在人工智能快速发展的今天，工作流自动化工具正经历一场革命性变革。Refly.AI创始人黄巍提出的"Vibe Workflow"理念，将Agent的智能性与传统工作流的可控性完美融合，彻底改变了n8n、扣子等工具复杂难用的现状。这一创新方案已获得朱啸虎的金沙江创投、高瓴创投和Classin共同投资，估值近千万美元。本文将深入剖析Vibe Workflow的技术架构、产品定位、用户价值及未来发展，揭示AI-native工作流如何成为下一代内容创作和自动化的核心引擎。
Agent与Workflow的完美结合：Vibe Workflow的诞生
从AGI发展主线来看，当前存在两种截然不同的工作流形态：一端是以Manus为代表的Agent形态，本质上是基于自然语言驱动的Workflow系统；另一端则是以n8n、Dify或纯代码为代表的传统Workflow，更强调精确性和程序行为的细致建模。
在实际使用中，这两种形态都存在明显问题。以Manus为例，其整体成本高、稳定性不足、执行时间难以预期，更关键的是，同一位用户多次提交相同指令时，产出的结果往往并不一致。而在n8n或Dify等工具中，一旦流程稍微复杂，就需要通过编写代码来维护if-else等控制逻辑，对非程序员用户非常不友好，也抬高了使用门槛。
Refly.AI团队认识到Workflow本身具有巨大价值，希望在保留Agent动态性的同时，获得传统Workflow的可控性与稳定性，于是将Agent和Workflow结合，创造出"Vibe Workflow"这一全新概念。
Vibe Workflow的核心特点
Vibe Workflow具有几层核心特点：
搭建成本无限降低：用户只需一句话即可构建Workflow。产品核心在于将Agent进行白盒化，提供一套"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，让它能够操作电脑去写代码、根据提供的tools做数据拉取等操作，再做可视化呈现，解决if-else逻辑问题。传统Workflow中复杂的code流程，现在全部可以简化为一个节点。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被极大简化，所有操作都是自然语言表达，不需要懂搭建逻辑。同时，每个节点任务被设计得足够简单，即使像Kimi K2这样的模型，也能近乎100%完美解决问题。
成本与效率的平衡：Vibe Workflow的经济性
当每个节点都是一个Agent时，成本控制成为关键问题。与传统n8n相比，Refly.AI的Vibe Workflow在成本效益上展现出显著优势。
搭建成本的革命性降低
在传统工作流工具中，搭建一个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，估计至少消耗大几十万token。然而在Refly.AI中，一句话生成Workflow本身消耗的token非常低，可能只需几千甚至上万个token，Kimi K2这样的模型已经能够很好地完成这个任务。
执行成本的精细优化
执行层面，Refly.AI让每个任务都变得简单，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，而且其他人可以复用这个成果。后续调用时，token消耗可能仅为原本的50%甚至10%。
准确性与可用性的权衡
传统n8n的很多节点有确定的结果，但Vibe Workflow的四五个Agent节点如果每个节点输出确定性达不到100%，累积折损确实会比较大。这是产品选择上的一个折中——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。
Refly.AI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。他们的场景和n8n也不一样，n8n多用于RSS监听与分析，而Refly.AI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：从自媒体到职场
Refly.AI定义的核心用户画像经历了从专业用户到大众用户的演变过程，产品场景也从单一工具发展为多领域解决方案。
早期用户：有经验的工作流使用者
早期，Refly.AI更倾向于那些有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。这些用户可能曾经使用过别人的Workflow，或者复刻某个大V的Workflow，觉得挺好用，但自己不会修改。
