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(tuán)隊(duì)對于 Workflow 價(jià)值的認(rèn)可。

他們的目標(biāo)，是讓不會技術(shù)的人也能輕松把自己的流程經(jīng)驗(yàn)復(fù)制并分享給其他人，實(shí)現(xiàn)價(jià)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(diǎn)升級成為單獨(dú)的 agent，每個(gè) agent 配上 2-3 個(gè)工具。在保留 agent 動態(tài)性的同時(shí)，獲得傳統(tǒng) Workflow 的可控性與穩(wěn)定性。

看起來有些激進(jìn)，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(yīng)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(cuò)過每一款有價(jià)值的 AI 應(yīng)用。

進(jìn)群后，你有機(jī)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(zhǔn)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(yīng)該怎么理解？

黃巍： 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(wù)。另一端則是以 n8n、Dify 或純代碼為代表的傳統(tǒng) Workflow，更強(qiáng)調(diào)精確性，可以對程序行為進(jìn)行細(xì)致建模。

在實(shí)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(shí)間難以預(yù)期，更關(guān)鍵的是，同一位用戶多次提交相同指令時(shí)，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(fù)雜，就需要通過編寫代碼來維護(hù) 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(rèn)為 Workflow 本身有價(jià)值，希望在保留 Agent 動態(tài)性的同時(shí)，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(diǎn)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(jìn)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(jìn)行了重構(gòu)：每一個(gè)節(jié)點(diǎn)本身都是一個(gè) 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(gè)節(jié)點(diǎn)往往只負(fù)責(zé)調(diào)用一個(gè) API 或執(zhí)行一段代碼。

第二，我們給每個(gè) 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(fù)雜的 code 流程，現(xiàn)在全都可以省略，變成一個(gè)節(jié)點(diǎn)。內(nèi)部測試顯示，在相同任務(wù)下，一個(gè) Refly.AI 節(jié)點(diǎn)可以替代大約 20 個(gè) n8n 節(jié)點(diǎn)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(dá)，不需要懂搭建邏輯 。同時(shí)，我們讓每個(gè)節(jié)點(diǎn)任務(wù)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(diǎn)數(shù)量和復(fù)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(gè)說法，Refly.AI 已經(jīng)達(dá)到了所謂的 AGI。

Founder Park：如果每個(gè)節(jié)點(diǎn)都是一個(gè) 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(gè) 8 到 10 個(gè)節(jié)點(diǎn)的流程，可能要花 3 到 6 個(gè)小時(shí)，加上中間的調(diào)試成本，估計(jì)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(gè) token，現(xiàn)在 Kimi K2 這樣的模型已經(jīng)能夠非常好地完成這個(gè)任務(wù)。

執(zhí)行層面，我們讓每個(gè)任務(wù)都變得簡單，每個(gè)任務(wù)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(gè)積分，成本約 0.1 至 1 元。相比 Manus 單任務(wù)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(fù)用這個(gè)成果。后續(xù)調(diào)用時(shí)，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(diǎn)有確定的結(jié)果。但你們的 workflow 有四五個(gè) Agent 節(jié)點(diǎn)，如果每個(gè)節(jié)點(diǎn)輸出確定性達(dá)不到 100%，四五個(gè)節(jié)點(diǎn)下來，折損就會比較大。這個(gè)怎么解決？

黃巍： 這是這是產(chǎn)品選擇上的一個(gè)折中。既然選擇了 Vibe Workflow，并且每個(gè)節(jié)點(diǎn)都是 Agent，肯定達(dá)不到 n8n 的準(zhǔn)確度。我們放棄了一部分的準(zhǔn)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(zhǔn)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(jià)。

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(qiáng)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(bào)告或一個(gè)數(shù)字人視頻。這些模態(tài)對準(zhǔn)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(zhǔn)確的場景。雖然是 workflow，但更強(qiáng)調(diào)為用戶產(chǎn)出一個(gè)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(jìn)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(fèi)，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(yuǎn)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(wù)。

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

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?。?早期，我們更傾向于那些有 n8n、Dify 使用經(jīng)驗(yàn)，但覺得搭建很復(fù)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(fù)刻某個(gè)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(jì)里有一個(gè)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(dǎo)過來，放在我們平臺上運(yùn)行。這是我們的第一批用戶。

