Refly: Open-Source-Plattform für Vibe Workflow, die Gespräche in wiederverwendbare Abläufe verwandelt

Refly nennt sich die erste Open-Source-Plattform für Vibe Workflow, und gemeint ist nicht noch ein Chatfenster, sondern eine freie Leinwand. Darauf öffnet man mehrere unabhängige Gespräche, breitet Ideen, Quellen und Suchergebnisse aus, verbindet sie und landet bei einem Dokument oder einem wiederholbaren Ablauf. Integriert sind über 13 große Sprachmodelle, multimodale Dateiverarbeitung, ein Skill-System und eine Wissensbasis; nutzbar in der Cloud oder selbst gehostet mit Docker.

Das Problem eines einzelnen Threads ist, dass er zugleich vergisst und verwischt. Beim vierzehnten Austausch liegen das festgelegte Gerüst, die verworfenen Optionen und die zitierten Quellen in einem Kontext, und das Modell verliert den Faden. Refly legt Gespräche als Knoten auf eine Leinwand, jeder mit eigenem Kontext, und man bestimmt genau, welche Knoten in dieser Runde mitwirken und welche pausieren. Das kommt der realen Arbeit näher: mehrere Linien laufen, werden bei Bedarf zusammengeführt.

Die zweite Ebene ist Verstetigung. Eine einmalige Antwort verschwindet; Refly will den Ablauf behalten: woher das Material kam, welcher Skill es verarbeitet hat, welches Modell lief, was herauskam. Open Source zählt hier, weil weder Ablauf noch Daten auf den Servern eines Anbieters eingeschlossen sein müssen.

Kernfunktionen

Mehrere Gesprächs-Threads

Mehrere unabhängige Gesprächskontexte laufen parallel, und man wechselt frei zwischen Knoten; so wird ein komplexer agentischer Ablauf möglich, statt alles in eine Zeitlinie zu zwängen.

Multi-Modell-Rahmen

Über 13 große Modelle sind mit gemischter Steuerung und paralleler Verarbeitung angebunden, sodass ein Modellwechsel keinen Werkzeugwechsel verlangt und die Chat-Oberfläche einheitlich bleibt.

Multimodale Verarbeitung

PDF, DOCX, TXT und mehr als sieben Dateiformate sowie gängige Bildformate wie PNG und JPG lassen sich im Stapel verarbeiten.

KI-gestützte Skills

Fähigkeiten wie Perplexity AI und Stanford Storm liefern Websuche, Wissensabruf, Umformulierung von Fragen und Empfehlungen.

Kontextverwaltung und Wissensbasis

Eine temporäre Wissensbasis lässt sich aufbauen und Knoten als Kontext wählen; die Basis nimmt heterogene Quellen auf, sucht semantisch über RAG und baut einen Wissensgraphen.

Erfassen und Ausschneiden

Ein-Klick-Sammlung von Plattformen wie GitHub und Medium mit automatischer Klassifizierung und Tags, dazu Ausschneiden beliebiger Seiten für die eigene Bibliothek.

So wird es benutzt

1. Website öffnen, auf Start klicken und mit Google oder GitHub anmelden; alternativ direkt Refly Cloud öffnen.
2. Im Hauptfenster Leinwand erstellen wählen und die Arbeit als Arbeitsbereich behandeln, nicht als einzelne Frage.
3. Mehrere Gespräche auf der Leinwand öffnen und verschiedene Richtungen parallel laufen lassen.
4. Mit dem Feedback der KI überarbeiten und nur die nötigen Knoten in die nächste Runde nehmen.
5. Am Ende als Dokument exportieren oder zur gemeinsamen Prüfung teilen.
6. Für Selbstbetrieb mit Docker bereitstellen; Minimum sind zwei CPU-Kerne und 4 GB Speicher. Private Unternehmensvarianten gibt es auf Anfrage.

Betriebsarten

• Cloud: Refly Cloud öffnen und alle Funktionen ohne Konfiguration nutzen, ein sinnvoller erster Schritt vor dem Selbsthosting.
• Docker-Selbsthosting: zwei CPU-Kerne und 4 GB Arbeitsspeicher als angegebenes Minimum, ein Containerbefehl startet den Dienst.
• Lokale Entwicklung: der CONTRIBUTING.md im Repository folgen, passend für alle, die Code ändern oder eigene Modelle anbinden wollen.
• Unternehmen: für private Bereitstellung das Team kontaktieren, wenn der Datenstandort harte Vorgabe ist.
• Kostenhinweis: Selbsthosting spart das Abo, bringt aber Modell-API-Rechnungen, Schlüsselverwaltung und Updates mit; monatlich durchrechnen.

Für wen es passt

• Forschende, die ein komplexes Thema über Wochen verfolgen und Quellen, Hypothesen und Ergebnisse in getrennten Knoten halten, die sich nicht vermischen.
• Wer technische Dokumentation oder lange Texte schreibt und Ideenfindung wie Endfassung auf einer Leinwand behält.
• Wer eine persönliche Wissensbasis aufbaut, mit Erfassen, Ausschneiden und Abruf in einer Linie.
• Teams, denen der Datenstandort wichtig ist: Open Source plus Selbsthosting hält Ablauf und Material auf eigenen Rechnern.
• Wer mehrere Modelle nutzt und je Aufgabe wählen will, statt an eines gebunden zu sein.

Grenzen und Vorbehalte

• Threads und Leinwand kosten Lernzeit; wer ein langes Gespräch gewohnt ist, findet Knotenverwaltung anfangs aufwendiger als die Frage selbst.
• Über 13 Modelle heißt, die Qualität hängt vom gewählten Modell und der Aufrufart ab, und derselbe Prompt verhält sich je nach Modell deutlich anders.
• Die Wissensbasis beruht auf RAG und semantischer Suche, also entscheiden Aufteilungsstrategie und Quellenqualität über das Ergebnis; schlechte Eingabe bleibt schlechte Ausgabe.
• Selbsthosting bedeutet eigene API-Rechnungen, Schlüsselverwaltung und Updates, und zwei Kerne mit 4 GB sind eine Untergrenze, keine komfortable Ausstattung.
• Die Quelle nennt weder Kontingente noch Abrechnung einzelner Modelle, der Kostenunterschied zwischen Cloud und Selbstbetrieb ist selbst zu rechnen.
• Aufbewahrung und Nutzung fürs Training werden nicht beschrieben; vor Verträgen und personenbezogenen Daten klären.

Häufige Fragen

Worin unterscheidet sich Refly von einem normalen KI-Chat?

Ein normales Werkzeug ist eine Gesprächslinie; Refly ist eine Leinwand, auf der mehrere Gespräche parallel laufen, Knoten präzise als Kontext gewählt werden und das Ergebnis zu einem wiederverwendbaren Ablauf wird.

Lässt es sich selbst hosten?

Ja. Das Projekt dokumentiert einen Docker-Weg mit angegebenem Minimum von zwei CPU-Kernen und 4 GB Speicher; dazu gibt es Cloud und private Unternehmensvarianten.

Welche Dateien werden unterstützt?

Die Quelle nennt PDF, DOCX, TXT und mehr als sieben Dokumentformate sowie gängige Bildformate wie PNG und JPG.

Muss ich programmieren können?

Nein. Die Leinwand läuft über Gespräch und Knotenoperationen; nur Selbsthosting und lokale Entwicklung brauchen Kommandozeile und Konfigurationsdateien.