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 - 长江证券构建了以AI-native为核心理念的智能变更质量管理平台，以应对核心交易系统变更在复杂性、效率、风险评估和测试覆盖等方面的挑战 [2] - 该平台融合模型上下文协议、大模型智能体、图检索增强生成、思维链及混沌工程等关键技术，实现了变更全流程的智能化管控 [2] - 通过该平台的实践应用，公司实现了从“经验驱动”向“数智驱动”的转型，显著提升了变更效率与系统稳定性，为证券行业提供了可复制的实践范本 [2][37] 研究背景 - 核心交易系统是证券公司业务运营与风险控制的核心基础设施，其稳定性直接关系到资本市场的平稳运行 [3] - 2014年至2024年间，监管部门对33家证券公司出具的信息技术类罚单达49张，其中信息安全事件相关罚单34张，占比高达69%，凸显了系统安全稳定运行的脆弱性 [3] - 市场深化改革、金融科技迭代加速、程序化交易需求激增以及监管趋严，使得传统变更质量管理模式难以适应需求 [3] 研究对象基本情况 - 长江证券成立于1991年，于2007年在深圳证券交易所主板上市，是中国第6家上市券商 [4] - 公司已建成证券金融控股集团架构，旗下拥有7家全资和控参股子公司 [5] - 截至2025年6月末，公司在全国31个省、自治区、直辖市的160个城市设有300家分支机构 [5] 科技赋能与系统建设情况 - 公司秉持“科技驱动、智慧运营”理念，高度重视核心系统的稳健性与安全性 [7] - 以2024年为例，公司核心交易系统升级涉及修改点超过13400个，新增或变更业务参数超400个，新增功能接口超650个，新增数据字典超130个，新增数据表超1480张 [7] - 面对庞杂的变更规模，公司通过技术革新构建了智能变更质量管理新体系，实现了核心系统变更零故障 [7] 传统变更质量管理模式的问题 - 系统变更质量管理依赖个人经验与文档，缺乏体系化平台支撑，培养一名能独立承担评估的技术人员需5–8年 [8] - 变更环节缺乏统一技术架构与标准接口，导致开发效率低下、系统耦合度高 [9] - 核心交易系统代码规模达数百万行，模块间接口超17000个、参数超4000个，传统方式理解与问题定位效率低下 [10] - 每次升级涉及数千甚至上万个修改点，人工评估难以全面覆盖风险，存在漏判、误判风险 [11] - 变更评估占整个升级周期超过70%的时间，传统人工设计测试案例效率低下，覆盖不足影响测试可信度 [12] - 系统链路冗长复杂，常规单点验证无法全面评估异常扰动下的整体稳定性 [13] 智能变更质量管理解决方案 - 构建变更点分层评估模型与标准化管理流程，为变更点评估提供结构化框架 [15] - 引入PDCA循环方法论，形成覆盖变更评估全流程的标准化、平台化管理体系 [17] - 打造AI-native智能技术支撑体系，通过模型上下文协议构建具备认知协同能力的智能体矩阵 [19] - 基于图检索增强生成实现系统认知与问题精准定位，大幅提升问题排查效率 [20] - 运用思维链技术智能评估变更风险，通过风险评估矩阵量化影响程度 [22] - 依托大模型智能体实现测试用例的智能生成与执行，测试全流程实现闭环管理 [24] - 基于混沌工程构建系统稳定度评估体系，主动注入故障以识别架构薄弱点 [26] 实践成效与价值 - 提质：系统问题定位时间缩短50%，核心交易系统可用率指标和可靠性指标保持100% [29] - 增效：变更实施周期缩短约三分之一，测试全流程耗时减少70% [30] - 降险：2024年400多项新增业务参数确认实现线上化全覆盖且无一差错 [31] - 赋能：激活核心交易系统数据资产，为产品设计优化、客户服务体验提升等提供数据洞察 [32] 经验总结与展望 - 未来将构建持续优化的技术迭代机制，确保系统长效适配 [33] - 深化人机协同的运营模式，明确人工与智能体的职责边界 [34] - 加强数据治理与知识融合，提升输入数据质量并增强系统整体认知能力 [35] - 推动行业协同与生态共建，积极参与行业标准制定，助力资本市场数字化转型 [36]

