Refly 深度拆解：用自然语言构建 Agent Skills 的开源平台，无缝接入 Claude Code 与 MCP 生态

快速摘要：Refly 是目前首个开源的智能体 Skills 构建平台，核心理念是通过 Vibe Workflow（自然语言 + 可视化画布），让任何人都能把业务逻辑"编译"成稳定、原子化、可版本管理的 Agent Skills。构建好的 Skills 可以一键导出为标准 API、MCP 服务器或原生工具，直接在 Claude Code、Cursor、Slack 等主流平台中被智能体调用。 如果你正在为 AI Agent 的不稳定、难复用、无法团队协作而头疼，这篇文章值得你从头读到尾——往下看有完整的原理分析、部署流程和实操教程。

莫潇羽@无忆研习社（www.wuyi.wiki）在持续关注 AI Agent 生态的过程中，发现了 Refly 这个非常有价值的开源项目。本文将从技术原理到实际操作，为你做一次系统性的深度拆解。如果你觉得这篇文章对你有帮助，欢迎分享给更多有需要的朋友。转载请注明出处：无忆研习社 www.wuyi.wiki。

一、为什么我们需要 Refly？——AI Agent 当前面临的核心困境

1.1 Prompt 驱动的 Agent 为什么不够稳定

近一两年，AI Agent 的概念异常火爆。无论是做内容运营、技术开发，还是企业管理，几乎每个团队都想用 Agent 来自动化一些工作。理想很美好：你只需要给 Agent 一句指令，它就能帮你完成调研、写作、数据整理甚至项目跟进。

但现实中，大多数人在第一次尝试时会觉得效果不错，换一个场景或者微调一下 Prompt，Agent 的表现就可能天差地别。这不是大模型本身"笨"，而是因为目前大部分 Agent 的能力构建方式存在根本性问题——它们依赖的是临时拼凑的 Prompt 和脆弱的脚本逻辑，缺乏标准化、可复用的"能力层"。

莫潇羽在无忆研习社（www.wuyi.wiki）日常测试各类 AI Agent 工具时，深刻体会到了这个痛点。比如你写了一段很好的 Prompt，让 Agent 帮你做竞品分析，效果很棒。过了两天，同事也想用，你把 Prompt 发给他，结果他用不同的模型跑出来完全不一样的东西。又比如你让 Agent 帮你整理一份数据报告，第一次跑得很顺利，第二次换了一组数据，格式就乱套了。这些问题的根源都在于：Prompt 本身是"自由文本"，它没有结构化的约束，也没有版本管理机制，更无法保证执行结果的一致性。

用一个比喻来说明：传统的 Prompt 驱动 Agent 就像是每次做饭都要从头找食材、看菜谱、摸索火候，而 Refly 所做的事情，是帮你把"红烧肉"这道菜的完整做法标准化成一个"技能卡片"——包括用什么食材、放多少调料、每一步怎么操作——不管谁来做、用什么灶台，只要调用这张卡片就能稳定输出。这种思路上的转变，正是从"Prompt 工程"到"Skill 工程"的关键跃迁。

1.2 现有工具链各自的局限

要理解 Refly 的价值，我们需要先看看目前市面上主流的 Agent 工具各自存在什么问题。

工作流编排工具（以 n8n、Dify 为代表） 这类工具擅长的是把多个 API 或服务按照预设的流程串联起来。比如"当收到邮件时 → 提取关键词 → 存入数据库 → 发送通知"。它们在流程编排上做得不错，但核心问题在于：工作流本质上是"触发式黑盒"——一旦触发条件不满足或者某个节点出错，整个流程就会中断；更重要的是，这些工作流很难被复用到其他场景，也很难被外部的 Agent 框架直接调用。

智能体框架（以 LangChain 为代表） LangChain 提供了丰富的基础组件——模型调用、文档加载、向量检索、链式推理等等。但使用它需要相当的工程能力，你需要手动编写大量的模板代码和胶水逻辑，后续的维护成本也非常高。对于非技术团队来说，门槛过高；对于技术团队来说，投入产出比也不理想。

通用型个人 Agent（如 OpenClaw 等） 这类工具追求的是"开箱即用"的自主性，用户给一个目标，Agent 自己拆解任务、调用工具、完成执行。它们的优势在于上手快、体验流畅，但劣势也很明显：执行过程的确定性差、容易产生"幻觉"、安全风险难以控制，而且几乎无法做版本管理、审计追溯和团队协作。

