們希望可能是在做一個 AI 原生的內容平臺的機會。但更加現實一點，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 行業有哪些新的技術和發展，會對你們有助力？

黃巍： 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。理想狀態是，這些小問題可以端到端地被 AI 自動修復和發布，讓人從重復勞動中徹底解放出來，去做更有創造性的事情。

第二，是模型在「編輯能力」上的進步，而不只是生成。

現在模型在生成上已經很強了，但生成完一個 PPT、視頻或網頁之后，我還要為它造一個編輯器，讓用戶去細調。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 時代的創作者工具。以前你剪一個視頻用的是剪映，發布的載體是抖音。未來，你去做內容創作，跑的是一個流程，這個流程產出的結果就是一個視頻、一個音頻、一個文本，甚至是一個網頁。

一旦模型的編輯能力變得非常強，未來所有內容的載體其實都是一條流程，這會催生出一個 AI-native 的原生內容平臺。這個內容平臺相比之前最大的變化就是，它的內容是實時生產、實時更新，并且每個內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，可能是下一代內容平臺的機會。

Founder Park：如果現在有大廠的人或者創業者也是做 AI 應用，你會給他們什么建議？

黃巍： 我只能從我自己的經驗出發。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：這個產品還能活嗎？現在大家都在講快速落地、快速試錯、快速拿結果，但從我的視角，早期可以慢一點，關鍵是「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，在這個行業內做到不可替代，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。

我們內部有一個心法：產品一定要比模型的能力迭代要快 3-6 個月，并且要在 3-6 個月之內把自己的想法實踐落地，并推向市場和商業化。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。

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、發過很多背景非常優秀的人的 offer，包括給一些斯坦福的學生發過 offer。但我們會發現，雖然他們的背景和履歷非常優秀，但如果把他們放在一個高壓、要去戰斗的環境之下，他們學校里的履歷是很難派上用場的。放到一個戰爭的環境之下，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