“大多数 Agent 产品，仍然停留在专业用户层面，并没有做到真正的普惠。”
“现在大家都在做Skills，但是真正有多少终端用户把Skills用起来？”
如果你习惯使用n8n、dify等工作流，可能会听说过Refly.AI的名字，这是一个面向非技术用户的AI自动化工作流平台。
在2025年12月推出的1.0公测版本中，他们主打Vibe Workflow——一句话描述即可构建工作流，让不会技术的人也能轻松把自己的个性化流程经验封装起来，并分享给其他人，创造价值。
今天，Refly.AI正式发布1.1版本：将Vibe Workflow与Agent Skills进行结合，推出了业内首个开源 Agent Skills Builder 和生产级开源仓库 refly-skills ，并同步完成Skills开源版本、API开放生态、Copilot等多项关键能力升级。
与此同时，邀请码机制取消，Refly.AI全面向用户开放。
Refly.AI的背后是一个年轻的字节系创业团队。95后创始人黄巍（Tom），曾在字节跳动负责飞书智能伙伴创建平台（内部代号「Aily」）以及Coze的算法工程和产品设计工作，是国内最早的Workflow领域从业者之一。
Refly.AI CMO李锦威，之前有多年的Saas和AI行业海内外市场经验，在过往的AI产品实践中，他发现大多数 Agent 产品，仍然停留在专业用户层面，并没有真正做到消费级或企业级的普及。“我们曾尝试把 Agent 给销售、门店导购等人群使用，发现非常困难。因为通用Agent难以匹配每个人的个性化经验，而做个性化的软件本身又非常复杂。”
看到Refly这款产品后，他意识到这是个非常的好机会：既能通过工作流封装个性化经验，又能把原本偏专业的 Agent 能力带给更多人。
李锦威认为二八定律仍将存在：通用的 know-how，最多只能覆盖头部的20%人群；而长尾人群占据80%，往往拥有高度个性化的经验和诉求，通用Agent 很难服务好。Workflow 的价值，恰恰在于把人的个性化经验和 AI 结合起来。
于是2025年10月，他选择了加入Refly.AI，参与创业。
有意思的是，同样在2025年10月，Anthorpic推出了Claude Skills——用户可以把重复指令打包成一个模块化的能力包，让Claude在需要时自动加载和使用。
前不久，扣子也上线了「技能」功能和「技能商店」，让用户通过自然语言描述，将专业知识封装为“技能包”。一时之间，Skills在国内外掀起了热潮。
Skills和Workflow天然有着相似的属性。借着这股热潮，Refly.AI也紧锣密鼓地推出了他们的Skills功能。据官方介绍，在本次更新中，用户可以通过Claude code、Codex、Opencode等智能体对话调用Refly的AI能力，并将其无缝集成到现有的开发、自动化和任务执行流程中。
用户可以借助Refly.AI的Vibe Workflow引擎，一句话生成复杂工作流，大幅降低 Skills 构建门槛。构建完成的 Skills 可直接接入 Refly 工作流，作为节点被调用，与既有自动化流程深度融合。
与此同时，官方构建的Skills也已经上线GitHub开源仓库“refly-skills”，可供直接使用，覆盖选品分析、内容生成、运营支持等多个实际业务场景。
经过这次更新，Refly.AI希望为 Agent 和 Skills 提供一套可共建、可维护、可落地的基础设施，让 Workflow 与 Skills 相互融合，通过开源方式被复用和持续演进。
借此机会，《AI创客说》也与Refly.AI CMO李锦威开展了一场对话，聊聊Refly.AI是如何演变到今天的形态、一个好的AI Native产品应该长什么样，以及他们对于AI应用创业有哪些思考和感悟。
一句话搭建工作流，
成本只有n8n的十分之一
51CTO：Refly.AI 主打的Vibe Workflow 产品，与Manus这类通用Agent，和n8n、dify等传统Workflow，有哪些区别？