莫潇羽在无忆研习社（www.wuyi.wiki）整理了一张对比表格，帮你更直观地理解这些工具的差异：

1.3 真正的瓶颈：缺少标准化的 Agent 能力层

随着整个 AI 生态向更 Agentic 的方向演进——Claude Code、AutoGen、MCP 协议相继出现——真正的瓶颈已经不再是大模型本身的智能水平不够。大模型足够聪明了，缺的是可靠、可复用、可治理的标准化动作。换句话说，Agent 需要的不是更好的"大脑"，而是更好的"手和脚"。

这正是 Refly 想要解决的问题。

二、Refly 到底是什么？——从定位到核心概念

2.1 一句话定义

Refly 是首个开源的 Agent Skills 构建平台。它允许你用自然语言描述业务逻辑，然后将其编译成结构化、版本化的 Agent Skills，这些 Skills 可以被任何兼容的 Agent 框架和工具直接调用。

如果要用一个公式来概括，就是：

Refly = 自然语言输入 + 可视化画布 + Model-Native DSL 编译 + 多平台导出

2.2 关键概念解析

在深入了解 Refly 的原理之前，我们需要先弄清楚几个核心概念。

Skills（技能） 这是 Refly 体系中最基本的单元。一个 Skill 代表一个确定性的 Agent 能力——它有明确的输入、输出、执行逻辑和版本号。与临时性的 Prompt 不同，Skill 是结构化的、可复用的、可在不同工作流和团队之间共享的。你可以把 Skill 理解为"Agent 的标准化零件"。

Vibe Workflow（氛围驱动的工作流） 这是 Refly 独创的构建范式。所谓"Vibe"，指的是你不需要用精确的代码或者复杂的配置来描述工作流，而是用自然语言告诉系统"我想做什么"，系统会自动将你的意图拆解为可执行的节点和连接关系。当然，你也可以在可视化画布上手动调整和微调。这种方式既保留了自然语言的灵活性，又通过编译过程保证了执行的确定性。

具体来说，当你在 Vibe Mode 下输入一段描述后，系统会经历"智能任务分解 → 自动化任务执行 → 动态评估与再规划"三个阶段。智能任务分解阶段，系统会自动把你的复杂任务拆解为一系列可执行的子任务。自动化任务执行阶段，系统按顺序调用 Refly 内置的技能或通过 MCP 调用外部工具来完成每个子任务——比如使用搜索引擎、访问知识库、处理文本或生成代码。动态评估与再规划阶段，系统会根据每个子任务的执行结果来智能评估进展，如果遇到障碍或者发现了更好的路径，会动态调整计划以确保最终目标的达成。这种自适应的执行策略让 Vibe Workflow 比传统的静态工作流更加灵活和健壮。

Model-Native DSL（模型原生领域特定语言） 这是 Refly 内部使用的一套针对大模型优化的中间表示语言。当你用自然语言描述了一个工作流之后，Refly 不会直接把你的自然语言原文传给大模型执行，而是先将其编译成一种精简的、结构化的 DSL。这样做的好处有三个：第一，执行效率更高，因为 DSL 比自然语言更简洁和精确；第二，Token 消耗更低，在大规模运行时能显著节省成本；第三，行为的确定性更强，减少了大模型"自由发挥"导致偏差的可能性。

Intervenable Runtime（可干预运行时） 这是 Refly 区别于传统工作流工具的另一个关键特性。在传统工具中，工作流一旦启动就是"黑盒"运行，你只能等到结束后看结果。而 Refly 的运行时支持在执行过程中随时暂停、人工审核、注入规则、修改参数，甚至在某个节点失败时自动进行恢复和重试。这对于需要合规审计或者高可靠性的业务场景来说至关重要。

三、Refly 的技术架构深度解析

了解了基本概念之后，莫潇羽@无忆研习社接下来带你深入 Refly 的技术架构，看看它是怎么把这些理念落地的。

3.1 整体架构概览

Refly 的技术栈主要基于 TypeScript 构建，采用模块化的组件和插件架构。从代码仓库的结构来看，其核心由以下几个层次组成：

前端层（apps/web/） 基于 React 构建的 Web 应用，提供了自由画布（Free-form Canvas）界面。这个画布不是简单的拖拽编辑器，而是集成了多线程对话、知识库检索、MCP 工具调用、实时预览等多种能力的综合性工作台。前端使用了 ReactFlow 来实现可视化工作流的节点连接和布局，使用 Tiptap 作为富文本编辑器的底层引擎，UI 层面则采用了 Ant Design 和 Radix-UI 的组合。