为了吸引这类用户，Refly.AI在产品设计里有一个非常重要的动作：将n8n、Claude Skills或者其他Workflow平台做迁移，甚至是产品化的迁移功能。用户可以一键把那边的东西导过来，放在Refly.AI平台上运行。这是他们的第一批用户。
重点场景：自媒体内容创作
Refly.AI团队自己有体感、也能确实解决的场景是自媒体内容创作。为什么选这个？因为他们发现，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。
此外，还有许多用户觉得每天跟热点压力很大，经常跟不过来。他们希望能用Refly.AI搭一个工作流，每天自动抓热点，再按照自己的风格，批量生成文章或播客内容，然后去做推广和投放。Refly.AI团队自己也活跃在Twitter，有大概3万粉丝，对这个场景有比较强的实感，也看到这里确实需要这样的工具。
扩展场景：职场与教育
在自媒体场景打深打透的基础上，Refly.AI计划向外扩张到更多领域：
- 教育场景：自动生成教学内容、评估作业、个性化学习路径等
- 职场白领场景：写报告、监控内容、做产品分析等
- 金融场景：基于财报发布，用"巴菲特视角"写财报分析等
这些场景的共同特点是偏赚钱、偏职场、偏教育，具有明确的ROI和放大效应。如果一个自媒体用户觉得这个工具有价值用起来，就相当于把他的粉丝一并覆盖和辐射到了。
数据飞轮：用户行为数据的核心价值
Refly.AI的长期愿景不仅仅是提供一款工作流工具，而是构建一个能够收集和利用用户行为数据的平台，形成独特的竞争优势。
从知识库到行为数据
在传统的Dify时代，大家更多只讲"知识库"：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，从技术底层看，用户在跟AI交互的过程中，其实是在同步沉淀知识+行为。举个例子：用户有一个需求，要抓Product Hunt上的内容发到自己邮箱。在这个过程中，用户会不断表达个性化偏好：想抓周榜、日榜还是月榜？希望抓完之后不仅生成音频，还想生成一个"双口相声"版本发给自己？这些都是用户的preference。
思维链行为数据的收集
在这个过程中，模型帮用户完成了第一层冷启动，而用户把个性化知识融进了自己的行为里，这整套交互就构成了用户和Workflow之间的一种"个性化经验+action"。对平台来说，这意味着采集到了用户最有价值的数据——用户是如何围绕一个任务，完成一系列行为的。这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。
预测用户行为的长期目标
Refly.AI团队认识到，一个用户在工作场景中的思维模式，其实是相对有限且可枚举的。比如一个内容工作者，日常工作大体就是几条路径：关注热点→做选题→产出内容→做分发。这些行为是可以被枚举出来的。
一旦平台能够把用户的这些行为路径都枚举出来，真正感知到他作为内容创作者，在这个环境里可能产生的各种动作，平台就可以对"这个人"做一个建模：在下一个时间点，出现类似情境时，用户大概率会采取什么action，平台可以去做"predict next action"。
当数据量足够大，再配合持续的算法设计和尝试，Refly.AI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，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——因为平台掌握的是他最关键的行为数据。
产品演进：从画布到Vibe Workflow
Refly.AI的产品形态经历了多次迭代，从最初的剪藏插件，到DeepResearch，再到生成式画布，最终确定为Vibe Workflow，这一演进过程反映了团队对用户需求和技术可能性的深入理解。
飞书经验的奠基
Refly.AI创始人黄巍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。所以，这批人对"AI+Workflow"有比较系统的认知。黄巍自己在飞书做过程序员、产品、销售、设计和运营等各种岗位，等于把第一代低代码Workflow的全链路都跑了一遍：数据建模、流程编排、界面搭建、发布运营和权限体系。
低代码与AI的融合尝试
第二阶段，是团队在飞书内部做的"AI前沿+低代码"项目。简单说，就是用AI重构低代码的所有模块：AI生成数据模型、生成流程、生成界面，甚至生成全栈应用。后来这个方向产品化，变成了Aily。团队当时有一个判断：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。
