核心观点 - AI Agent不会取代传统的CRM、ERP等企业软件系统，而是会推动这些系统转型为Agent网络的“基础设施”和后端，其核心价值将从服务于人的操作界面转向服务于机器的程序化调用[2][12] - 企业Agent的能力上限取决于对“上下文”的正确使用，即能否从正确的系统中获取准确的数据并理解数据间的协作规则，输入数据的准确性决定了Agent任务执行的准确性[2][6] - 企业内部80%的知识和信息存在于非结构化数据中，数据的时效性、结构化和准确性正在下降，因此，帮助企业清理、结构化和管理混乱数据将是一个巨大的创业机会[2][3] - 自动化程度越高，对单一、可靠、权威的“事实来源”（记录系统）的需求就越强烈，未来的竞争将围绕谁能成为数据规则的“制定者”和“事实登记处”展开[6][7][10][14] Agent能力与数据基础 - Agent天生需要跨系统工作并以行动为导向，其能力上限完全取决于对“哪个系统里的哪个数据才是标准”以及“数据间协作规则”的理解[9] - 人类可以处理模糊数据和分歧，但Agent需要明确的规则和数据优先级定义，例如区分用于外部汇报、计算绩效或产品分析的不同ARR数据定义[7][11] - 数据仓库和湖仓在实践中已成为许多公司分析的核心，承载了定义业务指标和实体的语义层，但它们是用于回顾分析的“后视镜”，而非处理实时交易的“前门”[8] 传统企业系统的演变 - CRM、ERP等系统不会消失，而是会逐渐向“带API的状态机”转变，其核心价值将从服务于人的操作界面转向服务于机器的程序化调用[12] - 未来的交互界面可以是聊天框或自然语言入口，但在技术底层必须有一个能定义“标准客户记录”、“法律合同条款”等权威事实的地方[10] - Agent正在倒逼行业将“做事的方式”（用户体验）和“事实的来源”分开，记录系统将变成一个供机器调用、保证数据持久性和一致性的引擎[10][12] 数据治理与价值重构 - 企业系统的核心价值在于把混乱的数据用清晰的契约封装起来，让Agent能安全、高效地运行[13] - “数据仓库 + 指标层 + 治理工具”的组合，形态上超越了传统报告系统，更像是一个公司内部人人都能信赖的“事实登记处”[10] - 记录系统本身（即事实）会越来越多地存在于数据仓库、湖仓和核心业务系统的组合里，之上会有一个新的语义层和控制平台来指导Agent安全读写[14] - 产品的估值倍数将取决于其与“事实”的相关性，而非营销宣传，能定义指标、规范实体和执行策略的Agent平台本身将成为事实来源，从而更具价值[14] 行业趋势与投资逻辑 - 像Databricks这样的公司被资本市场看好，因为它们更有机会成为AI Agent的调度中心，甚至自己开发Agent[9] - 最优秀的“AI原生”应用通常选择紧挨着数据仓库、CRM或ERP进行开发，其竞争优势在于工作流设计、语义建模以及与客户现有事实来源的深度整合[13] - 在AI新周期里，能赢的公司是那些能在稳定、可靠的事实来源之上构建出色Agent体验的公司，而非忽视事实来源重要性的公司[15]

文章核心观点 - 数据是AIGC创业公司，特别是出海企业，必须严肃对待的关键风险点，而非简单的产品护城河[1][3] - AIGC公司在模型训练、内容生成及产品出海等环节面临复杂且多样的数据合规与知识产权风险，亟需将合规工作前置[2][3][4] - 针对AIGC领域的特定数据风险，行业需要专业的法律合规指导以规避高风险的诉讼与侵权争议[3][4] 活动背景与目的 - 活动由北京星也律师事务所的两位合伙人郑玮和孙奇敏主导，旨在为AIGC创业公司提供出海合规指导[4][10] - 活动形式为线上闭门研讨会，采用筛选制，面向特定受众，需付费报名[5][6][10] AIGC行业面临的核心数据合规议题 - **模型训练数据来源的合规性**：需明确区分合成数据、版权内容、专有数据及用户行为数据等不同类型数据的可用性边界[8] - **不同类型数据的侵权风险**：代码、人像、音视频等不同种类的数据在利用时需注意各自独特的侵权风险[2][8] - **AI生成内容的权属界定**：需要厘清AI生成内容的所有权归属，并针对ToB与ToC不同应用场景界定数据使用权与知识产权[8][10] - **产品出海的数据管理**：出海企业需妥善处理数据跨境传输、本地存储与数据隔离等关键合规问题[8][10] 目标参与人群 - 图像、文本、视频等生成式AI产品的创始人或出海负责人[10] - AI陪伴/社交、AI Coding类产品的创始人或出海负责人[10]

种子轮拿到数百万美元融资、估值近千万，朱啸虎的金沙江创投、高瓴创投和 Classin 共同投资。 Refly.AI 给自己的定位是更适合大众的 Vibe Workflow 产品。 为什么要做 Vibe Workflow？原因很简单，现在的 Workflow 产品 n8n、扣子都太难用，以及团队对于 Workflow 价值的认可。 他们的目标，是让不会技术的人也能轻松把自己的流程经验复制并分享给其他人，实现价值。 不仅仅是用 AI 来降低搭建 Workflow 的难度，Refly.AI 还把 n8n 中的节点升级成为单独的 agent，每个 agent 配上 2-3 个工具。在保留 agent 动态性的同 时，获得传统 Workflow 的可控性与稳定性。 看起来有些激进，但 Refly.AI 确信这样的方式才是有效利用模型能力的最好方式。 为什么如此笃定？既然做 Workflow，怎么控制成本，怎么保证完成度？Refly.AI 取代 n8n 的底气又来自哪里？ 在 Refly.AI 的新版本发布之际，我们和创始人& CEO 黄巍聊了聊，想搞清楚，AI-native 的 Workflow 应该长什么样。 以下内 ...

文章核心观点 - 数据是AIGC创业公司需要认真对待的关键风险点，尤其在出海过程中，将合规风险前置至关重要[1][3] - 针对AIGC创业公司，北京星也律师事务所的合伙人将探讨如何规避出海过程中的一系列合规与高风险问题[4] 活动信息 - 活动形式为线上闭门workshop，将于12月18日晚20点举行[5] - 活动采用筛选制，名额有限，需扫描海报二维码报名[6] 研讨会核心议题 - 模型训练阶段，如何合规利用合成数据、版权内容、专有数据及用户使用数据[8] - 针对代码、人像、音视频等不同种类数据，需要分别注意的侵权风险[8] - AI生成内容的归属权问题，以及在ToB和ToC应用中，数据使用权与知识产权的界定方式[8] - 产品出海时，如何妥善处理跨境数据传输、本地存储与数据隔离[8] 目标参会人群 - 图像、文本、视频等生成式AI产品的创始人或出海负责人[10] - AI陪伴/社交、AI Coding类产品的创始人或出海负责人[10]

文章核心观点 - 数据是AIGC创业公司，特别是出海企业，必须严肃对待的关键风险点，需要将合规风险前置处理[1][3] 模型训练阶段的数据合规 - 合成数据、版权内容、专有数据、用户使用数据等不同类型的数据，其法律风险和处理流程完全不同，需明确判断哪些数据可用[2][8] - 代码、人像、音视频等不同种类的数据，分别对应着不同的侵权风险，需要特别注意[8] - 模型训练阶段需关注如何合规利用爬取数据、版权内容与用户行为数据[10] 生成内容的权属与使用界定 - AI生成的内容所有权归属、以及ToB和ToC应用场景下的数据使用权与知识产权界定，是核心法律问题[8][10] 产品出海的数据合规挑战 - 产品出海面临跨境数据传输、本地存储与数据隔离等一系列高风险合规问题[8] - 出海企业需特别关注如何在各类诉讼和侵权争议频发的环境下做好数据合规[3][8][10]

