rowboat

节约时间，也就是使一个人的有限的生命，更加有效，而也就等于延长了人的寿命。——鲁迅

Rowboat：把你的工作变成可行动的知识图谱的开源 AI 同事

当我们谈论“AI 办公”，大多数产品停留在“问答”和“摘要”层面，很难真正融入你的日常工作流。Rowboat 的思路更激进也更务实：它直接接入你的邮件与会议记录，把每天发生的沟通与决策沉淀成一个长期、可维护的知识图谱；然后用这套“活”的上下文去帮你完成任务，像一个真正的“同事”一样配合你推进工作，而且所有数据都在你的本机，私密可控。

项目地址：rowboatlabs/rowboat
官网与下载页：Rowboat Labs | Download | Latest Release
项目简介：Open-source AI coworker, with memory
开源许可：Apache License 2.0

---

为什么是 Rowboat？

Rowboat 的直接目标是让 AI 真正成为你的“同事”：

• 它连接你的邮件与会议笔记，持续构建并维护一套长期记忆的知识图谱
• 它用这些真实上下文去完成任务，而不仅是“聊聊天”
• 它在你的本机上运行，数据隐私优先

你可以让 Rowboat做这些事：

• 生成业务材料：比如“帮我做一个下季度路线图的演示文稿”，Rowboat 会结合知识图谱中的历史讨论与结论，自动把内容整理成 PDF
• 会议准备：比如“为我和 Alex 的会议做准备”，它会把相关的过往决策、未解决的问题、邮件线程整理成简明的 Brief，甚至输出成语音备忘
• 可视化编辑你的知识图谱：它就是 Markdown，你可以随时浏览、调整
• 语音备忘：把你的语音记录自动提炼要点并更新到图谱

你可以从 Mac/Windows/Linux 下载最新版，也可以直接访问 Latest Release。

---

实际上，Rowboat做了什么？

从仓库结构与文档可以看出，Rowboat既是一套应用，也是一套可扩展能力的组合：

• 桌面与 Web 应用（Next.js）：提供 UI、对话入口、以及“Copilot”式的工作流配置
• 知识图谱构建系统：从 Gmail、会议转录等源同步数据，增量处理，写入本地 Markdown 知识库
• Python SDK：用简单代码调用 Rowboat 的对话与工具能力
• CLI：在命令行运行与编排 Agent
• 预置模板（Prebuilt Cards）：把一些“可复用的特定场景助理”做成卡片，一键启用

换句话说，它不是只给你一个“聊天框”，而是提供“连接数据—构建���下文—组织多代理—触发自动化”的完整链条。

---

特性一览（来自项目 README 的核心信息）

• 连接邮件与会议记录，构建长期知识图谱
• 用真实上下文帮助你完成任务，且数据在你的机器上
• 示例能力：
  • 生成业务演示稿（结合你的知识图谱）
  • 会前准备（总结过往决定与线程）
  • 知识图谱可视化、可编辑（Markdown 即图谱）
  • 语音备忘自动提炼并更新

演示视频：观看 Demo

---

安装与上手

• 桌面端：访问 Download 获取 Mac/Windows/Linux 安装包
• Release 列表：Latest Release

如果你是开发者，还可以从以下入口快速理解并集成：

Copilot 的模型配置（TypeScript）

下面的片段展示了 UI 内“Copilot”使用的模型配置与环境变量读取方式，直观体现了可替换模型与私有部署的灵活性：

import { UsageTracker } from "@/app/lib/billing";
import { CopilotStreamEvent } from "@/src/entities/models/copilot";

const PROVIDER_API_KEY = process.env.PROVIDER_API_KEY || process.env.OPENAI_API_KEY || '';
const PROVIDER_BASE_URL = process.env.PROVIDER_BASE_URL || undefined;
const COPILOT_MODEL = process.env.PROVIDER_COPILOT_MODEL || 'gpt-4.1';
const AGENT_MODEL = process.env.PROVIDER_DEFAULT_MODEL || 'gpt-4.1';

const WORKFLOW_SCHEMA = JSON.stringify(zodToJsonSchema(Workflow));

const SYSTEM_PROMPT = [
    COPILOT_INSTRUCTIONS_MULTI_AGENT,
    COPILOT_MULTI_AGENT_EXAMPLE_1,
    CURRENT_WORKFLOW_PROMPT,
]
    .join('\n\n')
    .replace('{agent_model}', AGENT_MODEL)
    .replace('{workflow_schema}', WORKFLOW_SCHEMA);

const openai = createOpenAI({
    apiKey: PROVIDER_API_KEY,
    baseURL: PROVIDER_BASE_URL,
    compatibility: "strict",
});

这个设计的要点是：

• 模型与 API Key 从环境变量读取，可切换到兼容的供应商或自托管
• 系统提示由多段模板拼装，包含当前工作流、示例与说明
• 工作流 Schema 通过 Zod 转为 JSON Schema，确保配置的结构化与校验