李锦威：Refly是第一波定位Vibe Workflow的产品。现在市面上Agent产品的主流形态主要有两种：一类是通用Agent，一类是Workflow。通用Agent是自然语言驱动的，好处在于使用过程非常简单，通过一句话就可以驱动它得到一个任务结果，但问题在于我们没有办法干预它执行任务的过程，这个执行过程其实是一个黑箱。而黑箱带来的结果是：很难将某次任务执行的经验固化下来复用到下一次，面对重复、稳定执行的场景仍然有瓶颈。
另一类产品就是Workflow，比如n8n、Dify等等，这类产品的特点在于稳定和可控，所以非常适合在企业里面落地做Workflow。但它们的问题在于门槛太高了，用户必须既懂代码逻辑，又懂业务逻辑。常见情况是如果要落地一个Workflow，常常需要一个IT部门的人和一个业务部门的人协同进行，成本就非常高。
我们推出Refly，目标就是为了解决上述两类产品的痛点：第一，用户可以像使用 Agent 一样，通过简单的自然语言就构建工作流；第二，可以干预任务的执行过程，让它成为一个可复用的、可干预、结果稳定的“数字员工”或“数字分身”。
51CTO：它的成本相比通用Agent和传统n8n如何呢？是介于两者之间吗？
李锦威：成本可以分成两类：一类是用户搭建这个工作流的成本，或者说时间成本和学习成本，我们很明确，Refly上手搭建的成本是Dify和n8n的不到十分之一，这是用户给我们的直接评价。
另一类是Token消耗成本，这里的优化潜力也是我们和Agent之间不同的地方。Agent主要处理一次性任务，难以固化执行路径，成本高。而 Refly 针对重复运行任务，可通过路径固化（PTC）降低成本。
51CTO：数据闭环是如何构建的呢？
李锦威：Refly的数据飞轮体系有独特的数据输入，包括用户意图、用户在过程中的接管数据以及最终采纳数据，这些是普通 Agent 产品所没有的。
我们的输出优势在于，基于这些数据输入，能够实现更低成本、更高质量以及更深业务洞察的工作流输出。例如，通过优化可以降低运行时间、减少用户干预次数和 TOKEN 消耗，还能围绕特定场景生成无数种工作流变体，构建数字员工团队。
51CTO：传统n8n的每个节点都是确定的，如果用Agent作为节点，输出结果的准确性会不会打折？
李锦威：不会，因为模型的能力进化非常快。像今年很多编程类的模型，准确度和工具调用能力都已经非常强了，比如Claude、GLM等编程类模型都已经突破准确性的瓶颈了，包括接下来要发布的DeepSeek-V4，编程能力又会进一步提升。准确性问题可能会存在于半年前、一年前，但我觉得当下这个时间节点，不会存在这样的问题。
“Skills出来了，我们更多感觉是兴奋”
51CTO：Claude Skills以及扣子刚刚推出的Agent Skills，也可以封装一个任务的工作流，Refly跟它们比起来有什么区别或者优势吗？
李锦威：我昨天还看到一张图很有意思，左边是 Skills 的消费者，可能只有几个人，但右边是 Skills 的创作者，后面排了一堆的人。现在大家都在做 Skills，但是真正有哪些终端用户把 Skills 用起来？目前还很少，更多还是一些技术人员、自媒体在探索过程中。
那为什么它的消费级能力还不行？因为它真正的生产力，并不是通过一句话简单描述就能构建出来，还是需要去做一些复杂、完整的编排，调用不同工具来完成。
经过这次更新，用户可以结合Refly.AI的Vibe Workflow引擎，一句话生成复杂skills，大幅降低 Skills 构建门槛。同时，我们也推出了Refly Skills，用户可以在Claude Code、Codex、Opencode等智能体中直接调用，无需打开Refly.AI网站，就可以通过对话完成 Skills 和 Workflow 的创建、运行、调试、导出和分发。
我们希望让 Workflow 与 Skills 相互融合，并通过开源方式被复用和持续演进。