第二個(gè)場景，是我們自己有體感、也確實(shí)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(gè)？因?yàn)槲覀儼l(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(diǎn)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(gè)節(jié)點(diǎn)的工作流，做一個(gè)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(diǎn)壓力很大，經(jīng)常跟不過來。那能不能用 Refly.AI 搭一個(gè)工作流，每天自動抓熱點(diǎn)，再按照自己的風(fēng)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(gè)場景有比較強(qiáng)的實(shí)感，也看到這里確實(shí)需要這樣的工具。所以這是我們第二波重點(diǎn)的小規(guī)模場景：一方面我們有體感，另一方面用戶確實(shí)有需求。

第三個(gè)方面，是這個(gè)方向的 ROI 和放大效應(yīng)都非常大。如果有一個(gè)自媒體用戶覺得這個(gè)工具有價(jià)值，用起來了，其實(shí)就相當(dāng)于把他的粉絲一并覆蓋和輻射到了。這也是我們早期重點(diǎn)面向的用戶群。

在這個(gè)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(kuò)張。比如教育場景，或者職場白領(lǐng)場景，像寫報(bào)告、監(jiān)控內(nèi)容、做產(chǎn)品分析等；再比如偏金融場景：某個(gè)財(cái)報(bào)發(fā)布了，希望基于它，用「巴菲特視角」寫一篇財(cái)報(bào)分析等等。我們往外擴(kuò)的時(shí)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(diǎn)問題。用 Workflow，是現(xiàn)階段解決這個(gè)問題比較好的方式嗎？

黃?。?從長期來看，理想狀態(tài)當(dāng)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(gè)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(gè)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(qiáng)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(gè)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(shí)代，大家更多只講「知識庫」：你把知識丟進(jìn)來，但知識本身的價(jià)值有限，因?yàn)槟Ｐ筒恢烙脩粼谡鎸?shí)完成一個(gè)任務(wù)時(shí)，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(shí)很難發(fā)揮真正價(jià)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(shí)是在同步沉淀知識 + 行為。舉個(gè)例子：你有一個(gè)需求，要抓 Product Hunt 上的內(nèi)容發(fā)到自己郵箱。在這個(gè)過程中，你會不斷表達(dá)個(gè)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(gè)「雙口相聲」版本發(fā)給你？這些都是你的 preference。

在這個(gè)過程中，模型幫用戶完成了第一層冷啟動，而用戶把個(gè)性化知識融進(jìn)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(gè)性化經(jīng)驗(yàn) + action」。

對平臺來說，這意味著：我們采集到了你最有價(jià)值的數(shù)據(jù)——你是如何圍繞一個(gè)任務(wù)，完成一系列行為的。這有點(diǎn)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(gè)任務(wù)時(shí)，每一步的思考和執(zhí)行路徑。我們其實(shí)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(diǎn)是：一個(gè)用戶在工作場景中的思維模式，其實(shí)是相對有限且可枚舉的。比如一個(gè)內(nèi)容工作者，日常工作大體就是幾條路徑：關(guān)注熱點(diǎn) → 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(gè)環(huán)境里可能產(chǎn)生的各種動作，我們就可以對「你這個(gè)人」做一個(gè)建模：在下一個(gè)時(shí)間點(diǎn)，出現(xiàn)類似情境時(shí)，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(yù)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(dāng)數(shù)據(jù)量足夠大，再配合持續(xù)的算法設(shè)計(jì)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(dá)一句話，我們就可以真正實(shí)現(xiàn)端到端、無接管地幫他把任務(wù)做完，而且結(jié)果是高度符合他個(gè)人習(xí)慣和預(yù)期的——因?yàn)槲覀冋莆盏氖撬铌P(guān)鍵的行為數(shù)據(jù)。

這就是我們的一個(gè)更長遠(yuǎn)的目標(biāo)：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(shí)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(gè)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(gè)環(huán)境，用來收集用戶最有價(jià)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(shí)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(xiàng)工作的。我們認(rèn)為，Workflow 是一個(gè)非常好的環(huán)境和媒介。

所以我們的出發(fā)點(diǎn)就是： 把 Workflow 這件事做得足夠簡單，讓更多人進(jìn)來用 。比如用戶量從 20 萬擴(kuò)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(yù)測用戶下一步行為。 這其實(shí)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?。?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(shí)收集不到什么有價(jià)值的數(shù)據(jù)。我們真正希望看到的是那些中長程、復(fù)雜問題的解決過程。