业绩总结 - 第二季度财报显示，收入为2.36亿美元，同比增长29%[7] - 非GAAP运营利润率为20%，同比增长17个基点[7] - 非GAAP调整自由现金流利润率为121%[7] - 预计2026财年收入指导为9.36亿至9.42亿美元[75] - 非GAAP净收入每股预计为0.82至0.83美元[75] 用户数据 - 客户留存率为121%，显示出强劲的客户忠诚度[7] - 加入GitLab初创企业计划的新初创公司数量环比增长72%[13] - 56%的新加入初创公司为人工智能公司[14] - GitLab Ultimate产品占总年度经常性收入的53%[22] 未来展望 - 2024财年的一般和行政费用为150,405千美元，预计2025财年将增加至192,877千美元[84] - 2025财年非GAAP一般和行政费用为121,349千美元，占收入的16%[84] - 2024财年GAAP运营亏损为187,440千美元，2025财年减少至142,715千美元[85] - 2025财年非GAAP运营收入为77,646千美元，运营收入率为10%[85] - 2024财年归属于GitLab的净亏损为425,677千美元，2025财年减少至6,326千美元[86] - 2025财年非GAAP净收入为124,841千美元，净收入率为16%[86] - 2024财年经营活动提供的净现金为35,040千美元，2025财年为负63,971千美元[87] - 2025财年调整后的自由现金流为119,999千美元，自由现金流率为16%[87] - 2025财年每年经常性收入（ARR）包括客户的增销、价格调整和用户增长[90] - 2025财年的美元基础净保留率为基于客户基础的ARR变化百分比[92]

法律调查事件 - Frank R Cruz律师事务所正代表投资者对Confluent Inc可能违反联邦证券法的行为进行调查 [1] - 调查针对在Confluent投资中遭受损失的投资者 旨在协助其追回投资损失 [2] 财务表现与股价影响 - 公司2025年第二季度财报披露某AI原生客户转向自建数据平台管理 导致Confluent Cloud使用量减少 [2] - 该客户虽在第三季度与公司达成Confluent Platform协议 但第四季度起总支出将显著减少 预计使云收入增长率降低低个位数百分比 [2] - 财报发布后次日(7月31日)公司股价单日下跌8.67美元 跌幅达32.8% 收盘报17.73美元/股 [2] 客户结构变化 - AI原生客户战略调整对云业务收入产生实质性影响 反映企业客户向自建数据平台迁移的趋势 [2] - 公司通过平台交易部分抵消云业务损失 但未能完全弥补收入缺口 [2]

文章核心观点 - 生成式UI技术正从初代"玩具"阶段快速演进至具备复杂表达力和风格多样性的新阶段 通过"代码转UI"技术路线突破模板化限制 实现设计领域的生产力跃迁 [6][7][30] - AI在设计系统理解和遵循能力上的突破将成为行业拐点 未来70%+设计工作可由AI完成 设计师角色将转向创意决策等高价值领域 [5][41][43] - 界面设计工具将向四种可能形态演进：AI增强型专业编辑器、AI主导型编辑器、AI原生简化编辑器、一站式应用生成工具中的功能模块 [45][46][59] 01 无处不在的UI - 全球单日新增UI界面达千万量级 构成数字世界基础隐形设施 生成式AI在UI领域的变革潜力堪比其在文字图片视频领域的颠覆性影响 [6] - UI界面本质是信息容器 具有逻辑结构与视觉表现双重属性 这使其区别于普通图像生成任务 [14] 02 初代生成式UI - 早期技术路线分为"代码转UI"和"套模板"两种 前者受限于模型审美能力不足 后者受制于模板库丰富度 生成结果被专业设计师视为"玩具" [7][17][19] - 2024年6月行业数据显示 Galileo AI平台生成界面总数达160万 Figma因模板相似度问题被迫下线并重构AI功能 [8][20][22] 03 技术革新 - Claude 3.5 Sonnet在代码生成领域的突破成为关键转折点 使AI生成界面突破简单表达限制 实现"灵感涌现"式复杂设计 [25][27][30] - 新技术路线下 相同提示词可生成风格迥异的界面 彻底解决早期模板化导致的雷同问题 3D地图编辑器等非常规界面成为可能 [29][30][32] 04 基于设计系统的UI生成 - 大模型展现出对Airbnb等知名产品设计系统的理解能力 无需专门训练即可生成风格近似界面 但细节规范遵循度仍不足 [33][35][36] - Ant Design等开源设计系统已实现AI稳定生成 风格配置功能使健身房后台等专业界面能保持视觉一致性 [38][40][41] 05 AI-native界面设计编辑器 - 未来工具形态存在四种假设：传统编辑器+AI辅助(70/30分工)、AI主导型编辑器(30/70分工)、简化型AI原生编辑器(80%AI工作)、嵌入式生成功能 [45][46][59] - 专业编辑器与AI原生工具将长期共存 前者服务深度定制需求 后者满足快速原型设计 类似Photoshop与Canva的互补关系 [45][46][47] 06 设计与研发角色变化 - 传统UX/UI设计师岗位已合并为Product Designer 设计系统普及使视觉规范工作被工具替代 设计师价值转向创意决策 [49][51][52] - 未来"3D"角色(Definer/Designer/Developer)界限模糊 Maker将借助AI工具完成全流程工作 但面对不确定性的创意能力仍是人类核心价值 [51][52][53] 07 彩蛋问答 - Claude 3.5生成计算器界面时出现按钮样式偏差 反映当前AI在细节修改环节仍存在"最后100米"问题 [54][57][58] - 预测到2030年 四种工具形态市场份额可能为：AI主导型编辑器20% AI原生简化编辑器60% 嵌入式生成功能20% [60][61]