在终端Claude code直接调用Refly CLI 创作工作流/skills
51CTO：用户在Claude Code里面也可以创建Claude Skills，那和调用Refly Skills有什么区别？
李锦威：我觉得有两点。第一，像Claude Code这样的平台，已经成为了新一代用户交互的UX界面，我们希望通过Refly Skills，无缝融入到这个界面中，这样原本在用Claude Code的用户，就不需要在Refly平台上搭建和调用工作流。
第二，尽管Claude现在可以编排一些Skills，但它的生产力还没有那么强。比如我们现在看到最多的Skills，一般是写文案、写报告，做图的，这是一些比较简单的Skills。但面对复杂的Skills，很难用一句话去构建它。
这时候如果有Refly这样的平台，能够创建10多个节点、同时调用10多个工具的复杂Skills，那生产力会强得多。
51CTO：有网友评价Refly是一个“社交版的Claude Skills”，怎么看待这个评价？
李锦威：我们有一个核心特点，就是极大降低了Skills和Workflow的分发成本。以前有一些自媒体用户或IT从业者，会把自己做的n8n工作流打包起来拿去卖钱，但这个东西很难分发。第一，如果是一个不懂编程的用户，就不知道怎么部署、怎么运行这个工作流；第二，n8n画布上的节点很多，用户也不理解程序逻辑，包括if/else是什么关系，可能都看不懂。
Refly更强调把构建工作流回归到业务逻辑，用户不需要理解程序逻辑，只要知道业务逻辑就可以，而业务逻辑是每个人都能看懂的，这样就让工作流的分发成本和门槛极大降低了，所以大家才会有这样的评价。
51CTO：最近 Skills 非常火，也有不少人觉得它和 Workflow 很像。你怎么看这个问题？
李锦威：我们的感受更多是兴奋。Skills 和 Workflow 本质上都是手段和形态，并不是对立关系。有了 Skills 之后，Workflow 的能力反而会被进一步增强。比如 Workflow 可以直接调用 Skills，让搭建过程更模块化、更“乐高化”。一个 Workflow可以看成是多个 Skills 的组合。
通过 Workflow 和 Skills 的组合，不仅能力更强，构建成本也会大幅下降。所以我们不认为它们是替代关系，而是可以相互赋能。Skills 对于我们来说并不是一个威胁，更多是对我们的加强。
二八定律：
通用know-how只能覆盖20%人群
还有80%长尾问题要解决
51CTO：你们感知最强的使用场景有哪些？
李锦威：目前更有规模化落地潜力的是电商场景。电商团队往往需要同时处理选品分析、商品内容生产、营销素材制作、广告投放优化、评论与客服分析等大量流程，而且这些流程通常横跨 ERP、广告平台、数据平台和内容平台。
例如在跨境电商中，一个典型场景是：每天自动抓取平台选品数据 → 结合历史销量与利润模型生成选品建议 → 自动生成商品标题、多语言描述、主图卖点文案 → 同步生成广告素材脚本 → 推送到投放与内容团队，实现从选品到素材准备的半自动闭环。
再比如在大促节点，可以自动汇总各平台评价与客服对话，识别高频问题，自动生成 FAQ、客服回复建议，甚至反向输出产品优化建议，帮助团队快速调整运营策略。
很多电商客户也希望把自己验证过的运营 SOP，比如测品流程、广告素材迭代策略、Listing 优化方法，沉淀为可复用的自动化工作流，从而提升团队整体效率。尤其是在跨境电商等竞争激烈的领域，对自动化和规模化复制能力的需求非常强。
相比之下，自媒体场景同样是一个成熟方向。自媒体用户通常需要同时运营抖音、小红书、公众号等多个平台，并持续产出图文、脚本、视频等多模态内容，工具切换频繁且重复操作多。Refly 可以帮助用户把分散工具串联起来，结合个人经验，把重复内容生产流程自动化，并沉淀为可复用的个人工作流，而不是依赖单一、标准化的 Agent。
同时我们也观察到，不少中小型企业 IT 能力有限，过去虽然接触过自动化或工作流产品，但往往被复杂的配置门槛挡在外面。Refly 更偏向让业务团队自己就能搭建和调整流程，更贴合真实业务场景。