后端层（apps/api/） 基于 NestJS 框架构建的 API 服务器。NestJS 的模块化设计与 Refly 的功能划分天然契合，每个核心功能都被封装为独立的模块。这些模块包括：

apps/api/src/modules/
├── skill/        # Agent Skills 管理
├── workflow/     # 工作流执行与规划
├── action/       # Agent 动作处理
├── mcp-server/   # MCP 协议集成
├── tool/         # 工具清单与执行（Composio 等）
├── drive/        # 文件与存储管理
├── schedule/     # 任务调度与多模型路由
├── rag/          # RAG 检索增强生成管道
├── knowledge/    # 知识库管理
├── auth/         # 认证与授权
├── canvas/       # 画布相关后端服务
└── ...

数据层 Refly 使用了多种数据存储方案来满足不同场景的需求：PostgreSQL 作为主数据库存储结构化数据（用户、Skills、工作流配置等）；Qdrant 作为向量数据库支持 RAG 检索和语义搜索；Redis 用于缓存和消息队列；MinIO 提供对象存储服务（文件、文档等）；SearXNG 作为内置的搜索引擎代理，为 Agent 提供网络搜索能力。

状态管理层 前端使用 Zustand 进行状态管理，后端通过 yjs 提供 CRDT（无冲突复制数据类型）基础，实现了多端数据同步。这意味着多个用户可以同时在同一个画布上协作编辑，不会出现数据冲突。

3.2 从自然语言到可执行 Skill 的编译过程

这是 Refly 最核心的技术亮点。整个编译过程可以分为四个阶段：

第一阶段：意图解析 当你在 Vibe Mode 下输入一段自然语言描述（比如"每天早上 9 点自动搜索竞品的最新动态，提取关键信息，生成一份简报发到 Slack"），Refly 的 Copilot 会首先对这段文本进行意图解析。它会识别出这段描述中隐含的任务节点（搜索、提取、生成、发送）、数据流向（搜索结果→提取→简报→Slack）以及触发条件（每天早上 9 点）。

第二阶段：工作流规划 解析出意图之后，系统会自动生成一个工作流的初始草图。这个草图包含了所有需要的节点及其连接关系。在可视化画布上，你可以看到每个节点的类型（Web Search、LLM、Output 等）和它们之间的数据流向。如果自动生成的结构不完全符合你的预期，你可以直接在画布上拖拽调整。

第三阶段：DSL 编译 确认工作流结构之后，Refly 会将其编译为 Model-Native DSL。这一步是关键——编译器会将每个节点的行为逻辑、输入输出接口、错误处理策略等信息转化为一种大模型能够高效理解和执行的中间表示。这种 DSL 经过专门优化，相比直接使用自然语言指令，在大模型推理时的 Token 消耗更少、行为一致性更高。

第四阶段：打包与注册 编译完成的 Skill 会被打包为一个独立的、可版本化的单元，注册到 Refly 的 Skills Registry（技能注册表）中。每个 Skill 都有唯一的标识、版本号、接口定义和执行日志。团队成员可以在注册表中搜索、复用和 Fork 这些 Skills。

3.3 可干预运行时的工作原理

Refly 的 Intervenable Runtime 是其有状态执行引擎的核心特性。与传统的"触发-执行-结束"模式不同，Refly 的运行时在执行过程中维护着完整的执行状态树。具体来说，它支持以下几种干预方式：

暂停与恢复 在工作流执行到任何一个节点时，你都可以手动暂停执行。暂停后，当前的执行状态（包括所有中间结果、上下文变量、已完成的节点等）会被完整保存。你可以检查中间结果，确认无误后恢复执行。

人工审核节点 你可以在工作流中插入"人工审核"节点。当执行到这个节点时，系统会自动暂停并通知审核人。审核人可以查看当前的输出结果，决定是放行、修改还是拒绝。这对于内容审核、合规检查等场景非常实用。

规则注入 在执行过程中，你可以动态注入业务规则来约束 Agent 的行为。例如，你可以设定"生成的文案中不能出现竞品名称"或者"数据分析报告中必须包含数据来源引用"等规则。这些规则会在运行时被强制执行，进一步减少大模型的"幻觉"问题。

