Refly: platform Vibe Workflow sumber terbuka yang mengubah percakapan jadi proses yang bisa dipakai ulang

Refly menyebut dirinya platform Vibe Workflow sumber terbuka pertama di dunia, dan idenya bukan sekadar kotak obrolan lain melainkan kanvas bebas. Di sana Anda membuka beberapa percakapan mandiri, menyebar ide, sumber, dan hasil pencarian, menghubungkannya, lalu berakhir dengan dokumen atau proses yang bisa diulang. Ada lebih dari 13 model bahasa utama terintegrasi, pemrosesan berkas multimodal, sistem keterampilan dan mesin basis pengetahuan; bisa dipakai di cloud atau dihosting sendiri lewat Docker.

Masalah satu utas adalah ia sekaligus lupa dan mengaburkan. Pada pertukaran keempat belas, kerangka yang Anda tetapkan, opsi yang dibuang, dan sumber yang dikutip bercampur dalam satu konteks dan model mulai kehilangan arah. Refly menaruh percakapan sebagai simpul di kanvas, masing-masing dengan konteksnya, dan Anda menentukan persis simpul mana yang ikut pada putaran ini dan mana yang menunggu. Ini lebih dekat ke cara kerja nyata: beberapa jalur berjalan lalu bertemu saat diperlukan.

Lapisan kedua adalah pendokumentasian. Jawaban sekali pakai hilang; Refly berusaha menyimpan prosesnya: dari mana bahannya, keterampilan apa yang memproses, model mana yang berjalan, apa yang dihasilkan. Terbuka sumbernya penting di sini, karena alur maupun data tidak harus terkunci di server satu vendor.

Kemampuan utama

Percakapan banyak utas

Beberapa konteks percakapan dikelola paralel dan Anda bebas berpindah antar simpul, sehingga alur agen yang rumit mungkin dilakukan tanpa menjejalkan semuanya ke satu garis waktu.

Kerangka banyak model

Lebih dari 13 model utama terhubung dengan penjadwalan campuran dan pemrosesan paralel, jadi berganti model tidak berarti berganti alat dan antarmuka obrolan tetap satu.

Pemrosesan multimodal

PDF, DOCX, TXT dan lebih dari tujuh format berkas serta gambar umum seperti PNG dan JPG diproses secara batch.

Keterampilan berbasis AI

Kemampuan seperti Perplexity AI dan Stanford Storm menyediakan pencarian web, pengambilan pengetahuan, penulisan ulang pertanyaan, dan rekomendasi.

Manajemen konteks dan basis pengetahuan

Basis pengetahuan sementara bisa dibangun dan simpul dipilih sebagai konteks; basis menerima sumber heterogen, melakukan pencarian semantik pada RAG, dan membangun graf pengetahuan.

Pengumpulan dan kliping

Pengumpulan sekali klik dari platform seperti GitHub dan Medium dengan klasifikasi serta tag otomatis, plus kliping halaman mana pun untuk perpustakaan pribadi.

Cara memakainya

1. Buka situs, tekan mulai, dan masuk dengan Google atau GitHub, atau langsung buka Refly Cloud.
2. Pilih buat kanvas di layar utama dan perlakukan pekerjaan ini sebagai ruang kerja, bukan satu pertanyaan.
3. Buka beberapa percakapan di kanvas dan biarkan arah berbeda berjalan paralel.
4. Revisi dengan umpan balik AI dan bawa hanya simpul yang perlu ke putaran berikutnya.
5. Setelah selesai, ekspor ke dokumen atau bagikan untuk tinjauan bersama.
6. Untuk hosting sendiri, terapkan dengan Docker; minimum dua inti CPU dan 4 GB memori. Penerapan privat perusahaan tersedia lewat tim.

Pilihan penerapan

• Cloud: buka Refly Cloud dan gunakan semua fitur tanpa konfigurasi, langkah pertama yang masuk akal sebelum hosting sendiri.
• Hosting sendiri dengan Docker: dua inti CPU dan 4 GB RAM sebagai minimum, satu perintah kontainer menyalakan layanan.
• Pengembangan lokal: ikuti CONTRIBUTING.md di repositori, berguna bila ingin mengubah kode atau menyambungkan model sendiri.
• Perusahaan: hubungi tim untuk penerapan privat ketika lokasi data menjadi syarat keras.
• Catatan biaya: hosting sendiri menghapus langganan tetapi menambah tagihan API model, pengelolaan kunci, dan pembaruan; hitung per bulan.

Cocok untuk siapa

• Peneliti yang menekuni topik rumit berminggu-minggu dan menyimpan sumber, hipotesis, serta kesimpulan di simpul terpisah yang tidak saling mencemari.
• Penulis dokumentasi teknis atau artikel panjang yang menjaga ide dan naskah akhir di satu kanvas.
• Mereka yang membangun basis pengetahuan pribadi, dengan pengumpulan, kliping, dan pencarian dalam satu jalur.
• Tim yang peduli di mana data berada: sumber terbuka plus hosting sendiri menjaga proses dan materi di mesin sendiri.
• Mereka yang memakai beberapa model dan ingin memilih sesuai tugas, bukan terikat satu model.

Batasan dan catatan

• Utas dan kanvas punya biaya belajar; yang terbiasa satu percakapan panjang akan merasa pengelolaan simpul lebih berat daripada pertanyaannya pada awal pemakaian.
• Lebih dari 13 model berarti mutu bergantung pada model yang dipilih dan cara memanggilnya, dan prompt yang sama berperilaku cukup berbeda di tiap model.
• Basis pengetahuan bergantung pada RAG dan pencarian semantik, jadi strategi pemotongan dan mutu sumber menentukan hasil; masukan buruk tetap keluaran buruk.
• Hosting sendiri berarti menanggung tagihan API, pengelolaan kunci, dan pembaruan, dan dua inti dengan 4 GB adalah batas bawah, bukan kenyamanan.
• Sumber tidak menyebut kuota atau penagihan tiap model, jadi selisih biaya cloud dan hosting sendiri perlu dihitung sendiri.
• Kebijakan penyimpanan data dan pemakaian untuk pelatihan tidak dirinci; pastikan sebelum menangani kontrak dan data pribadi.

Pertanyaan umum

Apa bedanya Refly dengan obrolan AI biasa?

Alat biasa adalah satu garis percakapan; Refly adalah kanvas tempat beberapa percakapan berjalan paralel, simpul dapat dipilih tepat sebagai konteks, dan keluarannya mengendap menjadi proses yang bisa dipakai ulang.

Bisakah dihosting sendiri?

Bisa. Proyek mendokumentasikan jalur Docker dengan minimum dua inti CPU dan 4 GB memori; tersedia juga cloud dan penerapan privat perusahaan.

Berkas apa yang didukung?

Sumber menyebut PDF, DOCX, TXT dan lebih dari tujuh format dokumen, serta gambar umum seperti PNG dan JPG.

Apakah harus bisa coding?

Tidak. Kanvas dijalankan lewat percakapan dan operasi simpul; baris perintah dan berkas konfigurasi hanya muncul pada hosting sendiri dan pengembangan lokal.