51CTO：所以 Workflow 的价值，在于固化个人的最佳实践？
李锦威：对。我觉得有一个永恒的命题：二八定律。通用的 know-how最多只能覆盖头部的20%人群，而真正的长尾人群，往往拥有高度个性化的经验和诉求。这些个性化需求，通用Agent 很难服务好。而Workflow 的价值，恰恰在于把人的个性化经验和 AI 结合起来，用于执行。我认为80%的情况都是长尾，真正通用的可能只有 20%。
51CTO：你们现在大概积累了多少用户？
李锦威：邀请码内测阶段的整体节奏比较克制。到现在为止，大概已经放入了几万名用户，但申请用户数量远远高于当前放开的规模。在内测过程中，我们一直在和用户保持高频沟通，持续根据反馈优化产品。最近产品迭代速度非常快，早期用户提到的很多问题也已经得到解决。
51CTO：Refly首页有很多 Workflow 模版推荐，这个设计背后的考虑是什么？
李锦威：模板推荐主要有两层考虑。第一，我们希望与行业内有经验的人共创解决方案。比如在自媒体、电商等领域，我们会邀请行业专家一起设计模板，把真实可用的行业 know-how 封装成工作流。
相比传统 SaaS 时代只能“讲故事、看 PPT”，AI时代的解决方案是真正开箱即用的。用户不仅能看到方案，还可以直接运行和调用背后的工作流，这会给用户体验带来很大变化。
第二，我们希望推动从“最佳实践”向“个性化实践”的演进。在传统 ToB 市场中，强调的是行业标杆和统一的最佳实践。但在 AI 时代，即使是同一行业，不同客户的情况也差异巨大。
我们希望模板和解决方案不断细分，让不同用户画像、不同细分场景，都能找到最适合自己的实践方式，而不是套用同一个标准答案。
Refly.AI首页的模板推荐
51CTO：也就是说，Refly未来会越来越偏向垂直行业？
李锦威：是的。我们一定会持续强化垂直行业的模板和解决方案。
51CTO：目前是否有面向海外市场？
李锦威：有的。目前大约 50% 的流量来自海外，主要集中在北美和欧洲。海外用户与国内用户在人群上非常相似，也有不少是自媒体和电商从业者，但在使用场景上会有差异。
51CTO：Refly 有没有帮用户赚到过钱？能否举一个具体的例子？
李锦威：可以举两个比较典型的例子。第一个是自媒体用户。我们有用户会在新媒体平台上，持续分享自己用 Refly 搭建的工作流，包括内容生产和运营相关的自动化流程。这些分享本身就成为了他的内容资产，对起号和涨粉帮助非常明显。
第二个是服务电商企业的用户。他之前使用 n8n等工具帮电商客户搭建工作流，但遇到一个很大的问题：交付成本太高。客户拿到之后还需要部署、培训，而且客户自己也很难修改，整体效率非常低。
通过 Refly，他可以更快、更低成本地完成交付，客户拿到后可以直接开箱即用，尤其适合技术能力相对较弱的中小电商客户。他本人也通过这种方式获得了实际收益。
始终站在模型能力的肩膀上，
贵的模型做规划，便宜模型做执行
51CTO：Refly的产品是如何演进到现在这个形态的？
李锦威：我们是在 2025 年上半年开始做这个产品的。最早的形态其实不是工作流，而是一个自由画布。
当时的定位是，让用户在一个无限画布中进行自由创作。这个产品推向市场后反响不错，也帮助我们完成了一轮融资。但在实际使用过程中，我们发现一个问题：小白用户很难理解和使用这种画布形态，产品也很难规模化。
原因在于，画布上的节点越多，整体复杂度就越高，用户就越少。所有内容都堆在一个画布里，没有收敛和封装的过程。
Refly.AI早期原型图
51CTO：也就是说，节点越多，复杂度越高，就越不利于传播和使用？
李锦威：对。自由画布更像是作者自己能看懂的工作区，而不是一个“经验的载体”。它不利于分享，也不利于复用。真正适合传播和使用的，应该是目标明确的流程，比如第一步、第二步、第三步，而不是一个无限扩展的画布。因此，我们很快做了调整，回归到 Workflow 这个方向，把复杂度层层收敛。