但产品对外之后，他们发现一个现实问题：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。黄巍总结为两点：
- Workflow的价值是确定的，但要真正规模化，一定要让普通人能用得上；
- 用户愿意为"先进的生产经验和流程"付费——飞书之所以能卖出去，很重要的一点是，大家希望买到的是字节跳动这家公司的先进流程。
这也是Refly.AI商业化的核心假设：如果一个流程本身有价值，把它封装起来，是可以被规模化销售的。
产品形态的逐步收敛
创业初期，Refly.AI团队从更小的切口做起：围绕"用户的context很有价值"这个命题，做了一个剪藏插件，让用户保存文章，再基于文章做总结和每日归档。后来发现最大的问题是data connection很难规模化，这条路就暂时放下了。
紧接着，随着ChatGPT Canvas和Claude Artifacts出来，他们意识到：如果已经收集了那么多context，只做"总结"太浪费了，应该让用户在这上面写东西、创作内容，也就是DeepResearch的最初形态。但他们很快发现，这种形态要管理大量复杂context，对普通用户的门槛非常高。
于是他们切到"画布"形态，把这个产品推向市场，结果火得很快，也顺利拿到了一轮融资。融资之后黄巍开始反思：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。这时候他们有了资源，就回到最初想做的事情——Workflow。
接下来，他们做了几层降复杂度的尝试：
- 第一步，把原来一个画布里可能上百个节点，收敛成只针对一个具体问题的5–8个节点的Workflow；
- 第二步，在此基础上引入agent，让AI来生成Workflow本身，进一步降低搭建成本。
再往下，就是现在的路径：从"深度画布"到"可落地的Workflow"，再到"把Workflow封装成一个个模板"。这意味着，大部分用户只需要消费别人封装好的流程，少部分高阶用户来生产和分享流程。通过这一系列演进，他们一边降低复杂度，一边放大使用的泛化性，让"AI+Workflow"真正有机会被更广泛的人用起来。
团队构建：专才与AI的协同效应
Refly.AI团队构建过程体现了对AI时代工作方式的独特理解，他们既重视专业分工，又充分发挥AI的赋能作用。
从"一人公司"到完整团队
团队在测试这件事上踩过很大的坑。黄巍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，他理想中的研发同学是那种端到端的人：既懂用户需求，又能写代码、自己测、自己上线，看结果复盘。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，而Refly.AI又没做PR，在市场上声量有限。
其次，他们的产品因为是Workflow，很复杂，好多bug。他们发了一版测试版给用户去用，全是bug。当时痛定思痛，觉得得招个测试进来。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他们修问题，产品质量稳定性肉眼可见地上来了。
在这个基础之上黄巍懂得一个道理，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，他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，他们不应该把它丢弃掉。他们的教训是：团队职能一定要尽量完备——产品、运营、增长、设计、测试、研发、算法都要有人，才不会在关键环节出现盲区。
专才与AI的协同
Refly.AI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。
现在团队大致的分工是：所有方向上至少有一个能把事情落地的人。在研发层面，一部分人做偏运营向的开发，大概两个人；做模型和工程调优的，两到三个人；再做底层的workflow和tools基座开发的，三到四个人。
关于AI时代的团队构建，黄巍有自己独特的看法："通才当然重要，但前提是你真的能招到通才。这有点像'通用agent'——大家都在说，但现实里没那么多。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。比如模型不会让一个写代码的人去搞设计，他能搞点轻微的设计，但搞不了生产型的设计。"