公司融资与定位 - 种子轮融资数百万美元，估值近千万美元，投资方包括金沙江创投、高瓴创投和Classin [1] - 公司定位为更适合大众的Vibe Workflow产品，旨在降低自动化流程搭建门槛 [2] - 核心目标是让非技术人员也能轻松复制和分享流程经验，实现价值 [4] 产品理念：Vibe Workflow - Vibe Workflow是Agent与传统Workflow的结合体，旨在保留Agent动态性的同时，获得传统Workflow的可控性与稳定性 [10] - 产品将传统Workflow中的节点升级为单独的Agent，每个Agent配备2-3个工具，以更有效利用模型能力 [4][5] - 核心特点包括：搭建成本无限降低（一句话生成Workflow）、通过Agent白盒化编辑器简化操作、用沙箱环境解决复杂逻辑 [11] - 内部测试显示，一个Refly.AI节点可替代大约20个n8n节点的功能 [11] 产品优势与成本控制 - 搭建Workflow的token消耗极低，仅需几千至上万个token，而用n8n搭建类似流程可能消耗大几十万token [14] - 执行层面，每个简化后的任务仅消耗1至2个积分，成本约0.1至1元人民币，相比Manus单任务数美元的成本降低了至少5至7倍 [14] - 后续调用时，token消耗可能仅为原本的50%甚至10% [14] - 产品交互完全基于自然语言，无需用户理解搭建逻辑 [13] 目标市场与用户画像 - 早期核心用户是有n8n、Dify使用经验但寻求更简单方案的群体，产品支持从其他平台一键迁移Workflow [19] - 重点聚焦自媒体场景，帮助用户串联不同模型（如Claude Opus和Gemini）自动抓热点、生成文章、播客等内容 [19][20] - 公司自身在Twitter拥有约3万粉丝，对该场景有较强体感 [20] - 未来计划向教育、职场白领（写报告、产品分析）、金融（财报分析）等偏赚钱和职场的场景扩张 [20] - 明确放弃需要100%准确性的企业自动化操作场景，更侧重于内容创作型任务，接受70%左右的准确率 [15][17][18] 技术架构与数据战略 - 技术路径分层：首先让Agent生成Workflow，其次将每个Workflow节点设计为Agent并通过引擎串联，最后建立成规模的Tools体系 [45][46][47] - 核心数据战略是收集用户在完成中长程、复杂任务过程中的“思维链行为数据”，即用户与AI交互的完整路径和反馈 [23][26][27] - 这些行为数据可用于预测用户下一步行动，是公司构建数据飞轮、优化产品的基础 [24][25][26] - 通过用户修改节点、多次生成、运行成功以及社区评分等多维度反馈，持续优化Prompt和自有小模型 [28][29][32] 竞争壁垒与发展策略 - 团队背景来自字节跳动早期“大模型+低代码+Workflow”项目，自认为是全球Vibe Workflow赛道最有竞争力的团队 [34][43] - 当前工程复杂度高，预计15-20人的小团队难以在3-6个月内超越，大厂复刻也需要50-100人团队投入一两年 [59] - 采用“站在模型肩膀上”的策略：利用强模型（如GPT-5）做任务规划与拆解，利用便宜且稳定的模型（如Kimi K2）做具体执行，模型能力增长会使产品更强 [56][57][61] - 产品设计比模型能力迭代快3-6个月，并在此窗口期内完成商业化验证，以建立竞争优势 [62][72] - 抽象层设计可兼容不同模型和模态，避免被单一模型厂商锁定 [63] 团队建设与商业化 - 团队规模约13-14人，强调职能完备（产品、运营、研发、算法、测试等），不盲目追求“一人公司”的通才理论 [49][50][53] - 招聘策略是寻找各领域的专才，并为其配备强大的AI工具以提升效率，而非泛泛的通才 [53] - 商业化核心假设是封装有价值的流程并进行规模化销售 [36] - 