在AI技术飞速发展的今天，工作流自动化工具正经历着前所未有的变革。传统的n8n、扣子等产品虽然功能强大，但对普通用户而言却有着极高的使用门槛。Refly.AI推出的Vibe Workflow，正试图打破这一局面，让不会技术的人也能轻松将自己的流程经验复制并分享给他人。
从Agent到Workflow：Vibe Workflow的创新融合
Refly.AI给自己的定位是"更适合大众的Vibe Workflow产品"，其创始人兼CEO黄巍在接受采访时表示："从AGI发展主线来看，一端是以Manus为代表的Agent形态，本质上这是一套基于自然语言驱动的Workflow；另一端则是以n8n、Dify或纯代码为代表的传统Workflow，更强调精确性。在实际使用中，这两种都存在明显问题。"
Vibe Workflow的核心创新在于将Agent的智能性与Workflow的可控性相结合。黄巍解释道："我们希望保留Agent动态性的同时，获得传统Workflow的可控性与稳定性，所以把Agent和Workflow结合，统称为'Vibe Workflow'。"
三大核心特点
搭建成本无限降低：用户只需一句话就能搭建Workflow。产品将Agent进行白盒化，提供"Agent Editor"，并对Workflow底层结构进行重构。每一个节点本身都是一个Agent，用户只需为Agent编写prompt、选择合适的tools，系统即可完成多步规划与问题求解。
简化复杂逻辑：每个Agent配备一台沙箱，让它操作电脑去写代码、根据给定tools做数据拉取等操作，再做可视化呈现，解决if-else逻辑。传统Workflow里复杂的code流程，现在全都可以省略，变成一个节点。内部测试显示，在相同任务下，一个Refly.AI节点可以替代大约20个n8n节点的功能。
自然语言交互：用户面向的Workflow被极大地简化，所有操作都是自然语言表达，不需要懂搭建逻辑。同时，让每个节点任务足够简单，即使像Kimi K2这样的模型，也能近乎100%完美解决问题。
成本与准确率的平衡艺术
当每个节点都是一个Agent时，成本控制成为关键问题。黄巍表示："整体算下来，通过copilot配合，用n8n搭一个8到10个节点的流程，可能要花3到6个小时，加上中间的调试成本，估计至少也是大几十万token的消耗。但是在Refly.AI，一句话生成Workflow本身消耗的token是非常低的，可能也就几千甚至上万个token。"
在执行层面，Refly.AI通过让每个任务变得简单来降低成本："每个任务被简化为简短具体的Prompt，可一次性执行完毕。该过程仅消耗1至2个积分，成本约0.1至1元。相比Manus单任务数美元的成本，这降低了至少5至7倍。"
然而，Agent节点也带来了准确率挑战。黄巍坦诚："既然选择了Vibe Workflow，并且每个节点都是Agent，肯定达不到n8n的准确度。我们放弃了一部分的准确性和稳定性，去换取更大用户规模的使用。"
这种取舍是有策略的："核心策略在于通过大幅降低使用成本与门槛，来平衡用户对准确率的诉求。本质上，这是试图用门槛降低10倍的优势，去换取稳定性降低1到2倍的代价。"
Refly.AI瞄准的是内容创作场景："我们的场景和n8n也不一样。n8n多用于RSS监听与分析，而我们更强调内容产出。用户组合多模态、音频、视频模型，产出一篇报告或一个数字人视频。这些模态对准确率的要求不高，只要70%内容是对的，听上去有用，用户就觉得OK。"
用户画像与场景定位
Refly.AI目前定义的核心用户画像主要有三类：
有经验但寻求简化的用户：那些有n8n、Dify使用经验，但觉得搭建很复杂，或者在寻求简单替代方案的用户。Refly.AI提供一键迁移功能，让用户可以将其他平台的工作流迁移到自己的平台上运行。
自媒体创作者：黄巍团队发现，"现在模型每天都在更新，今天是Gemini，明天是Claude Opus。这些模型单点使用不会产生多大作用，但很多自媒体用户想把它们串起来，比如把Claude Opus和Gemini串成两到三个节点的工作流，做一个完整的产出，然后拿它去写文章、录视频。"
职场与教育用户：在打透自媒体场景后，Refly.AI计划向外扩张到教育场景、职场白领场景（如写报告、监控内容、做产品分析）以及偏金融场景（如基于财报用"巴菲特视角"写分析）。
