Refly开源Agent技能构建器：跨平台AI技能开发新范式

概述

Refly 是一个开源的 Agent 技能构建器（Agent Skills Builder），在 GitHub 上已获得超过 7200 颗星标，成为 AI Agent 开发领域备受关注的新兴项目。它的核心理念是将「技能」视为基础设施而非简单的提示词（Skills are infrastructure, not prompts），让开发者通过可视化的 Vibe Workflow 定义技能，并在 Claude Code、Cursor、Codex 等主流 AI 编程工具上运行。

什么是 Agent Skills Builder？

从提示词到技能基础设施

传统的 AI Agent 开发往往依赖精心编写的提示词（Prompt），但这种方式存在明显的局限性：提示词难以复用、缺乏结构化管理、且在不同平台间迁移成本高。

要理解这一痛点，需要回顾提示词工程（Prompt Engineering）的发展历程。自 2022 年 ChatGPT 引爆大模型应用以来，提示词工程经历了从简单指令、少样本学习（Few-shot Learning）到思维链（Chain-of-Thought）、ReAct 框架等多个阶段的演进。然而，即便是最精心设计的提示词，本质上仍然是「非结构化的自然语言文本」——它们缺乏版本控制、接口约束和模块化组合的能力。当一个团队需要维护数十甚至数百个 Agent 时，提示词的管理就会变成一场噩梦：微小的措辞变化可能导致行为漂移，不同 Agent 之间的能力无法共享，切换底层模型时需要逐一调试。

Refly 提出了一种全新的范式——将 Agent 的能力抽象为「技能」（Skills），并将其作为可复用、可组合的基础设施来构建。这种思路在软件工程中并不陌生：正如容器化技术将应用部署从手工配置服务器演进为标准化的 Docker 镜像，Refly 试图将 Agent 能力从散落的提示词片段提升为具有明确输入输出接口、可独立测试和版本管理的「技能单元」。

这意味着开发者不再需要为每个场景从零编写提示词，而是可以像搭积木一样组合已有的技能模块，快速构建出功能强大的 AI Agent。

Vibe Workflow：用直觉定义工作流

Refly 引入了「Vibe Workflow」的概念来定义技能。所谓 Vibe，强调的是一种直觉式、低门槛的工作流定义方式。

「Vibe Coding」这一概念最早由前 OpenAI 研究总监、特斯拉 AI 负责人 Andrej Karpathy 在 2025 年初提出，他描述了一种「完全沉浸在氛围中，拥抱指数级增长，忘记代码的存在」的编程方式——开发者只需用自然语言描述意图，AI 负责生成和调试代码。这一理念迅速在开发者社区引发共鸣，成为 2025 年最热门的技术趋势之一。Refly 的 Vibe Workflow 正是将这种哲学延伸到了 Agent 技能编排领域。

在技术实现上，可视化工作流编排并非全新概念。此前已有 LangGraph（LangChain 团队推出的图结构 Agent 编排框架）、Dify（开源 LLM 应用开发平台）、Flowise 等工具提供了类似的可视化能力。但 Refly 的差异化在于：它不仅仅是一个工作流编排工具，而是将编排结果封装为可在多个 AI 编程环境中直接调用的「技能」——这种「定义一次，到处运行」的理念更接近于基础设施层面的抽象。

开发者可以通过可视化的方式描述 Agent 应该如何执行任务，而无需深入底层的编排逻辑。这种设计哲学与当前「Vibe Coding」的趋势一脉相承——降低技术门槛，让更多人能够参与 AI 应用的构建。

核心能力与应用场景

多平台兼容运行

Refly 构建的技能可以在多个主流 AI 开发平台上运行，包括：

• Claude Code：Anthropic 推出的命令行 AI 编程工具，以终端为交互界面，擅长处理复杂的多文件代码库操作。它直接运行在开发者的本地环境中，能够读取项目上下文、执行 shell 命令，被认为是当前「Agentic Coding」（自主编程）能力最强的工具之一。
• Cursor：当前最热门的 AI 代码编辑器之一，基于 VS Code 深度改造，将 AI 能力深度集成到编辑器的每一个交互环节中，包括 Tab 补全、内联编辑、多文件重构等，拥有庞大的开发者用户群体。
• Codex：OpenAI 推出的云端代码生成与执行平台（也称 Codex CLI），能够在沙盒环境中自主完成编码任务，支持并行处理多个任务，适合批量化的代码生成和修改场景。

这三个平台分别代表了 AI 编程工具的三种不同形态：命令行 Agent、IDE 集成、云端沙盒。要让同一套技能在这三种截然不同的运行环境中无缝工作，Refly 需要在技能定义层面进行足够的抽象，屏蔽底层平台的差异。这种跨平台兼容性是 Refly 的重要竞争优势。开发者定义一次技能，即可在不同的 AI 编程环境中无缝使用，避免了平台锁定的问题。

丰富的应用场景

从项目描述来看，Refly 支持构建多种类型的 AI 应用：

• Clawdbot 🦞：基于 Refly 技能体系构建的 AI 机器人
• APIs for Lovable：为 Lovable 等 AI 应用开发平台提供 API 接口。Lovable 是一个热门的 AI 全栈应用生成平台，用户通过自然语言描述即可生成完整的 Web 应用，Refly 为其提供 API 接口意味着技能体系可以作为后端能力被更上层的 AI 应用平台调用。
• Slack & Lark/飞书 Bot：企业级即时通讯平台的智能机器人，这类场景在企业 AI 落地中需求极为旺盛，涵盖了自动化工单处理、知识问答、数据查询等高频需求。