原来一个画布上可能有上百个节点，现在我们把它收敛到5-8个节点的Workflow，在这个基础上又把节点整合为一个Agent，把复杂度进一步降低。用户还能够把搭建好的 Workflow 发布出去，成为即插即用的模版，我们认为这个产品形态是有利于更多人使用的。
我们在 2025 年上半年，通过产品验证发现这个问题后，就比较自然地完成了转型。一方面，我们找到了更好的产品形态；另一方面，我们团队本身最早就是做 AI + Workflow 的，所以回到 Workflow 这条主线，也是一个很自然的过程。
51CTO：Refly现在已经接入了一千多个工具，围绕大模型和工具调用，你们有哪些思考？
李锦威：我们的一个核心洞察是：不能让模型直接面对上千个工具做选择，必须对任务和能力进行分层。很多通用Agent是让模型从所有可用工具中直接判断该用哪个工具，一方面工具调用的效果不理想，另一方面执行速度也会非常慢，容易把有限的模型上下文窗口打满。
因此我们在架构上做了明确的分层设计，把流程拆成规划层和执行层。规划层由能力更强的模型负责，主要完成任务理解和拆解，把一个复杂目标拆解成一系列明确的子任务；而执行层则由相对更经济的模型，分别完成这些具体、简单的子任务。通过这种方式，整个系统的执行速度、稳定性和工具的调用效果都会显著提升，同时模型推理成本也能得到大幅降低。
同时，我们也简化了每一个节点的职责。每个执行节点只需要专注完成一件非常具体的小事，并且只配备1-2个最相关的工具。这样一来，单个节点非常简单，但多个节点串联起来，就可以完成非常复杂的任务。这是我们在整个设计过程中的一个核心思考。
Refly.AI现在的Vibe Workflow形态
51CTO：对比n8n和Refly，一个在n8n需要十几个节点的流程，在 Refly上可能四五个节点就能完成？
李锦威：对，我们甚至做过一些极端评测。在最极端的情况下，Refly 的一个节点，可以完成 n8n 大概二十个节点的事情。
51CTO：如果未来大模型能力不断增强，会不会把现在 Workflow 做的事情“吞掉”？
李锦威：这是我们在产品定位和架构设计时非常重视的一点。我们的架构是：每个节点本身就是一个 Agent，每个 Agent 只完成一个简单任务，但可以无限串联，形成无限复杂的任务体系。这种架构决定了，我们始终是站在模型的肩膀上。模型越强、越便宜，我们就能完成越复杂的任务、并且成本更低，而不是被模型能力“替代”。
51CTO：也就是说，大模型能力增强、Token 成本下降，对你们都是正向的？
李锦威：对。哪怕未来出了 GPT-10，我们也只是可以更好地去调度这些模型，完成更复杂的任务。
怎么才算一个AI Native产品？
意图驱动、千人千面、为结果买单
51CTO：在你看来，一个 AI Native 产品应该具备哪些要素？
李锦威：我觉得有三个点。第一是从逻辑驱动转向意图驱动。传统软件是逻辑驱动的，用户需要理解 if / else、分支条件、代码逻辑，只要其中任何一个环节出错，整套系统就跑不通。而 AI 软件应该是意图驱动的，意图本身没有对错，任何意图都可以被表达、被保存，差别只在于最终效果的好坏，而这个效果是可以持续迭代优化的。
在 Refly里，我们强调的是：工作流不是程序建模，而是业务经验和用户意图的建模。所以我们的“跑通率”几乎是 100%，每个用户进来都能跑通，只是效果不断优化的问题。
第二，是从“千人一面”的功能，转向“千人千面”的经验和能力。传统 SaaS 更多卖的是统一功能，不同用户用的是同一套软件。而 AI Native 产品极大降低了 Workflow 和应用构建的门槛，可以根据每个人不同的需求，构建完全不同的应用和服务，而不是所有人用同一套东西。
第三，是从为工具买单，转向为结果买单。在 AI 时代，工具本身的构建成本会被不断压低，工具会越来越不值钱，但业务结果永远有价值。所以 AI Native 产品的核心，应该是帮助客户拿到结果，而不是强调工具本身。
