Refly: 대화를 재사용 가능한 제작 흐름으로 바꾸는 오픈소스 Vibe Workflow 플랫폼

Refly는 스스로를 세계 최초의 오픈소스 Vibe Workflow 플랫폼이라고 소개합니다. 목표는 또 하나의 채팅창이 아니라 자유로운 캔버스입니다. 그 위에서 여러 개의 독립 대화를 열고 아이디어와 자료, 검색 결과를 펼쳐 연결한 뒤 문서나 반복 가능한 절차로 남깁니다. 13개 이상의 주요 대규모 언어 모델을 통합하고 멀티모달 파일을 해석하며 스킬 체계와 지식베이스 엔진을 갖췄고, 클라우드에서도 Docker 자체 호스팅으로도 돌아갑니다.

단일 스레드의 문제는 잊어버림과 뒤섞임이 동시에 온다는 점입니다. 열네 번째 차례쯤이면 정한 틀, 버린 안, 인용한 자료가 한 문맥에 몰려 모델이 흐름을 놓칩니다. Refly는 대화를 캔버스 위 노드로 나누고 노드마다 문맥을 따로 두어, 이번 차례에 어떤 노드를 넣고 어떤 노드를 잠시 빼둘지 정확히 고를 수 있게 합니다. 여러 갈래를 동시에 밀고 필요할 때 합치는 실제 업무 방식에 가깝습니다.

두 번째 층은 축적입니다. 한 번 쓰고 사라지는 답과 달리 Refly는 절차를 남기려 합니다. 자료가 어디서 왔고 어떤 스킬이 처리했고 어떤 모델이 돌았고 무엇이 나왔는지. 오픈소스라는 점이 여기서 의미를 갖습니다. 흐름과 데이터를 특정 업체 서버에 가둘 필요가 없습니다.

주요 기능

멀티스레드 대화

여러 독립 대화 문맥을 병렬로 관리하고 노드 사이를 자유롭게 오갑니다. 모든 것을 하나의 시간선에 밀어 넣지 않고 복잡한 에이전트형 워크플로를 돌릴 수 있습니다.

멀티모델 프레임워크

13개 이상의 주요 모델을 통합하고 혼합 스케줄링과 병렬 처리를 지원합니다. 모델을 바꿔도 도구를 바꿀 필요가 없고 대화 인터페이스는 하나입니다.

멀티모달 처리

PDF, DOCX, TXT 등 7가지 이상 형식과 PNG, JPG 같은 주요 이미지 형식을 일괄 해석합니다.

AI 기반 스킬

Perplexity AI와 Stanford Storm 같은 역량을 통합해 웹 전체 검색, 지식 검색, 질문 재작성, 추천을 제공합니다.

문맥 관리와 지식베이스

임시 지식베이스를 만들고 노드를 문맥으로 선택할 수 있습니다. 지식베이스는 이기종 소스를 받아 RAG 기반 의미 검색을 하고 지식 그래프를 구성합니다.

콘텐츠 수집과 클리핑

GitHub, Medium 같은 플랫폼에서 한 번에 수집하고 자동 분류와 태그를 붙입니다. 어떤 웹페이지든 잘라 개인 지식베이스를 키울 수 있습니다.

사용 방법

1. 공식 사이트에서 시작을 누르고 Google 또는 GitHub 계정으로 로그인합니다. Refly Cloud를 바로 열어도 됩니다.
2. 메인 화면에서 캔버스 만들기를 선택하고 이번 작업을 한 번의 질문이 아니라 작업 공간으로 다룹니다.
3. 캔버스에서 여러 대화를 열어 아이디어와 질문을 넣으며 서로 다른 방향을 병렬로 진행합니다.
4. AI의 응답을 보며 내용을 고치고 필요한 노드만 다음 차례로 가져갑니다.
5. 완료하면 문서로 내보내거나 공유해 함께 검토합니다.
6. 직접 운영하려면 Docker로 배포합니다. 최소 사양은 2코어 CPU와 4GB 메모리이며 기업용 프라이빗 배포는 공식 팀에 문의합니다.

배포 방식

• 클라우드: Refly Cloud를 열면 설정 없이 모든 기능을 쓸 수 있어, 자체 호스팅을 결정하기 전에 시험하기 좋습니다.
• Docker 자체 호스팅: 최소 2코어 CPU와 4GB 메모리, 컨테이너 명령 한 번으로 서비스가 뜹니다.
• 로컬 개발: 저장소의 CONTRIBUTING.md를 따라 환경을 구성합니다. 코드를 고치거나 자체 모델을 붙이려는 경우에 적합합니다.
• 기업용 프라이빗: 데이터 위치 요건이 엄격한 조직은 공식 팀에 문의합니다.
• 비용 주의: 자체 호스팅은 구독료를 아끼는 대신 모델 API 청구서, 키 관리, 업그레이드 작업을 떠안습니다. 월 단위로 계산해야 합니다.

누구에게 맞나

• 복잡한 주제를 몇 주에 걸쳐 밀고 나가는 연구자: 자료와 가설, 결론을 노드로 나누면 서로 오염되지 않습니다.
• 기술 문서나 긴 글을 쓰는 사람: 구상부터 완성 원고까지 같은 캔버스에 둡니다.
• 개인 지식을 쌓고 싶은 사람: 수집, 클리핑, 검색이 하나의 선으로 이어집니다.
• 데이터 소재를 중시하는 팀: 오픈소스와 자체 호스팅으로 흐름과 자료가 자기 장비에 남습니다.
• 여러 모델을 쓰는 사람: 한 모델에 묶이지 않고 작업별로 고릅니다.

제약과 주의점

• 스레드와 캔버스에는 학습 비용이 있습니다. 한 대화로 끝까지 묻는 데 익숙한 사람은 처음 몇 번은 노드 관리가 질문보다 버겁게 느껴집니다.
• 13개 이상의 모델은 품질이 선택한 모델과 호출 방식에 달려 있다는 뜻입니다. 같은 프롬프트도 모델마다 결과 차이가 큽니다.
• 지식베이스는 RAG와 의미 검색에 의존하므로 분할 전략과 자료 품질이 검색 품질을 좌우합니다. 나쁜 입력은 나쁜 출력으로 이어집니다.
• 자체 호스팅은 모델 API 비용, 키 관리, 업그레이드를 직접 부담합니다. 2코어 4GB는 최저선이며 쾌적함을 뜻하지 않습니다.
• 자료에 모델별 한도와 과금 방식이 없어 클라우드와 자체 호스팅의 비용 차이는 직접 계산해야 합니다.
• 데이터 보존 정책과 학습 활용은 자료에 없어 계약서나 개인정보를 다루기 전에 확인이 필요합니다.

자주 묻는 질문

Refly는 일반 AI 채팅과 무엇이 다른가요?

일반 도구는 대화가 한 줄입니다. Refly는 캔버스로 여러 대화가 병렬로 돌고 노드를 문맥으로 정확히 고를 수 있으며 결과가 재사용 가능한 절차로 남습니다.

직접 배포할 수 있나요?

가능합니다. 공식 문서가 Docker 경로와 최소 2코어 CPU, 4GB 메모리를 제시하며 클라우드와 기업용 프라이빗 배포도 있습니다.

어떤 파일을 지원하나요?

PDF, DOCX, TXT 등 7가지 이상 문서 형식과 PNG, JPG 같은 주요 이미지 형식을 지원한다고 밝히고 있습니다.

코딩을 해야 하나요?

아니요. 캔버스는 대화와 노드 조작이 중심이며 명령줄과 설정 파일이 필요한 것은 자체 호스팅과 로컬 개발뿐입니다.