故障恢复 当某个节点执行失败时（比如外部 API 超时、数据格式异常等），运行时不会直接终止整个工作流，而是会根据预设的恢复策略进行处理——可以是自动重试、切换到备用方案、或者回退到上一个检查点。

3.4 MCP 协议集成——连接 Agent 生态的桥梁

MCP（Model Context Protocol，模型上下文协议）是近期 Agent 生态中非常重要的一个标准化协议。它定义了 Agent 与外部工具之间的通信接口，使得不同的 Agent 框架可以通过统一的协议调用各种工具和服务。你可以把 MCP 理解为 Agent 世界的"USB 接口"——只要设备（工具）和电脑（Agent）都遵守这个接口标准，就能实现即插即用。

对于不熟悉 MCP 的读者，莫潇羽@无忆研习社在这里做一个简要的解释。在 MCP 出现之前，每个 Agent 框架想要调用外部工具，都需要单独写一套对接代码——调 Slack 写一套、调 GitHub 写一套、调数据库又写一套，工作量巨大且难以维护。MCP 协议的出现统一了这个接口：工具提供者只需要实现一次 MCP 服务器，所有支持 MCP 的 Agent 客户端就都能调用了。

Refly 对 MCP 的支持是双向的：

作为 MCP 客户端： Refly 可以连接任何兼容 MCP 协议的服务器，调用它们提供的工具和数据。目前 Refly 内置了一个 MCP Store，支持快速添加 GitHub、Firecrawl、DeepWiki、Gitee、Zapier 等常见的 MCP 服务器。你也可以配置自定义的第三方 MCP 服务器（支持 SSE 和 Streamable 协议）。

作为 MCP 服务器： Refly 构建好的 Skills 可以被导出为标准的 MCP 服务器。这意味着任何支持 MCP 协议的客户端——包括 Claude Code、Cursor、以及各类 Agent 框架——都可以直接调用你在 Refly 中构建的 Skills。

这种双向集成使得 Refly 成为了 Agent 生态中的一个"能力枢纽"：你可以在 Refly 中整合来自不同 MCP 服务器的工具，将它们编排成更复杂的 Skills，然后再通过 MCP 协议将这些 Skills 暴露给更多的 Agent 使用。

四、Refly 的多平台导出能力详解

Refly 的一大亮点是构建好的 Skills 不会被锁定在 Refly 平台内部，而是可以通过多种方式导出到你已有的工作环境中。莫潇羽在测试过程中发现，这种灵活的导出能力是 Refly 区别于大多数同类工具的核心竞争力之一。

4.1 导出为 Claude Code Skills

Claude Code 是 Anthropic 推出的命令行 AI 编程工具，支持通过 Skills 来扩展其能力。Refly 提供了将工作流直接导出为 Claude Code Skills 的功能。导出后，你的工作流会变成一个标准化的工具，Agent 可以在 Claude Code 的工作流中像调用内置命令一样调用它。

这意味着什么？举个例子：假设你在 Refly 中构建了一个"竞品分析"的 Skill，它可以自动搜索指定竞品的最新动态、提取关键数据、生成分析报告。导出为 Claude Code Skill 后，你在用 Claude Code 编程时，只需要说"用竞品分析 Skill 分析一下 XX 公司最近的动向"，Agent 就会自动调用这个 Skill 并返回结果。

4.2 导出为标准 API

对于需要与自定义应用集成的场景，Refly 支持将 Skills 导出为经过认证的、有状态的 API 端点。这些 API 遵循标准的 RESTful 风格，支持 Bearer Token 认证，并且是有状态的——你可以查询执行状态、获取中间结果。

调用方式非常直接，以下是一个典型的 API 调用示例：

# 触发工作流执行
curl -X POST https://your-refly-instance.com/api/v1/workflows/{WORKFLOW_ID}/execute \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "input": {
      "product_url": "https://example.com/product"
    }
  }'

# 查询执行状态
curl https://your-refly-instance.com/api/v1/executions/{execution_id} \
  -H "Authorization: Bearer YOUR_API_KEY"