Refly.AI更强调的是，招这个领域的专才，然后给他加一层AI，他比所谓的通才要好几个数量级。这一点他们在团队里已经验证得比较充分。比如他们招一个设计同学，给他配非常完备的AI工具，他只需要专注在把整个产品的框架设计好，尽量的兼容通用，其他的细节可以让AI帮他完成。他们认为这种是一种非常高效率的协作方式。
所以对他们来说，最理想的状态就是招专才，并且是非常专、非常优秀的人，给他配最强大的AI，让他把这个事情干到之前3到5倍甚至10倍的效果。
技术架构：站在模型肩膀上的产品设计
Refly.AI的技术架构体现了对模型能力的深刻理解和巧妙利用，他们不是简单地使用模型，而是站在模型肩膀上进行产品设计。
模型能力的分层利用
现在的大模型，给它太多工具之后会陷入不知道怎么选的地步。Refly.AI对AI的使用方式不同，他们是让它从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。
要模型一边从几百上千个工具里挑，一边把活干完，这个事情太复杂了。所以他们把任务拆成两块：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。
他们每个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。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。
这样做有两个好处：
- 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。
- 可以用一个稳定的编排引擎，把这些简单节点串起来，完成非常复杂的任务，而不是指望某一个"大而全"的agent。
本质上，这是他们对模型边界的一种利用方式：不用去强碰模型当下还"不擅长"的能力，而是把问题拆到模型能稳定发挥的区间，让产品形态和模型能力"贴合"增长，而不是被拖着走。
产品与模型的协同进化
Refly.AI的产品做了一件非常巧妙的事情：让贵的、强的模型去做拆任务，让简单的模型去做执行。这样模型能力的增长不会吃掉他们，而是会让他们变得更强。一旦他们收集到可用的数据，钱和人到位，拆任务这一层完全可以用自研或微调模型替代；执行层也可以不断优化，比如原来要4个节点，现在压缩到1个节点。
这个过程极度考验他们对模型能力、边界的认知，以及怎么去提前几个月把他们的产品放在这个点上，等待模型的增长。比如后面发了新的模型、新的API，他们很快就可以接入，并且让用户可以一句话生成流程，去做自媒体传播。这就是他们怎么去设计产品和做增长的一些思考。
避免被模型取代的策略
关于如何不被模型所取代，除了跑得快以外，黄巍认为核心还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。"
比如他们做Vibe Workflow，是因为当时看到一个趋势，GPT-5发布之后，ChatGPT把所有的功能选择都收到了一个按钮里，希望用户只需要表达需求，它自动做路由。这对黄巍最大的震撼是，这么大的一个产品竟然能做这个事情，意味着现在整个模型的工具调用(tool use)的速度和准确性已经迈过了那个极限。他们认识到这一点之后，就选择了Vibe Workflow，觉得这个事情是一定可行的。
"这个能力不像生成PPT那么花哨，但是它对你的产品有用，并且能产生巨大的化学效应。也就是说，模型是一个巨大的宝藏，它有很多切面。你如果能从里面找到一个切面，对你的产品产生杠杆效应，即使不需要和模型厂商竞赛也是可以的。你不要去打它的主方向，你从里面抽点皮毛出来，把你这个产品做好，至少也是一个几十亿、数百亿美金的规模。早期你的野心不要那么大，能做到Canva那样，就意味着我们的目标没有那么高，我们也可以切到模型的一个切面，切到自己的一块肉。"
商业化与未来展望
Refly.AI的商业化路径清晰而务实，同时他们对行业未来有着深刻的洞察和长远的规划。
短期商业化：模板销售
短期内，Refly.AI希望可能是在做一个AI原生的内容平台的机会。但更加现实一点，他们就是在卖模板，做一个很土的生意，卖AI时代的Workflow模板。
黄巍解释说："我们商业化核心假设是：如果一个流程本身有价值，把它封装起来，是可以被规模化销售的。"用户可以直接使用别人封装好的流程，无需自己搭建，大大降低了使用门槛。
长期愿景：AI原生内容平台
长期的终局，就像他们说的，他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，并且这个action本身的价值、准确率和个性化都非常高。