在 Refly.AI 里，一個(gè)節(jié)點(diǎn)大致相當(dāng)于 n8n 里的很多節(jié)點(diǎn)，我們等于是把底層那些細(xì)碎、價(jià)值不高的 action 屏蔽掉了。真正有價(jià)值的是：當(dāng)用戶要完成一個(gè)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(gè) Workflow，如果用戶去改某個(gè)節(jié)點(diǎn)的 tool 或 prompt，這其實(shí)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(dāng)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(dāng)你經(jīng)過多次生成和修改，覺得這個(gè) Workflow 差不多達(dá)到了目標(biāo)，就會去運(yùn)行它。如果這次運(yùn)行沒有報(bào)錯(cuò)、結(jié)果符合預(yù)期，這本身就是一次非常強(qiáng)的正反饋：說明你和 AI 之間圍繞這個(gè)任務(wù)的整個(gè)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(gè)中長程、甚至更復(fù)雜任務(wù)的過程中，如何和 AI 交互，以及如何判斷任務(wù)對不對、好不好的一整套強(qiáng)反饋信號。

而且，這個(gè) 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(diǎn)贊，這又形成了新一層反饋。

所以在這個(gè)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(gè)任務(wù)最終有沒有價(jià)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(gè)小時(shí)才能做完，下次是不是能縮短到半小時(shí)？
• 現(xiàn)在要消耗 80 萬個(gè) 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(shí)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?。?簡單來說有幾個(gè)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(gè)正向反饋；但如果用戶需要反復(fù)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(jià)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(gè)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(gè)明確目標(biāo)來的：從提出需求，到完成目標(biāo)，中間必須走完一條清晰的路徑，整個(gè)流程會在系統(tǒng)里被完整記錄。

在這個(gè)過程中，用戶一方面會貢獻(xiàn)自己的經(jīng)驗(yàn)，另一方面也會直接給 AI 反饋：哪里錯(cuò)了、哪里沒有滿足預(yù)期?？赡芤婚_始，用戶和 AI 需要三輪交互才能達(dá)成目標(biāo)，我們的目標(biāo)就是把這個(gè)交互次數(shù)、時(shí)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(wù)？怎么在上千個(gè) tools 里快速選出最相關(guān)的那一個(gè)？這些都有非常明確的優(yōu)化空間，也都有清晰的反饋指標(biāo)，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？

黃巍： 現(xiàn)在這個(gè)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(fù)責(zé)過字節(jié)最早一批「大模型 + 低代碼 + Workflow」的項(xiàng)目 Aily。所以，我們這批人對「AI + Workflow」有比較系統(tǒng)的認(rèn)知。我自己在飛書做過程序員、產(chǎn)品、銷售、設(shè)計(jì)和運(yùn)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(yùn)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(xiàng)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(yīng)用。后來這個(gè)方向產(chǎn)品化，變成了 Aily。我們當(dāng)時(shí)有一個(gè)判斷：在 AI 時(shí)代，低代碼會長出一種新形態(tài)——只要有一個(gè)足夠強(qiáng)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(gè) tool，在流程運(yùn)行過程中讀寫。

但產(chǎn)品對外之后，我們發(fā)現(xiàn)一個(gè)現(xiàn)實(shí)問題：即使給 Workflow 加了 AI，故事很美好、內(nèi)部體驗(yàn)也不錯(cuò)，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(diǎn)，更像是 n8n 的進(jìn)化版。我的總結(jié)是兩點(diǎn)：

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

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

這也是 Refly.AI 商業(yè)化的核心假設(shè)： 如果一個(gè)流程本身有價(jià)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(yùn)行。

回到創(chuàng)業(yè)。我們一開始就想做 Workflow，但兩個(gè)人團(tuán)隊(duì)上來就啃這么大的工程不現(xiàn)實(shí)，所以先從一個(gè)更小的切口做起：圍繞「用戶的 context 很有價(jià)值」這個(gè)命題，做了一個(gè)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(shí)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(fèi)了，應(yīng)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(fù)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(gè)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(fèi)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(shí)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(fù)雜度的嘗試：