51CTO：你们会用 AI 来写 Refly 的代码吗？
李锦威：会，而且比例非常高。我上午还特意问了 CTO，现在有多少代码是AI Coding的？他说，99%。
51CTO：这么高的比例。
李锦威：这和团队基因有关。我们本身就是一个 AI Native 团队，对工程师的要求就是能够适应 AI 时代的开发方式。
51CTO：在日常工作中你们是不是也会大量和AI协作？
李锦威：是的。比如我们的设计同学喜欢用Gemini来画一些效果，管它叫“G老师”；还有研发团队也会经常使用 Cursor、Claude Code 等工具。
在运营和增长层面，我们也逐步把很多场景迁移到 Refly 自己的平台上，比如内容生产、数据分析、信息监测等，都已经通过 Refly 搭建了自动化流程，对内部提效非常明显。
51CTO：也就是说，你们自己内部也大量使用 Refly？
李锦威：对，现在内部 80% 以上的工作场景，包括日常运营，基本都跑在 Refly 上。
通用Agent像“顾问”，
Workflow Agent像“数字员工”
51CTO：你觉得2026年 Agent 市场的整体情况会是怎样的？
李锦威：我们认为 Agent 市场一定会继续增长，目前仍然处在一个早期起步阶段。但在增长过程中，也面临着非常明显的瓶颈。最大的瓶颈在于生产力，也就是Agent 什么时候能够真正做到“为结果交付”。而这一点的前提，是 Agent 具备更强的工具使用能力。
这一轮模型进化中，Tool Use（调用外部系统、与真实世界交互）的能力已经被彻底释放，但除了 AI Coding 领域，大多数产品仍然停留在“演示能力”，而不是“规模化交付价值”。
第一代 Agent 更多还是集中在文本处理、图片生成、视频生成等内容层面，而不是像一个真实的员工或实习生一样，能够熟练地使用多种复杂工具，完成跨系统、跨流程的任务。真正的突破点在于 Agent 能否像一个人一样，调用各种不同工具，完成复杂任务。在我们看来，工具调用是一个非常重要、也仍然有巨大空间的方向。
51CTO：也就是说，Refly 的一个核心发力点，是模型的工具调用能力？
李锦威：对，不只是工具调用本身，而是基于个性化经验的工具调用。
51CTO：你觉得通用Agent和Workflow Agent这两种形态，最终会走向统一吗？
李锦威：从目前的发展路径来看，我不太认为两者最终会完全统一。至少在可预见的3-5年内，我更倾向于认为它们会走向一种协同的状态。
通用 Agent 更像一个顾问，擅长处理开放性问题，需要综合判断和共创的复杂场景；而 Workflow 更像一个执行专家，擅长把已知、可重复的最佳实践固化下来，并稳定、高效地执行。
我经常用一个比喻：Workflow 更像是数字员工，通用 Agent 更像是顾问。顾问可以给你建议、方向和思路，但真正把事情一遍遍高质量执行下来的，往往还是你手底下的员工。
51CTO：也就是说，通用Agent 给建议，Workflow 负责处理稳定的重复性工作？
李锦威：可以这么理解。从使用场景来看，通用 Agent 目前更适合一些临时性、开放性任务，比如临时做一份 PPT、整理一份资料、共创一份报告。这类场景下，你的思路本身并不清晰，需要 Agent 和你一起共创，它更像一个顾问。
而 Workflow 适合的，是当你已经拥有成熟的方法论和经验，希望把它稳定、高效地复用和执行。
举个例子，如果你是一个自媒体创作者，已经找到了最适合自己的起号方法，那这套方法对你来说就是最优解。这时候你需要的不是一个通用Agent 来“重新想一套”，而是一个 Workflow，把你自己的最佳经验固化下来，持续执行。
Refly.AI的愿景：
为不熟悉AI的人，实现技术平权
51CTO：您当初为什么会选择加入Refly，参与创业？
李锦威：我们过往也做过很多 AI 产品实践，发现一个问题：大多数 Agent 产品，仍然停留在专业用户层面，并没有真正做到消费级或企业级的普及。