这种 API 形式特别适合与 Lovable 等应用构建平台集成，让你的 AI Skills 成为应用后端逻辑的一部分。

4.3 导出为 Webhook

对于 Slack、飞书（Lark）、Microsoft Teams 等即时通讯平台，Refly 支持将 Skills 导出为智能 Webhook。配置完成后，你可以在这些平台中通过特定的触发方式（比如在 Slack 频道中 @机器人 并发送指令）来调用 Refly 的 Skills。

4.4 兼容主流 Agent 框架

除了上述导出方式之外，Refly 构建的 Skills 还直接兼容 AutoGen、Manus、LangChain 以及自定义的 Python 技术栈。这意味着如果你的团队已经在使用这些框架，可以无缝地将 Refly Skills 集成到现有的工作流中。

五、手把手实操：从零部署 Refly

接下来是实操环节。莫潇羽@无忆研习社将一步步带你完成 Refly 的本地部署，尽量做到对新手友好。

5.1 硬件与软件前置条件

在开始部署之前，请确认你的机器满足以下最低要求：

硬件方面：

• CPU：至少 2 核（推荐 4 核以上）
• 内存（RAM）：至少 4GB（推荐 8GB 以上，如果你打算同时运行多个工作流，建议 16GB）
• 存储空间：至少 20GB 可用磁盘空间（Docker 镜像和数据库会占用不少空间）

软件方面：

• Docker：版本 24.0 或更高（如果你还没有安装 Docker，可以在 Docker 官网下载对应操作系统的安装包）
• Docker Compose：版本 2.20 或更高（较新版本的 Docker Desktop 已经内置了 Docker Compose）

如果你不确定自己的 Docker 版本，可以在终端中运行以下命令检查：

docker --version
docker compose version

5.2 克隆代码仓库

打开终端，执行以下命令：

git clone https://github.com/refly-ai/refly.git
cd refly

如果你只是想部署使用，不需要查看完整的 Git 历史记录，可以加上 --depth 1 参数来加快下载速度并节省磁盘空间：

git clone --depth 1 https://github.com/refly-ai/refly.git
cd refly

5.3 配置环境变量

进入 Docker 部署目录并复制示例配置文件：

cd deploy/docker
cp ../../apps/api/.env.example .env

接下来需要编辑 .env 文件。你可以使用任何文本编辑器，比如 nano 或 vim：

nano .env

在 .env 文件中，有几个关键的配置项需要关注：

大模型 API Key（必填） 这是 Refly 运行的核心依赖。你需要配置至少一个大模型提供商的 API Key。Refly 支持多种主流模型提供商，包括 OpenAI、Anthropic、DeepSeek 等。具体的 Key 配置方式会在注册登录后在 Web 界面中完成。

邮件发送服务（可选） 如果你需要邮件通知功能，需要配置 Resend 的 API Key：

RESEND_API_KEY=your_resend_api_key

你可以在 https://resend.com/ 注册并获取免费的 API Key。

图像/音频/视频生成（可选） 如果需要在工作流中集成多媒体生成能力，可以配置 Fal.ai 的 API Key：

TOOLSET_FAL_API_KEY=your_fal_api_key

你可以在 https://fal.ai/ 获取 Key。

云服务器部署注意事项 如果你是在云服务器上部署，并且打算通过 IP 地址而非 localhost 来访问，需要额外设置一些环境变量。详细说明可以参考 Refly 官方文档：http://docs.refly.ai/zh/community-version/self-deploy/faq-ip-access

5.4 启动应用

配置完成后，在 deploy/docker 目录下执行：

docker compose up -d

这个命令会在后台启动所有必要的容器。第一次启动时需要下载 Docker 镜像，根据你的网络状况可能需要几分钟到十几分钟不等。

启动完成后，运行以下命令检查各容器的状态：

docker ps

正常情况下，你应该能看到以下容器都处于 Up 和 healthy 状态：

如果某个容器的状态不是 healthy，可以按照以下步骤排查：

# 查看哪些容器状态异常
docker ps --filter name=refly_ | grep -v 'healthy'

# 查看异常容器的日志
docker logs <容器ID>

# 如果是 refly_api 容器出问题，可以尝试重启
docker restart refly_api

还有一个常见问题：端口 5700 可能已经被其他程序占用了。如果遇到这种情况，可以编辑 docker-compose.yml 文件，将 5700 改为其他未占用的端口。