• 第一步，把原來一個(gè)畫布里可能上百個(gè)節(jié)點(diǎn)，收斂成只針對一個(gè)具體問題的 5–8 個(gè)節(jié)點(diǎn)的 Workflow；
• 第二步，在此基礎(chǔ)上引入 agent，讓 AI 來生成 Workflow 本身，進(jìn)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(gè)個(gè)模板」。這意味著，大部分用戶只需要消費(fèi)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(jìn)，我們一邊降低復(fù)雜度，一邊放大使用的泛化性，讓「AI + Workflow」真正有機(jī)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(gè)從模糊到逐漸確定的過程。

我決定創(chuàng)業(yè)，一個(gè)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(xiàng)目。那段時(shí)間節(jié)奏非常高強(qiáng)度，項(xiàng)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(yīng)，所以干脆選擇出來試一試。

剛出來的時(shí)候，其實(shí)并沒有想清楚要做什么方向。因?yàn)樵陲w書期間做過瀏覽器插件，就先把這段經(jīng)驗(yàn)用起來，再加上看到 Monica 這類產(chǎn)品，有些被「點(diǎn)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(dāng)時(shí)并不明確。

后面更多是邊做邊學(xué)，通過不斷和用戶交互，一點(diǎn)點(diǎn)看清哪些是真需求、哪些有機(jī)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(shí)，你其實(shí)還沒下定決心要繼續(xù)做 workflow，只是先往前走。做到畫布這個(gè)形態(tài)時(shí)，驗(yàn)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(gè)思考的過程。

Founder Park：整個(gè)團(tuán)隊(duì)在這個(gè)產(chǎn)品上真正「找到感覺」，大概是哪個(gè)時(shí)間點(diǎn)？

黃?。?如果說一個(gè)明確的時(shí)間節(jié)點(diǎn)，是 8 月上旬。那時(shí)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(dāng)時(shí)我們手里有一款生成式畫布產(chǎn)品，用戶和收入都不錯(cuò)，但我心里一直覺得，有點(diǎn)「解釋不清楚」。這個(gè)形態(tài)很復(fù)雜，我很難想象它的長期走向，直覺上它不是一個(gè)能 scale 的好形態(tài)。

其實(shí)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(shí)話，我們當(dāng)時(shí)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(gè)產(chǎn)品很難 scale。

再加上 8 月份的壓力，我們之前有這個(gè)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(gè)事情是很容易去做的，就試著去做一下。

但實(shí)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(gè)版本，但那個(gè)版本問題非常多。之后一個(gè)多月，我們一邊修 bug，一邊在這些問題中找平衡點(diǎn)。畫布轉(zhuǎn)到 Workflow，本身就有很多歷史債務(wù)要清，同時(shí)還要重新思考：這個(gè)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(tuán)隊(duì)背景高度匹配。后面我們招人也是往這個(gè)思路上靠。 我們這支團(tuán)隊(duì)現(xiàn)在在「Vibe Workflow」的賽道里面，可能就是全球最有競爭力的團(tuán)隊(duì)。我們對這個(gè)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(gè) Vibe Workflow 的產(chǎn)品，徹底想清楚的時(shí)候，是有什么特殊契機(jī)嗎？

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

這個(gè)產(chǎn)品本身是分層的，工程復(fù)雜度非常高：

• 第一層，是讓 agent 來生成 Workflow，本身 Workflow 的設(shè)計(jì)就得適合被 agent 生成?，F(xiàn)在像 n8n、Dify，要做到這一點(diǎn)會有比較重的歷史包袱。
• 第二層，是把 Workflow 設(shè)計(jì)成「每個(gè)節(jié)點(diǎn)本身就是一個(gè) 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(jià)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(dú)拎出來都可以是一個(gè)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(fù)雜度進(jìn)一步壓下去。

這幾層疊在一起，不是一個(gè)普通團(tuán)隊(duì)可以輕易抄過去就跑起來的。

我們當(dāng)時(shí)的思路是從畫布產(chǎn)品一路推演過來的。那時(shí)候我們已經(jīng)把多模態(tài)能力都加進(jìn)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(gè)畫布里，用戶進(jìn)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(dǎo)本身有問題，另一方面，我當(dāng)時(shí)心里其實(shí)已經(jīng)隱約在想 Workflow 這條路，但還沒下決心去落地。