黄巍特别强调自媒体场景的价值："如果有一个自媒体用户觉得这个工具有价值，用起来了，其实就相当于把他的粉丝一并覆盖和辐射到了。这也是我们早期重点面向的用户群。在这个基础上，如果我们能把自媒体场景打深打透，还可以继续向外扩张。"
数据飞轮：用户行为才是真正的宝藏
Refly.AI的独特之处在于其对用户行为数据的重视。黄巍表示："我们提出Vibe Workflow，就是希望先把这个环境build出来：用户来到Refly.AI，可以把自己的知识，以及更重要的——自己的行为（action）沉淀下来。"
他认为Action是最关键的："在传统的Dify时代，大家更多只讲'知识库'：你把知识丢进来，但知识本身的价值有限，因为模型不知道用户在真实完成一个任务时，具体的执行步骤是怎么走的，用户的思考路径是什么。缺少行为，这些知识其实很难发挥真正价值。"
在Refly.AI里，用户与AI交互的过程中，同步沉淀知识+行为："举个例子：你有一个需求，要抓Product Hunt上的内容发到自己邮箱。在这个过程中，你会不断表达个性化偏好：想抓周榜、日榜还是月榜？你希望抓完之后不仅生成音频，还想生成一个'双口相声'版本发给你？这些都是你的preference。"
这些数据形成了Refly.AI的核心竞争力："对平台来说，这意味着：我们采集到了你最有价值的数据——你是如何围绕一个任务，完成一系列行为的。这有点类似今年大家常提到的DeepSeek的'思维链数据'：即模型在完成一个任务时，每一步的思考和执行路径。"
黄巍描绘了数据飞轮的愿景："当数据量足够大，再配合持续的算法设计和尝试，我们就可以迈向下一步：在未来的移动端场景里，用户来到Refly.AI，只需要表达一句话，我们就可以真正实现端到端、无接管地帮他把任务做完，而且结果是高度符合他个人习惯和预期的——因为我们掌握的是他最关键的行为数据。"
从画布到Workflow：产品演进的艰辛历程
Refly.AI的产品形态经历了多次迭代。黄巍分享道："现在这个产品形态，跟我之前在飞书的经历有很大关系。我在飞书负责过字节最早一批'大模型+低代码+Workflow'的项目Aily，Coze的核心成员也来自那支团队。"
在飞书内部做AI前沿项目时，团队就有一个判断："在AI时代，低代码会长出一种新形态——只要有一个足够强的Workflow，就能承载搭建App的全过程。界面可以交给AI生成，数据可以作为Workflow的一个tool，在流程运行过程中读写。"
然而，产品对外后发现了问题："即使给Workflow加了AI，故事很美好、内部体验也不错，普通用户依然用不起来。本质形态还是传统Workflow，只是加了一些AI节点，更像是n8n的进化版。"
创业初期，Refly.AI先做了一个剪藏插件，后来又转向"画布"形态，"结果火得很快，也顺利拿到了一轮融资。融资之后我开始反思：虽然有一批愿意付费的用户，但大多是专业用户，小白用户还是看不懂、用不顺。这时候我们有了资源，就回到最初想做的事情——Workflow。"
从8月确定要做Workflow，到11月底产品才算相对稳定下来。黄巍表示："有了这次转型的经历，我们发现这条路在逻辑上非常自洽，而且和团队背景高度匹配。后面我们招人也是往这个思路上靠。这支团队现在在'Vibe Workflow'的赛道里面，可能就是全球最有竞争力的团队。"
团队建设：不信"一人公司"的通才理论
目前Refly.AI团队有十三四个人，黄巍分享了团队建设的经验："我们在测试这件事上踩过很大的坑。我之前在公司里很多角色都干过，唯独没做过测试，写代码也基本不写测试，所以一开始对测试的价值是有偏见的。"
扩团队时，黄巍理想中的研发同学是"端到端的人：既懂用户需求，又能写代码、自己测、自己上线，看结果复盘"。但后来发现："这种人早期很难大规模招到，要么在明星创业公司，要么在大厂里，我们又没做PR，在市场上声量有限。"
痛定思痛后，团队决定招专职测试，"两天之内就招到了人，进来之后，整个节奏立刻不一样：测试同学每天push我们修问题，产品质量稳定性肉眼可见地上来了。"
黄巍得出结论："现在大家鼓吹的所谓'一人公司'，或者一个人可以把所有事情干完，我觉得是很美好的愿望。但互联网分工这套方法论，已经被无数家公司验证过，我们不应该把它丢弃掉。"
团队的原则是："在'非重度'方向，每个方向至少招一个特别优秀的人，把这件事完整跑通，只有在确实需要扩张时才上第二个、第三个。在'重度'方向，比如研发、算法、模型调优，会投入更多人力。"