5.5 注册与初始配置

一切正常后，在浏览器中打开 http://localhost:5700（如果是云服务器，将 localhost 替换为你的服务器 IP）。

第一步：注册账号 使用你的邮箱和密码完成注册。这是 Refly 本地实例的账号，数据全部存储在你自己的服务器上。

第二步：配置大模型 点击右上角的账户图标，进入"设置（Settings）"。在模型配置页面：

• 添加一个模型提供商（Provider）。如果你有 OpenAI 的 API Key，选择 OpenAI；如果有 Anthropic 的 Key，选择 Anthropic。你也可以通过 OpenRouter 来接入多种模型。
• 输入对应的 API Key。
• 选择要使用的聊天模型，并将其设置为默认模型。

如果你希望使用本地部署的开源模型（如通过 Ollama 运行的 Llama、Qwen 等），Refly 也提供了 Ollama 集成方案，你需要在 .env 文件中配置 Ollama 的相关环境变量。具体配置方法可以参考：https://docs.refly.ai/community-version/self-deploy/ollama

通过 SQL 批量配置模型 对于更高级的用户，Refly 还提供了通过 SQL 脚本批量导入模型配置的方式。这在需要一次性配置多个模型时非常方便：

# 导入 OpenAI 模型配置
curl https://raw.githubusercontent.com/refly-ai/refly/main/deploy/model-providers/openai.sql | docker exec -i refly_db psql -U refly -d refly

# 导入 DeepSeek 模型配置
curl https://raw.githubusercontent.com/refly-ai/refly/main/deploy/model-providers/deepseek.sql | docker exec -i refly_db psql -U refly -d refly

# 导入 OpenRouter 模型配置（可接入多种模型）
curl https://raw.githubusercontent.com/refly-ai/refly/main/deploy/model-providers/openrouter.sql | docker exec -i refly_db psql -U refly -d refly

需要注意的是，Refly 目前一次只支持一个模型提供商。如果你需要切换提供商，或者遇到 duplicate key value violates unique constraint "model_infos_name_key" 错误，需要先清除数据库中的旧模型配置。

六、实战演练：创建你的第一个工作流

部署和配置完成后，我们来创建第一个真正的工作流。莫潇羽@无忆研习社会以"产品调研自动化"作为示例，带你走完整个流程。

6.1 创建新工作流

在 Refly 首页，点击"New Workflow"（新建工作流）。系统会提供两种创建方式：

Blank Canvas（空白画布） 选择这个选项后，你会看到一个空白的可视化画布。你可以手动从左侧工具栏中拖拽各种节点到画布上，然后通过连线来定义它们之间的数据流向。这种方式适合对工作流结构有清晰规划的用户。

Vibe Mode（自然语言模式） 这是 Refly 的招牌功能。选择 Vibe Mode 后，你只需要在输入框中用自然语言描述你想要的工作流，Copilot 会自动帮你生成完整的工作流结构。

6.2 使用 Vibe Mode 创建产品调研工作流

假设你是一个产品经理，需要定期调研竞品的最新动态。在 Vibe Mode 下，你可以这样描述：

"帮我创建一个产品调研工作流：首先根据输入的产品名称在网上搜索最新的相关信息，然后用大模型分析搜索结果，提取产品的核心功能更新、用户口碑变化和定价策略变化，最后把分析结果整理成一份结构化的调研报告。"

按下回车后，Copilot 会在几秒钟内自动生成一个包含多个节点的工作流：

• Input 节点：接收产品名称作为输入参数
• Web Search 节点：根据产品名称执行网络搜索
• LLM 节点：对搜索结果进行智能分析和信息提取
• Output 节点：将分析结果格式化为调研报告

你可以在画布上看到这些节点以及它们之间的连接线。如果你觉得某个环节需要调整——比如想在搜索之后加一个"人工审核"节点来确认搜索结果的质量——直接在画布上操作即可。

6.3 配置节点参数

每个节点都有可配置的参数。点击任意节点可以查看和修改其详细设置。

以 Web Search 节点为例，你可以配置搜索引擎的选择、搜索结果的数量上限、搜索语言偏好等。Refly 内置了 SearXNG 作为搜索引擎代理，它是一个开源的元搜索引擎，可以同时聚合来自多个搜索引擎的结果，既保护了隐私又提高了搜索质量。