轉(zhuǎn)折點(diǎn)是，我們招了一些很優(yōu)秀的同事進(jìn)來。有一次我把這個(gè) Workflow 的想法講給他聽，他周末花了兩天，把一個(gè)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(yàn)證，大概半個(gè)月左右，我們發(fā)現(xiàn)這個(gè)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(shí)不適合我們做，哪些地方是我們真正有競爭力的。這時(shí)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(tuán)隊(duì)現(xiàn)在大概十三四個(gè)人，分工是什么樣子的？

黃?。?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(dú)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(jià)值是有偏見的。擴(kuò)團(tuán)隊(duì)時(shí)，我理想中的研發(fā)同學(xué)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(fù)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?yàn)槭?Workflow，很復(fù)雜，好多 bug。我們發(fā)了一版測試版給用戶去用，全是 bug。當(dāng)時(shí)痛定思痛，覺得得招個(gè)測試進(jìn)來。兩天之內(nèi)就招到了人，進(jìn)來之后，整個(gè)節(jié)奏立刻不一樣：測試同學(xué)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(gè)基礎(chǔ)之上我懂得一個(gè)道理，現(xiàn)在大家鼓吹的所謂「一人公司」，或者一個(gè)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(yàn)證過，我們不應(yīng)該把它丟棄掉。

我們的教訓(xùn)是：團(tuán)隊(duì)職能一定要盡量完備——產(chǎn)品、運(yùn)營、增長、設(shè)計(jì)、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(gè)方向至少招一個(gè)特別優(yōu)秀的人，把這件事完整跑通，只有在確實(shí)需要擴(kuò)張時(shí)才上第二個(gè)、第三個(gè)。
• 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(tuán)隊(duì)大致的分工是：所有方向上至少有一個(gè)能把事情落地的人。在研發(fā)層面，一部分人做偏運(yùn)營向的開發(fā)，大概兩個(gè)人；做模型和工程調(diào)優(yōu)的，兩到三個(gè)人；再做底層的 workflow 和 tools 基座開發(fā)的，三到四個(gè)人。大概是這么一個(gè)分工。

Founder Park：現(xiàn)在大家講究 AI 時(shí)代的團(tuán)隊(duì)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(diǎn)的感受非常直接： 通才當(dāng)然重要，但前提是你真的能招到通才。 這有點(diǎn)像「通用 agent」——大家都在說，但現(xiàn)實(shí)里沒那么多。

現(xiàn)實(shí)情況是，模型的能力沒有大家鼓吹的那么厲害，沒達(dá)到替代一個(gè)人的地步。比如模型不會讓一個(gè)寫代碼的人去搞設(shè)計(jì)，他能搞點(diǎn)輕微的設(shè)計(jì)，但搞不了生產(chǎn)型的設(shè)計(jì)。所以我們更強(qiáng)調(diào)的是，招這個(gè)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(gè)數(shù)量級。這一點(diǎn)我們現(xiàn)在在團(tuán)隊(duì)里已經(jīng)驗(yàn)證得比較充分了。

比如我們招一個(gè)設(shè)計(jì)同學(xué)，給他配非常完備的 AI 工具，他只需要專注在把整個(gè)產(chǎn)品的框架設(shè)計(jì)好，盡量的兼容通用，其他的細(xì)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(qiáng)大的 AI，讓他把這個(gè)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(kuò)招嗎？

黃?。?會，而且是持續(xù)擴(kuò)招。

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

• 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(xué)離職，或者突然有一個(gè)新的大模型出來，你需要快速兼容、改造；
• 很多機(jī)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(gè)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(gè)相對完整的團(tuán)隊(duì)：投放、內(nèi)容、KOL 運(yùn)營、增長產(chǎn)品經(jīng)理、增長工程師，這些角色我們都會補(bǔ)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(gè)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(gè)任務(wù)的復(fù)雜度是不一樣的，「選擇」這個(gè)任務(wù)非常簡單。

要模型一邊從幾百上千個(gè)工具里挑，一邊把活干完，這個(gè)事情太復(fù)雜了。所以我們把任務(wù)拆成兩塊：一個(gè)模型專門負(fù)責(zé)挑工具、寫 action 和 workflow；另一個(gè)模型只負(fù)責(zé)執(zhí)行具體任務(wù)。

我們每個(gè) agent 節(jié)點(diǎn)實(shí)際能用的工具不超過 3 個(gè)，通常只有一到兩個(gè)，對應(yīng)的 prompt 也非常簡單。我們的目標(biāo)是：每個(gè) agent 節(jié)點(diǎn)只做一件非常具體的小事，一到兩個(gè)工具就能搞定，然后把復(fù)雜任務(wù)拆成 5～10 個(gè)這樣的小任務(wù)。

