Refly：会話を再利用できる制作フローに変える、オープンソースの Vibe Workflow 基盤

Refly は自らを世界初のオープンソース Vibe Workflow 基盤と称します。狙いは「もう一つのチャット欄」ではなく、自由なキャンバスです。その上で複数の独立した会話を開き、アイデアや資料、検索結果を並べてつなぎ、最後に文書や再現可能な手順として残します。13 以上の主要な大規模言語モデルを統合し、マルチモーダルなファイル解析、スキル体系、知識ベースエンジンを備え、クラウドでも Docker による自前運用でも動きます。

単一スレッドの難点は「忘れる」と「混ざる」が同時に起きることです。14 往復目には、決めた枠組み、捨てた案、引用した資料が同じ文脈に詰め込まれ、モデルは筋を見失います。Refly は会話をキャンバス上のノードとして分け、ノードごとに文脈を持たせ、今回のやり取りにどのノードを参加させるかを細かく指定できます。これは人が実際に働く姿に近い形です。複数の線を同時に進め、必要になったら合流させます。

二つ目の層は「蓄積」です。一度きりの回答は消えますが、Refly は手順を残そうとします。資料がどこから来たか、どのスキルが処理したか、どのモデルが動いたか、何が出たか。オープンソースである意味はここにあり、フローもデータも特定ベンダーのサーバーに閉じ込められません。

主な機能

マルチスレッド会話

複数の独立した会話文脈を並行して管理し、ノード間を自由に切り替えられます。すべてを一本の時系列に詰め込まずに複雑なエージェント的ワークフローを回せます。

マルチモデル統合

13 以上の主要モデルを統合し、混合スケジューリングと並列処理に対応します。モデルを変えても道具を変える必要がなく、対話インターフェースは共通です。

マルチモーダル処理

PDF、DOCX、TXT など 7 種類以上のファイル形式と、PNG や JPG などの主要画像形式を一括で解析できます。

AI 駆動のスキル

Perplexity AI や Stanford Storm などの能力を統合し、ウェブ全体の検索、知識検索、問いの書き換え、推薦を提供します。

文脈管理と知識ベース

一時的な知識ベースを組み、ノードを文脈として選べます。知識ベースは異種のデータ源を取り込み、RAG による意味検索を行い、知識グラフを構築します。

取り込みとクリップ

GitHub や Medium などからワンクリックで収集し、自動で分類とタグ付けを行います。任意のページを切り取って個人の知識ベースを育てられます。

使い方

1. 公式サイトで開始を押し、Google または GitHub アカウントでログインします。Refly Cloud を直接開くこともできます。
2. メイン画面でキャンバス作成を選び、この制作を一回の質問ではなく作業空間として扱います。
3. キャンバス上で複数の会話を開き、アイデアや問いを入れながら別々の方向を並行して進めます。
4. AI の返答を見て内容を直し、必要なノードだけを次の往復に持ち込みます。
5. 完成したら文書として書き出すか、共有して共同レビューに回します。
6. 自前で運用する場合は Docker で展開します。最低要件は 2 コア CPU と 4GB メモリで、企業向けの私有化は公式チームに相談します。

展開方法

• クラウド版：Refly Cloud を開けば設定なしで全機能を使えます。まず試してから自前運用を判断するのに向きます。
• Docker 自前運用：最低 2 コア CPU、4GB メモリ。コンテナのコマンド一発でサービスが起動します。
• ローカル開発：リポジトリの CONTRIBUTING.md に従って環境を作ります。コードを変えたい人や独自モデルをつなぎたい人向けです。
• 企業向け私有化：データの所在に厳格な要件がある組織は公式チームに相談します。
• コストの注意：自前運用はサブスクリプションを省く代わりに、モデル API の請求、鍵管理、更新作業を負います。月単位で試算が必要です。

向いている人

• 複雑なテーマを数週間かけて進める研究者：資料、仮説、結論をノードで分ければ互いに汚染されません。
• 技術文書や長文を書く人：構想から完成稿まで同じキャンバスに置けます。
• 個人の知識を蓄積したい人：収集、クリップ、検索が一本の線になります。
• データの所在を気にするチーム：オープンソースと自前運用で、フローも資料も自分の機械に残ります。
• 複数のモデルを使う人：一つのモデルに縛られず、作業ごとに選べます。

制約と注意点

• スレッドとキャンバスには学習コストがあります。一本の会話で最後まで聞くのに慣れた人は、最初の数回はノード管理のほうが質問より負担に感じます。
• 13 以上のモデルは、品質が選んだモデルと呼び出し方に依存することを意味します。同じプロンプトでもモデルごとに結果が大きく違います。
• 知識ベースは RAG と意味検索に依存するため、分割方針と資料の質が検索精度を決めます。悪い入力は悪い出力になります。
• 自前運用はモデル API の費用、鍵管理、更新を自分で負います。2 コア 4GB は最低線であり、快適さの保証ではありません。
• 資料には各モデルの枠や課金方式の記載がなく、クラウドと自前運用の費用差は自分で試算する必要があります。
• データの保持方針と学習利用は資料に記載がなく、契約書や個人情報を扱う前に確認が必要です。

よくある質問

Refly は普通の AI チャットと何が違いますか？

普通の道具は会話が一本の線です。Refly はキャンバスで、複数の会話が並行し、ノードを文脈として細かく選べ、出力は再利用できる手順として残せます。

自前で運用できますか？

できます。公式は Docker での手順と最低 2 コア CPU、4GB メモリを示しています。クラウド版と企業向け私有化もあります。

どのファイルに対応しますか？

PDF、DOCX、TXT など 7 種類以上の文書形式と、PNG や JPG などの主要画像形式に対応するとされています。

コードを書かないと使えませんか？

いいえ。キャンバスは会話とノード操作が中心で、コマンドや設定ファイルが必要になるのは自前運用とローカル開発だけです。