refly

想象一下：你的团队有一整套标准操作流程（SOP），比如"客户报障 → 创建工单 → 分配工程师 → 48小时内解决"。传统方式下，这套流程只能靠人工记忆或文档查阅，AI 助手根本不知道该怎么执行。Refly 要做的事，就是把这套 SOP 直接变成 AI Agent 能可靠调用的"技能"——像乐高积木一样，插到任何 AI 编程工具里就能用。

背景：AI Agent 为何总是"不可靠"？

AI 编程助手（Claude Code、Cursor、GitHub Copilot）近年来爆发式增长，但企业在实际使用时遇到了一个核心矛盾：这些工具在开放任务上表现出色，却难以可靠地执行具体的业务流程操作。原因很简单——传统的做法是把流程写成 Prompt 塞给 AI，但 Prompt 本质上是"经验直觉"，而非"可执行代码"，AI 每次生成结果可能都不一样，错误率高得难以接受。

Refly 的创始团队敏锐地看到了这个问题：2025 年初，随着 Agentic AI（自主 Agent）概念兴起，Claude Code、Cursor 等工具开始开放 Skills（技能）接口，允许第三方扩展工具能力。Refly 正是第一个将这个趋势系统化、产品化的开源平台——它让你用自然语言描述业务逻辑，然后自动编译成可版本化、可测试、可分发的 Agent 技能。

Refly 的核心理念是：Skills are infrastructure, not prompts（技能即基础设施，而非提示词）。这句话点出了它的本质——把 AI 能力从"玄学调参"变成"工程化交付"。

类比：给 AI 装备的"瑞士军刀"

可以把 Refly 想象成一个专门为 AI 编程工具设计的瑞士军刀工厂。传统的瑞士军刀能应对各种场景，AI 版本的"瑞士军刀"则由各种 Skills 组成——有的 Skills 负责调用 Slack 发消息，有的负责查询数据库，有的负责生成文档。这些 Skills 不依赖 AI 的"心情"或"灵感"，执行结果高度可预测、可审计。

Refly 提供了一个可视化 IDE，用户用自然语言描述工作流，平台内置的 DSL（领域特定语言）编译器将意图编译成高性能的执行技能。整个过程只需要 3 分钟，从一份企业 SOP 到可上线的 Agent 技能。

核心功能与技术细节

Vibe Workflow 可视化构建：Refly 提供类似流程图的可视化编辑器，用户以"所见即所得"的方式定义工作流节点、条件分支和变量映射。底层 DSL 经过 LLM 优化，执行速度快且 token 消耗低。

可干预运行时（Intervenable Runtime）：这是 Refly 区别于普通工作流引擎的关键特性。传统 AI 执行是"黑盒"——一旦启动你无法中途干预。Refly 的运行时支持暂停、审计和重新调整 Agent 逻辑，真正做到了"人在回路"（Human-in-the-Loop）。对于企业级应用，这意味着你可以强制业务规则执行、最小化 AI 幻觉，并在出错时精确回滚到任意节点。

MCP（Model Context Protocol）全面支持：Refly 原生支持 MCP 协议，可连接 3,000+ 第三方工具（Stripe、Slack、GitHub、Salesforce 等），无需自行编写集成代码。私有数据源（内部数据库、脚本）也可通过私有 Skills 连接器接入。

多端输出能力：构建的 Skills 可以一键导出为多种形态——MCP 服务器、标准 REST API（可用于 Lovable 等无代码平台）、Slack/Lark 机器人、Webhook，或直接作为 Claude Code / Cursor 的原生工具。同一套 Skills 定义，多种运行时复用。

集中式技能注册表（Skill Registry）：内置版本控制和审计日志，支持团队协作与权限管理。企业可以将通用技能设为共享资产，不同项目按需引用，形成组织级的 AI 能力资产沉淀。

架构与技术栈

Refly 采用全栈 TypeScript / Node.js monorepo 架构，使用 pnpm workspace + Turbo 构建系统：

• 前端（apps/web）：基于 Rsbuild + React + Tailwind CSS 的现代化 Web IDE，提供可视化工作流编辑器- 后端（apps/api）：Node.js + Prisma ORM + PostgreSQL，负责工作流执行引擎、MCP 集成、权限控制- 共享包（packages/）：20+ 个共享库，包括 agent-tools（Agent 工具集）、providers（AI 模型供应商）、ui-kit（组件库）、web-core（编辑器核心）- CLI（packages/cli）：命令行工具，用于本地开发和调试- 测试：Cypress E2E + Jest 单元测试，CI/CD 集成完善

前端镜像基于 nginx:alpine，后端镜像基于 node:24-slim，支持 AMD64/ARM64 多架构构建。数据库使用 PostgreSQL（通过 Prisma 管理），可选集成 Elasticsearch、Qdrant（向量数据库）用于追踪和语义搜索。

上手体验与部署

Refly 提供云端托管版本（refly.ai/workspace），注册后立即可用，无需任何安装。对于需要私有化部署的团队，官方提供了完整的 Docker Compose 一键部署方案：克隆代码库后，运行 docker compose up 即可启动完整服务栈（API + Web + PostgreSQL + Nginx），适合在 VPS 或局域网服务器上快速验证。

进阶部署支持 Kubernetes Helm Chart，适合企业级生产环境。硬件要求较为亲民——无需 GPU，4GB 内存 + 10GB 磁盘即可运行基础版本。

不过需要注意的是：Refly 本身是一个技术工具而非开箱即用的产品。完整解锁能力需要配置 AI 模型供应商（如 OpenAI、Anthropic）、连接实际的业务系统（如你的飞书/Slack 实例），这些集成工作需要一定技术背景。上手门槛对 AI 开发者友好，但对非技术人员有一定要求。

争议与局限

Refly 面临的最大质疑是**"Skills 真的能替代 Prompt 吗？"**。批评者认为，工作流固定化与 AI 的灵活性天然矛盾——过度规范的工作流可能反而限制了 AI 的创造力，尤其是面对非结构化任务时。Refly 团队的观点是： Skills 处理的是确定性强的业务操作（如发消息、查数据），而开放性任务仍交给 AI 自主决策，两者并不冲突。这个边界在哪里，仍是社区持续讨论的话题。

此外，作为一个新兴项目，Refly 的生态尚在建设期——社区 Skills 数量有限，企业级特性（SSO、审计合规等）完善度有待验证，文档中部分内容仍依赖英文。开源许可证为 ReflyAI License（非标准开源许可），商业使用需注意其限制条款。

行业意义与趋势

Refly 代表着 AI 工具链正在经历一次重要的范式转变：从"用 Prompt 控制 AI"到"用 Skills 定义 AI 能力边界"。这一趋势与 Anthropic 的 MCP 协议、OpenAI 的 Agents SDK、Vercel 的 v0 生态方向一致，都在解决同一个问题——如何让 AI 在企业场景下可靠落地，而非停留在 Demo 阶段。

随着 Claude Code、Cursor 等工具的用户群持续扩大，Refly 的定位——"Agent Skills 的基础设施"——恰好卡在了一个真实的市场需求上。如果社区能持续丰富 Skills 库并完善企业级特性，Refly 有潜力成为 AI Agent 时代的"GitHub Actions"——不是最大的工作流平台，但是最被广泛采用的技能分发标准。