我们曾尝试把 Agent 给销售、门店导购等人群使用，发现非常困难。后来复盘发现，中间存在两个gap：第一，每个人的认知世界和经验都是高度个性化的，通用 Agent 很难匹配；第二，真正能做个性化的软件，本身又非常复杂。
当我们看到 Refly时，意识到这是一个非常好的机会：既能把个性化经验封装出来，又能把原本偏专业的Agent 能力，真正带给更广泛的用户。
这背后是一个技术平权问题。目前 AI 更多服务的是站在前沿的那部分人群，而大量长尾用户并没有被真正覆盖。而 Refly 希望做的，就是让这些原本不懂技术、不熟悉 AI 的人，也能被服务到。这个愿景对我个人来说非常有吸引力。
51CTO：所以Refly 的一个重要愿景，是推动技术平权？
李锦威：是的。我们希望通过 AI 和 Workflow，让更多原本不具备技术能力的人，也能真正使用 AI。
51CTO：从 SaaS 行业转向 AI 行业，您觉得最大的区别是什么？
李锦威：SaaS 的核心价值在于功能和流程，迭代周期通常以月或季度为单位，壁垒更多来自功能完整度和生态。
而 AI 产品的核心价值在于效果和体验，迭代周期是以天和周计算的。AI 产品的壁垒在于如何更好地使用模型能力、构建数据飞轮，以及保持极快的产品迭代速度。这也决定了 AI 团队对人才密度的要求会更高。
51CTO：那 Refly 当前的核心壁垒是什么？
李锦威：我们其实并不太强调“壁垒”这个词。因为我们做的是一个增量市场，是这些还没有被 AI 服务到的人群和客户的市场。在这样的市场里，更重要的是持续服务好客户、为他们创造价值，而不是过早讨论壁垒。我觉得数据飞轮也好，产品迭代速度也好，这个壁垒都不是永久的，永久的壁垒还是在于能否找到快速服务好你的客户，构建起客户粘性。
51CTO：如果未来大厂或大模型公司推出类似 Workflow 产品，创业公司如何避免被“吃掉”？
李锦威：关键还是要找到自己的独特优势。大厂的优势在于有充足的资源，但他们一定会优先做通用市场，而不是深耕细分人群。创业公司更适合聚焦那些看起来非主流、但真实存在需求的细分市场。
51CTO：如果现在有大厂背景的人出来做 AI 应用创业，你会给他们什么样的建议？
李锦威：我觉得最重要的一点，还是先把问题定义清楚。模型能力、工具形态其实一直在变化，如果你只是追逐模型或者某一种形态，比如最近很火的 Skills，大家一拥而上围绕它做事情，其实是很难建立真正独特的认知和业务方向的。对我们来说，更重要的是回到一个永恒的命题：你到底服务谁？你为他们解决什么问题？
无论是 AI 创业，还是模型、工具，这些本质上都是手段。你可以利用它们，但最终一定要回归到你的价值所在——你服务什么样的人群，你解决什么样的问题。所以我认为，对任何 AI 创业者来说，定义问题永远是最重要的事情。
51CTO：那对 Refly 来说，这个“永恒的命题”是什么？
李锦威：我们想解决的问题是：让AI的“生产级”能力实现平权，帮助不懂编码和技术的个人和团队也能站上AI时代生产力跃迁的大船上。
51CTO：Refly 接下来的重点改进方向是什么？
李锦威：主要有两个方向。一是进一步开放产品能力。包括结合 Skills、Claude Code 等外部新一代 UX 形态，更方便地调用 Refly；同时，我们通过 API 让 Refly 构建的 Workflow 能够更好地集成进个人或企业现有的业务系统中。
二是围绕垂直行业的解决方案做深度优化。我们会选择几个重点行业，和行业客户、专家一起进行深度共创。
好了，文章到这里就结束了~欢迎大家去Refly.AI平台上体验最新的skills功能，也可以关注 Refly.AI 公众号，发送“skill”加入专题社群了解更多信息~
Refly.AI平台地址：
https://refly.ai/
Refly.AI Github地址：
https://github.com/refly-ai/refly
refly-skills Github仓库：
https://github.com/refly-ai/refly-skills