以 LLM 节点为例，你可以配置：

• 使用的模型：选择之前配置好的模型（如 GPT-4o、Claude 系列、DeepSeek 等）
• 系统提示词：定义这个 LLM 节点的具体任务。比如："你是一个专业的产品分析师。请根据以下搜索结果，提取目标产品的核心功能更新、用户口碑变化和定价策略变化，以 JSON 格式输出。"
• 温度参数：控制输出的随机性。对于分析类任务，建议设为较低的值（如 0.2-0.3）以获得更稳定的输出。对于创意类任务，可以适当调高到 0.7-0.9。
• 输出格式：定义期望的输出结构。
• 最大 Token 数：限制输出的长度，避免模型过度生成。

以 Output 节点为例，你可以配置输出的格式模板——是生成 Markdown 文档、JSON 数据，还是纯文本。你还可以设置输出的渠道：是显示在画布上、保存为文件，还是通过 API 返回给调用方。

6.4 使用模板加速构建

对于新手来说，从零开始构建工作流可能会有些无从下手。Refly 提供了丰富的工作流模板库，覆盖了内容创作、市场调研、数据分析、社交媒体运营等多个常见场景。你可以先选择一个接近自己需求的模板，然后在此基础上进行修改和定制。

模板的使用方式也很简单：在新建工作流时，直接选择"从模板创建"，浏览模板列表，找到合适的模板后点击"使用此模板"即可。系统会自动将模板中的所有节点和连接关系复制到你的画布上。

6.5 测试与调试

配置完成后，点击画布右上角的"Run"（运行）按钮，输入测试数据（比如一个产品名称），就可以看到工作流的实时执行过程。

在执行过程中，你可以：

• 在每个节点旁边看到实时的执行状态（排队中、执行中、已完成、失败）
• 点击已完成的节点查看其输出结果
• 如果某个节点的输出不符合预期，可以直接修改该节点的配置并重新运行
• 查看完整的执行日志，了解每个环节的耗时和 Token 消耗

Refly v1.1.0 版本引入了实时执行日志功能，让工作流的执行过程变得完全透明——官方称之为把"黑盒"变成了"玻璃盒"。你可以清楚地看到每个节点在执行过程中做了什么、耗时多少、消耗了多少 Token、返回了什么结果。如果某个节点执行异常，日志中会详细显示错误信息和调用堆栈，帮助你快速定位问题。

6.6 保存与版本管理

测试通过后，点击"Save"（保存）来保存你的工作流。Refly 会自动为这次保存创建一个版本记录。每次修改和保存都会生成新的版本，你可以随时回退到之前的任何一个版本。

七、进阶玩法：将 Skill 接入外部平台

工作流创建并测试通过之后，最有价值的一步是将它导出到实际的工作环境中使用。

7.1 接入 Claude Code

将 Refly 工作流导出为 Claude Code Skill 的大致步骤如下：

• 在 Refly 的工作流编辑界面，找到导出选项
• 选择"Export as Claude Code Skill"
• 系统会生成一个标准化的 Skill 包，包含必要的接口定义和元数据
• 在 Claude Code 环境中注册这个 Skill

导出后，这个 Skill 就可以在 Claude Code 和 Cursor 的工作流中被 Agent 作为标准化工具直接调用了。

这里有必要解释一下 Claude Code 的 Skill 机制，方便不熟悉的读者理解。Claude Code 支持通过 SKILL.md 文件来定义扩展能力。每个 Skill 本质上是一个包含指令、模板和参考资料的文件夹，其中 SKILL.md 是核心文件，定义了 Skill 的名称、描述、触发条件和执行逻辑。Refly 导出的 Claude Code Skill 会自动生成符合这一规范的文件结构，你无需手动编写 SKILL.md——这正是 Refly 帮你省下的工作。

对于已经在使用 Claude Code 的开发者来说，这意味着你可以把 Refly 当作一个"Skill 的可视化工厂"。在 Refly 中通过拖拽和自然语言构建的复杂工作流，最终会被编译成一个精简的、Claude Code 可以直接理解和执行的 Skill 文件。Agent 调用这个 Skill 时，不需要重新理解复杂的自然语言指令，而是直接按照编译后的结构化逻辑执行，确定性大大提高。

7.2 接入 Slack / 飞书

对于团队协作场景，将 Skill 以 Webhook 的形式接入即时通讯平台是非常实用的。设想一下：你的团队在 Slack 频道中 @一个机器人，说"分析一下竞品 XX 的最新动态"，几秒钟后 Refly 的 Skill 就会自动执行并把调研报告发回频道。这种工作方式可以大大提高团