对于AI时代是否应该招通才的问题，黄巍表示："通才当然重要，但前提是你真的能招到通才。现实情况是，模型的能力没有大家鼓吹的那么厉害，没达到替代一个人的地步。所以我们更强调的是，招这个领域的专才，然后我们给他加一层AI，他比所谓的通才要好几个数量级。"
技术壁垒：站在模型肩膀上做产品
面对大模型给太多工具后可能陷入选择困境的问题，Refly.AI有自己的解决方案："我们对AI的使用方式不同，我们是让它从1000种工具里'选择'工具，而不是直接用这些工具去'执行'。'选择'和'执行'这两个任务的复杂度是不一样的，'选择'这个任务非常简单。"
团队将任务拆成两块："一个模型专门负责挑工具、写action和workflow；另一个模型只负责执行具体任务。我们每个agent节点实际能用的工具不超过3个，通常只有一到两个，对应的prompt也非常简单。我们的目标是：每个agent节点只做一件非常具体的小事，一到两个工具就能搞定，然后把复杂任务拆成5～10个这样的小任务。"
黄巍解释了这种设计的好处："不同模型各司其职。像Kimi K2这种适合执行的模型，就专注把单个步骤做好——便宜、准、稳定、速度快；像GPT-5、Claude Sonnet 4.5这种更强的模型，就负责从成千上万的工具中筛选、规划，把任务拆解成一条条可执行的workflow。"
这种设计让Refly.AI不会被单一模型厂商绑架："无论未来模型怎么迭代，我们都是在模型之上再加了一层抽象，相当于'站在模型肩膀上'：模型越强，我们越强；模型越便宜，我们越便宜。同时，我们还会沉淀自己的行为数据，可以进一步优化自研模型和商业模式。"
对于不被模型取代的策略，黄巍认为核心是"认识到模型的边界"："模型厂商非常懂模型，他只切了他看起来显而易见的那部分能力。但实际上，模型是一个巨大的宝藏，你可以从里面剥离出对你这个行业最有价值的那部分能力。"
创业哲学：早期可以慢一点，关键是"别做错事"
关于Refly.AI的终局，黄巍有两个层面的思考："短期内，我们觉得它有可能是一个新的原生内容平台的机会。AI来了之后，大家都在想AI时代的社区和内容平台是什么样子的。AI最大的能力在于它可以生成内容，以及它的主动性和自动化。那未来的AI内容平台，是不是内容可以极度个性化地定制？"
长期的终局更加宏大："我们拿到的是用户在一个工作生命周期里所有的行为和意图数据。那未来是不是我们能给用户一个更简单的交互方式？他只需要一个无时不在、感知不到的硬件，就能去和AI做交互，完成自己的任务。比如他走在路上说'你帮我开一辆特斯拉去接我的女儿'，他可以去做这种侵入到物理世界的action。"
对于AI行业的创业者，黄巍提出了三点建议：
拉长时间维度："看一个事情，可能要把它拉长到一个维度去看。一个事情在半年这个维度可能看上去很有价值，但拉到1～2年，你要问自己：这个产品还能活吗？早期可以慢一点，关键是'别做错事'。"
比模型迭代更快："产品一定要比模型的能力迭代要快3-6个月，并且要在3-6个月之内把自己的想法实践落地，并推向市场和商业化。如果我们能不断地重复这样的周期，我们就能跑赢这个市场，跑赢模型厂商。"
团队建设要务实："早期一定要找到那种价值观和想法对齐的团队。我们也面过、发过很多背景非常优秀的人的offer，但我们会发现，虽然他们的背景和履历非常优秀，但如果把他们放在一个高压、要去战斗的环境之下，他们学校里的履历是很难派上用场的。早期团队，确实要找到那种调性相投的，而不是一味地去看名校背景或光鲜履历。"
结语：AI原生工作流的未来
Refly.AI的Vibe Workflow代表了AI时代工作流工具的一种创新方向——通过将Agent的灵活性与Workflow的稳定性相结合，大幅降低自动化工具的使用门槛，让普通用户也能轻松实现复杂的工作流自动化。
黄巍的创业历程告诉我们，在AI时代，产品创新需要深刻理解技术边界，平衡用户体验与技术复杂度，同时构建可持续的商业模式和数据飞轮。随着AI技术的不断发展，像Vibe Workflow这样的工具可能会成为连接人类创造力与机器执行力的桥梁，最终实现人机协作的新范式。
正如黄巍所言："AI来了之后，大家都在想AI时代的社区和内容平台是什么样子的。AI最大的能力在于它可以生成内容，以及它的主动性和自动化。那未来的AI内容平台，是不是内容可以极度个性化地定制？"这或许是Refly.AI，乃至整个AI行业共同探索的未来方向。