這樣做有兩個(gè)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(gè)步驟做好——便宜、準(zhǔn)、穩(wěn)定、速度快；像 GPT-5、Claude Sonnet 4.5 這種更強(qiáng)的模型，就負(fù)責(zé)從成千上萬的工具中篩選、規(guī)劃，把任務(wù)拆解成一條條可執(zhí)行的 workflow。
• 我們可以用一個(gè)穩(wěn)定的編排引擎，把這些簡單節(jié)點(diǎn)串起來，完成非常復(fù)雜的任務(wù)，而不是指望某一個(gè)「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(qiáng)碰模型當(dāng)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(qiáng)的模型去做拆任務(wù)，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(qiáng)。一旦我們收集到可用的數(shù)據(jù)，錢和人到位，拆任務(wù)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(gè)節(jié)點(diǎn)，現(xiàn)在壓縮到 1 個(gè)節(jié)點(diǎn)。

這個(gè)過程極度考驗(yàn)我們對模型能力、邊界的認(rèn)知，以及怎么去提前幾個(gè)月把我們的產(chǎn)品放在這個(gè)點(diǎn)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(jì)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(yùn)營壁壘？

黃?。?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(gè)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(tuán)隊(duì)。這是我刻意為之的，我不希望我們還沒準(zhǔn)備好就草率地暴露出去，結(jié)果這個(gè)方向火了，后續(xù)卻和我們無關(guān)了，團(tuán)隊(duì)組織能力一定要到位。

在這個(gè)基礎(chǔ)上，我們有一個(gè)比較清晰的產(chǎn)品判斷： AI 越往前走，真正有價(jià)值的產(chǎn)品，一定是在非常復(fù)雜的系統(tǒng)工程之上，讓用戶「感知到的體驗(yàn)」盡可能簡單。 不是說產(chǎn)品本身要做成一個(gè)很簡單的小玩具，而是底層可以極其復(fù)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(jìn)做設(shè)計(jì)，而不是逆勢搞一些反人性的形態(tài)。

以我們目前的工程復(fù)雜度，任何一家小公司，比如 15-20 人的團(tuán)隊(duì)，很難在 3-6 個(gè)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(fù)刻一個(gè)同等復(fù)雜的系統(tǒng)，至少得拉一個(gè) 50–100 人的團(tuán)隊(duì)，全力干一兩年。除非我們已經(jīng)證明這是一個(gè)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(gè) 3–6 個(gè)月的「加速窗口期」。在這段時(shí)間里，只要資金到位、增長團(tuán)隊(duì)到位，技術(shù)和產(chǎn)品這套復(fù)雜度放出去，短期應(yīng)該是沒有特別直接的對手，我們也有機(jī)會在市場上快速完成一輪增長和商業(yè)化驗(yàn)證。

Founder Park：這么設(shè)計(jì)，會不會被某一個(gè)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(xiàn)在的做法在某種意義上是偏「激進(jìn)」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(gè)節(jié)點(diǎn)都改成一個(gè) agent，再去編排 agent，這個(gè)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(shí)不夠穩(wěn)定、成本也偏高，早期 bug 特別多，那個(gè)階段我們也反復(fù)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(gè)節(jié)點(diǎn)都是一個(gè) agent；
• 每個(gè)節(jié)點(diǎn)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(dāng)于「站在模型肩膀上」：模型越強(qiáng)，我們越強(qiáng)；模型越便宜，我們越便宜。同時(shí)，我們還會沉淀自己的行為數(shù)據(jù)，可以進(jìn)一步優(yōu)化自研模型和商業(yè)模式。

更重要的是，這個(gè)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(gè)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(bǔ)充嗎？

黃?。?我覺得核心還是認(rèn)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(shí)際上，模型是一個(gè)巨大的寶藏，你可以從里面剝離出對你這個(gè)行業(yè)最有價(jià)值的那部分能力。

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

這個(gè)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(xué)效應(yīng)。也就是說，模型是一個(gè)巨大的寶藏，它有很多切面。你如果能從里面找到一個(gè)切面，對你的產(chǎn)品產(chǎn)生杠桿效應(yīng)，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(diǎn)皮毛出來，把你這個(gè)產(chǎn)品做好，至少也是一個(gè)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(biāo)沒有那么高，我們也可以切到模型的一個(gè)切面，切到自己的一塊肉。