这些场景覆盖了从个人开发到企业协作的广泛需求，展示了 Refly 作为技能基础设施的通用性。

技术架构与生态

TypeScript 技术栈

Refly 采用 TypeScript 作为主要开发语言，这是一个明智的技术选择。TypeScript 在前端和 Node.js 生态中拥有庞大的开发者基础，且类型系统能够为技能定义提供更好的结构化支持和开发体验。

值得注意的是，TypeScript 正在成为 AI 工具链中越来越主流的选择。Vercel 的 AI SDK、LangChain.js、以及大量 MCP Server 的参考实现都采用了 TypeScript。这背后有几个关键原因：首先，TypeScript 的静态类型系统天然适合定义技能的输入输出 Schema（数据模式），编译期即可捕获参数类型错误，这对于需要在多个平台间传递的技能定义尤为重要；其次，Node.js 的异步 I/O 模型非常适合 AI Agent 中大量的 API 调用和流式响应处理；最后，TypeScript 的生态与 Web 开发高度重叠，使得技能可以轻松集成到各类 Web 应用和 Bot 平台中。

项目目前已有 712 个 Fork，说明社区参与度较高。

开源优势

作为「首个开源 Agent 技能构建器」，Refly 的开源策略挺重要的：

1. 透明性：开发者可以审查技能的执行逻辑，确保 AI Agent 的行为可控
2. 可扩展性：社区可以贡献新的技能模块，丰富整个生态
3. 自托管能力：企业可以在私有环境中部署，满足数据安全需求

行业趋势与展望

Agent 开发的基础设施化

Refly 的出现反映了 AI Agent 开发领域的一个重要趋势：从手工编写提示词向标准化、模块化的基础设施演进。

回顾 AI Agent 开发范式的演进历程，可以更清晰地理解这一趋势的必然性。2023 年初，ReAct（Reasoning + Acting）框架的提出让大模型具备了「思考-行动-观察」的循环能力，但开发者需要手动编排每一步的逻辑；随后，OpenAI 推出的 Function Calling 机制让模型能够结构化地调用外部工具，但工具的定义和管理仍然是碎片化的；2024 年，AutoGPT、CrewAI 等多 Agent 框架兴起，Agent 之间的协作变得更加复杂，对能力管理的标准化需求也随之激增。Refly 正是在这一演进脉络中应运而生——当 Agent 的数量和复杂度达到一定规模后，「技能基础设施」就成为了刚需。

随着 AI Agent 应用场景的爆发式增长，开发者需要更高效的工具来管理和复用 Agent 的能力。

技能市场的可能性

当技能被抽象为标准化的基础设施后，一个自然的延伸就是技能市场（Skills Marketplace）的出现。开发者可以发布、分享和交易自己构建的技能模块，形成类似于 npm 或 Docker Hub 的生态系统。这将极大地加速 AI Agent 应用的开发效率。

与 MCP 协议的关系

值得关注的是，Refly 的技能体系与 Anthropic 推出的 MCP（Model Context Protocol）协议在理念上有相似之处——都试图为 AI Agent 提供标准化的能力接口。

MCP 协议于 2024 年 11 月由 Anthropic 正式发布，它定义了一套标准化的通信协议，让 AI 模型能够以统一的方式连接外部数据源和工具。MCP 采用客户端-服务器架构：AI 应用（如 Claude Desktop、Cursor）作为 MCP 客户端，而各种工具和数据源则封装为 MCP Server。截至 2025 年中，MCP 生态已经拥有数千个社区贡献的 Server，覆盖了数据库查询、文件操作、API 调用等常见场景，并获得了 OpenAI、Google、Microsoft 等主要 AI 厂商的支持。

从架构层面来看，MCP 更侧重于「工具调用的标准化协议」——它解决的是「AI 模型如何调用一个工具」的问题；而 Refly 的技能体系则更侧重于「工作流编排的标准化」——它解决的是「多个工具和步骤如何组合成一个完整的能力」的问题。两者并非竞争关系，反而存在天然的互补性：Refly 的技能可以调用 MCP Server 提供的工具，而 MCP 协议则为 Refly 技能的底层工具调用提供了标准化的接口。两者如何协同演进，将是未来值得持续观察的方向。

总结

Refly 以「技能即基础设施」的理念切入 AI Agent 开发领域，通过 Vibe Workflow 降低技能定义门槛，并实现了跨平台兼容运行。在 AI Agent 应用爆发的当下，这种将 Agent 能力标准化、模块化的思路具有重要的实践价值。对于正在构建 AI Agent 应用的开发者而言，Refly 值得深入了解和尝试。

核心要点

• Refly 是首个开源 Agent 技能构建器，将技能视为基础设施而非简单提示词，GitHub 星标超 7200
• 通过 Vibe Workflow 实现直觉式技能定义，降低 AI Agent 开发门槛
• 支持在 Claude Code、Cursor、Codex 等多个主流 AI 编程平台上跨平台运行
• 覆盖 API 构建、Slack/飞书机器人等多种企业级应用场景
• 反映了 AI Agent 开发从手工提示词向标准化基础设施演进的行业趋势