这是他们认为长远的、Refly.AI希望达到的终局。他们设置了一个环境和媒介，去承接用户全方位、多维度的意图和行为数据。他们希望这些数据最终能够构建一个用户的数字化版本，能帮助用户进入到物理世界去干一些事情。
行业趋势洞察
对于明年整个AI行业有哪些新的技术和发展会对他们有助力，黄巍自己有两个非常期待的方向：
让"修小问题"真正被AI自动化掉：他们每天都有大量细碎的小bug，要改代码、测、上线。理想状态是，这些小问题可以端到端地被AI自动修复和发布，让人从重复劳动中彻底解放出来，去做更有创造性的事情。
模型在"编辑能力"上的进步：现在模型在生成上已经很强了，但生成完一个PPT、视频或网页之后，还要为它造一个编辑器，让用户去细调。如果未来模型能以很低的成本精准理解input，做细粒度的编辑，那么Refly.AI这类工具的上限会被大幅抬高——很多他们今天需要自己造的"编辑能力"，都可以交给模型。
那Refly.AI会变成什么？它会变成AI时代的创作者工具。以前你剪一个视频用的是剪映，发布的载体是抖音。未来，你去做内容创作，跑的是一个流程，这个流程产出的结果就是一个视频、一个音频、一个文本，甚至是一个网页。
一旦模型的编辑能力变得非常强，未来所有内容的载体其实都是一条流程，这会催生出一个AI-native的原生内容平台。这个内容平台相比之前最大的变化就是，它的内容是实时生产、实时更新，并且每个内容都可以由人去做个性化甚至"入镜"，按需消费。
创业启示：AI时代的生存之道
Refly.AI的创业历程为AI时代的创业者提供了宝贵的经验和启示。
产品设计的长期视角
黄巍认为，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，要问自己：这个产品还能活吗？现在大家都在讲快速落地、快速试错、快速拿结果，但从他的视角，早期可以慢一点，关键是"别做错事"。
"假如我们今天来一个概念就抄，明天来一个概念就抄，没有自己的产品主张，就容易陷入'热度成瘾'。我们宁愿早期慢一点，但是一定要拉长时间维度，在这个行业内做到不可替代，把事情做对。"
与模型厂商的竞合关系
第二点，就是老生常谈的，它会不会被模型吃掉？这个事情一定要想清楚。是不是在做一个模型之上的东西，还是会被模型吃掉的东西？有些人可能偷懒就不去想了，比如OpenAI做了浏览器，你也去做个浏览器，甚至比他做得还慢，这种是不值得去做的。
他们内部有一个心法：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。如果能不断地重复这样的周期，就能跑赢这个市场，跑赢模型厂商。
团队构建的本质思考
第三点建议，招人层面的，就是早期一定不要有偏见。历史上被证明有价值的分工和合作一定有它的道理，存在即合理。不要因为自己的偏见，或者因为他人表达的所谓"通才"的看法，就觉得一定就是那样的。还是要回归常识、回归本质。
早期一定要找到那种价值观和想法对齐的团队。他们也面过、发过很多背景非常优秀的人的offer，包括给一些斯坦福的学生发过offer。但会发现，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。放到一个战争的环境之下，考验的不是你答一道题的能力，而是怎么去面对全方位的竞争，去找到自己的道路。
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。真正能打仗的人，他不一定是履历光鲜的，可能就是普普通通，但他确实能把事情干成。
结语：Vibe Workflow的未来之路
Refly.AI的Vibe Workflow代表了一种将AI能力平民化的创新尝试，它不仅降低了工作流自动化的门槛，更通过收集用户行为数据，构建了独特的竞争优势。随着AI技术的不断进步，Vibe Workflow有望从当前的内容创作领域扩展到更广泛的自动化场景，成为AI原生内容平台的基础设施。
在AI快速迭代的时代，Refly.AI选择了一条"站在模型肩膀上"的发展道路，既充分利用了现有模型的能力，又通过产品创新和用户数据积累，构建了难以被轻易复制的壁垒。这种将技术与产品、短期与长期、专业与大众相结合的思路，或许正是AI时代创业企业能够持续成长的关键所在。
随着Refly.AI团队规模的扩大和产品功能的完善，我们有理由相信，Vibe Workflow将在工作流自动化领域掀起一场革命，让更多人能够享受到AI带来的效率提升和创造力释放。这不仅是一款产品的成功，更是AI技术普惠化进程中的重要一步。