去挑選一個(gè)差異化的賽道，在這個(gè)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(diǎn)，先搞出來，人生還很長，一點(diǎn)點(diǎn)來。

06

創(chuàng)業(yè)早期可以慢一點(diǎn)，

關(guān)鍵是「別做錯(cuò)事」

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

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

AI 來了之后，大家都在想 AI 時(shí)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(gè)性化地定制？用戶表達(dá)一句話可以生成內(nèi)容，并對它做編輯、消費(fèi)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(gè)播客，平臺就可以實(shí)時(shí)為我生成一段只服務(wù)于我的播客, 有點(diǎn)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(gè)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(gè)更簡單的交互方式？他只需要一個(gè)無時(shí)不在、感知不到的硬件，就能去和 AI 做交互，完成自己的任務(wù)。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(gè) action 本身的價(jià)值、準(zhǔn)確率和個(gè)性化都非常高。

這是我們認(rèn)為長遠(yuǎn)的、Refly.AI 希望達(dá)到的終局。我們設(shè)置了一個(gè)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(gè)用戶的數(shù)字化版本，能幫助用戶進(jìn)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(gè) AI 原生的內(nèi)容平臺的機(jī)會。但更加現(xiàn)實(shí)一點(diǎn)，我們就是在賣模板，做一個(gè)很土的生意，賣 AI 時(shí)代的 Workflow 模板。

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

黃巍： 我自己有兩個(gè)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(xì)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(fù)和發(fā)布，讓人從重復(fù)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(jìn)步，而不只是生成。

現(xiàn)在模型在生成上已經(jīng)很強(qiáng)了，但生成完一個(gè) PPT、視頻或網(wǎng)頁之后，我還要為它造一個(gè)編輯器，讓用戶去細(xì)調(diào)。如果未來模型能以很低的成本精準(zhǔn)理解 input，做細(xì)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(shí)代的創(chuàng)作者工具。以前你剪一個(gè)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(gè)流程，這個(gè)流程產(chǎn)出的結(jié)果就是一個(gè)視頻、一個(gè)音頻、一個(gè)文本，甚至是一個(gè)網(wǎng)頁。

一旦模型的編輯能力變得非常強(qiáng)，未來所有內(nèi)容的載體其實(shí)都是一條流程，這會催生出一個(gè) AI-native 的原生內(nèi)容平臺。這個(gè)內(nèi)容平臺相比之前最大的變化就是，它的內(nèi)容是實(shí)時(shí)生產(chǎn)、實(shí)時(shí)更新，并且每個(gè)內(nèi)容都可以由人去做個(gè)性化甚至「入鏡」，按需消費(fèi)。這是我們看到的，可能是下一代內(nèi)容平臺的機(jī)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(yīng)用，你會給他們什么建議？

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

假如我們今天來一個(gè)概念就抄，明天來一個(gè)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(diǎn)，但是一定要拉長時(shí)間維度，在這個(gè)行業(yè)內(nèi)做到不可替代，把事情做對。

第二點(diǎn)，就是老生常談的，它會不會被模型吃掉？這個(gè)事情一定要想清楚。你是不是在做一個(gè)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(gè)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(gè)心法：產(chǎn)品一定要比模型的能力迭代要快 3-6 個(gè)月，并且要在 3-6 個(gè)月之內(nèi)把自己的想法實(shí)踐落地，并推向市場和商業(yè)化。如果我們能不斷地重復(fù)這樣的周期，我們就能跑贏這個(gè)市場，跑贏模型廠商。

第三點(diǎn)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(jià)值的分工和合作一定有它的道理，存在即合理。不要因?yàn)樽约旱钠姡蛘咭驗(yàn)樗吮磉_(dá)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(jià)值觀和想法對齊的團(tuán)隊(duì)。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(xué)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(gè)高壓、要去戰(zhàn)斗的環(huán)境之下，他們學(xué)校里的履歷是很難派上用場的。放到一個(gè)戰(zhàn)爭的環(huán)境之下，考驗(yàn)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(tuán)隊(duì)，確實(shí)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(shí)能把事情干成。

注：Refly.AI 本身是開源項(xiàng)目，開源倉庫地址：

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