短期现实目标是销售AI时代的Workflow模板 [69] 行业展望与公司愿景 - 短期看，AI可能催生新的原生内容平台，实现内容的实时、个性化生产与消费 [66][71] - 长期终局是构建一个能承接用户全方位意图和行为数据的环境，最终形成用户的数字化版本，帮助其完成物理世界的任务 [66][68] - 期待AI在自动修复小问题（如代码bug）和细粒度内容编辑能力上取得进展，这将大幅提升创作者工具的上限 [70][71] - 给AI应用创业者的建议包括：拉长时间维度思考产品生命力、确保产品不被模型本身取代、早期招聘要避免偏见并找到能实战的团队成员 [72][73]

文章核心观点 - 公司Refly.ai提出“Vibe Workflow”新范式，旨在通过自然语言指令让AI自动编排复杂工作流，降低自动化门槛，目标是成为“AI Workflow领域的Canva”[3][4] - 公司近期完成数百万美金种子轮融资，估值近千万美金，投资方包括金沙江创投、高瓴创投和Classin，金沙江创投主管合伙人朱啸虎在接触项目一周内便锁定TS[3] 行业痛点与市场机会 - 当前Workflow领域主流工具（如n8n、Dify）仍复杂，涉及节点配置、参数调试和API对接，将普通用户挡在门外[3] - 当前Agent市场呈现两极分化：一端是Manus、Genspark等通用但过程不可控的“黑盒”Agent；另一端是n8n、Dify等强大但门槛极高的专业工具[9] - 行业存在空白，需要介于两者之间的“智能辅助驾驶”方案，在提供强大能力的同时保证过程可控，解决企业应用AI的最大顾虑[9] 公司产品与解决方案 - 公司产品核心理念是“Vibe Workflow”，与“Vibe Coding”一脉相承，实现“一句话生成Workflow”，用户用自然语言描述需求，AI自动完成节点编排与配置[3] - 平台将每个节点封装为能力强大的Agent，用户无需从零配置，过程“白盒化”，生成的工作流被封装成简单落地页，用户可随时介入、暂停、修改或人工接管[9] - 公司定位不是取代人，而是让人像搭乐高一样组装AI能力[10] 团队背景与创业历程 - 创始人黄巍是字节跳动workflow产品线老兵，曾负责内部代号“Aily”的产品（飞书智能伙伴前身）及Coze，是国内最早探索“LLM+Low-code+Workflow”的团队之一[6] - 团队在2022年底、2023年初开始探索AI+workflow，源于对低代码可能被AI替代的危机感[6] - 在字节的实践中发现，传统低代码平台及Coze本质仍是“程序员的工具”，将小白用户拒之门外，因此决心打造全新的AI Native形态[6] - 团队于今年8月底完成融资交割，从2人迅速扩充至14人，兼具技术能力和商业落地经验，曾在字节兼任研发、产品和销售[7] 市场定位与用户策略 - 第一批目标用户是“逃离复杂”的技术尝鲜者，他们可能用过n8n或Dify，公司提供“一键迁移”功能，允许他们将复杂流程导入更轻量的平台运行[12] - 第二波核心增量用户精准瞄准“自媒体”与内容创作者，解决其两大痛点：1) 模型迭代快，单点使用效率低，需串联成工作流；2) “追热点”压力大，需自动抓取热点并按风格批量生成内容[13] - 通过让KOL将其工作流（如“写文工作流”）做成可付费运行的模板，形成类似“文字版滤镜”的商业模式，粉丝付费使用模板生成自己风格的内容，KOL获得收益，公司借此实现高ROI的获客与用户辐射[13] 应用场景与商业愿景 - 公司已跑通金融投研的数据监控、自媒体的多源信息聚合与选题生成等典型场景[14] - 公司认为无论技术概念如何，最终需落实到大众市场，若只服务几十万专业群体则非大众商品[14] - 公司观察到，用户购买的不仅是模板，更是一种“可能性”或先进性的假设，如同企业购买飞书不仅是买工具，也是假设能获得如字节跳动的先进管理[14]