CLI 的入口（TypeScript）

如果你倾向于在终端中运行或编排 Agent，CLI 入口清晰地组合了渲染器、配置与模型仓库：

import { AgentState, streamAgent } from "./agents/runtime.js";
import { StreamRenderer } from "./application/lib/stream-renderer.js";
import { stdin as input, stdout as output } from "node:process";
import fs from "fs";
import { promises as fsp } from "fs";
import path from "path";
import { WorkDir } from "./config/config.js";
import { RunEvent } from "./entities/run-events.js";
import { createInterface, Interface } from "node:readline/promises";
import { ToolCallPart } from "./entities/message.js";
import { Agent } from "./agents/agents.js";
import { McpServerConfig, McpServerDefinition } from "./mcp/schema.js";
import { Example } from "./entities/example.js";
import { z } from "zod";
import { Flavor } from "./models/models.js";
import { examples } from "./examples/index.js";
import container from "./di/container.js";
import { IModelConfigRepo } from "./models/repo.js";

function renderGreeting() {
/*...*/
}

你可以基于这个 CLI 做自动化执行、日志收集与流式渲染，也可结合 MCP（Model Context Protocol）扩展外部工具。

载入 Agent（TypeScript）

运行时如何按名称载入特定 Agent？下面的片段展示了一个简单的分支与仓库拉取：

export async function loadAgent(id: string): Promise<z.infer<typeof Agent>> {
    if (id === "copilot" || id === "rowboatx") {
        return CopilotAgent;
    }
    const repo = container.resolve<IAgentsRepo>('agentsRepo');
    return await repo.fetch(id);
}

这说明：

• 一些内置 Agent（如 Copilot、rowboatx）直接返回
• 其他 Agent 从仓库接口拉取，便于你存储和管理自定义 Agent

用 Python SDK 快速试跑

如果你喜欢用 Python 做原型或脚本式集成，可以用 SDK 在几行代码里跑通对话与工具调用。下面是一个最小示例，与你在仓库中的 README 用法一致：

from rowboat.client import Client
from rowboat.schema import UserMessage

# 初始化客户端
client = Client(
    host="http://localhost:3000",  # 或你的部署地址
    projectId="YOUR_PROJECT_ID",
    apiKey="YOUR_API_KEY"
)

# 开启一轮对话
result = client.run_turn(
    messages=[
        UserMessage(role='user', content="列出我的 GitHub 仓库")
    ]
)
print(result.turn.output[-1].content)
print("Conversation ID:", result.conversationId)

# 继续该对话
result = client.run_turn(
    messages=[
        UserMessage(role='user', content="刚才找到了多少个？")
    ],
    conversationId=result.conversationId
)
print(result.turn.output[-1].content)

备注：SDK 的 README 中还展示了“mockTools”这样的工具覆盖能力，你可以在本地快速模拟外部工具行为以测试工作流。

---

知识图谱如何构建与维护

Rowboat 的知识构建系统重点在“增量处理与状态管理”。从仓库的文档可以看到它的策略很清晰：

• 数据来源：同步 Gmail、会议转录（如 Fireflies 等），落地为 Markdown 文件
• 变更检测：采用“mtime + 内容哈希”的混合方式
  • 先比对文件修改时间，未变更则跳过
  • 如果修改时间变更，再计算哈希确认是否是真正内容变化
• 批处理与断点续跑：扫描源目录，按批次处理新/变更文件，每批处理后更新状态文件，避免大规模重跑
• 输出：实体抽取（人物、组织、项目、主题等），写入到用户主目录下的知识库路径（Markdown）

这套机制的好处是：

• 高效：只在必要时计算哈希，避免无谓的全量重算
• 可靠：通过哈希确认真正内容变化，减少“时间戳误报”
• 可维护：状态文件记录每次处理结果，既能审计也便于恢复

---

Prebuilt Cards：一键启用的“场景助理”

如果你想快速试用或复用某个场景（比如“GitHub 数据到表格”、“会议准备助手”、“面试安排”等），可以直接在 UI 的“Pre-built Assistants”区域选择卡片。这些卡片本质上是一个 JSON 模板，定义了：

• 名称、描述
• Agents 数组与起始 Agent
• 工具、提示词、管线
• 分类（例如“Work Productivity”、“Developer Productivity”），便于 UI 分组

把符合模板结构的 JSON 文件放到 app/lib/prebuilt-cards/，重启应用即可看到它出现在预置助理列表里。

---

用户界面里的体验片段

Rowboat 的应用里“Copilot”会用自然语言引导你搭建与连接 Agent，并提示你能做的事情，比如：

<span className="text-lg">⚡</span>
<span className="text-sm text-zinc-600 dark:text-zinc-400">Build AI agents instantly with natural language.</span>
<span className="text-lg">🔌</span>
<span className="text-sm text-zinc-600 dark:text-zinc-400">Connect tools with one-click integrations.</span>
<span className="text-lg">📂</span>
<span className="text-sm text-zinc-600 dark:text-zinc-400">Power with knowledge by adding documents for RAG.</span>
<span className="text-lg">🔄</span>
<span className="text-sm text-zinc-600 dark:text-zinc-400">Automate workflows by setting up triggers and actions.</span>

直观地体现了：

• 用自然语言瞬间构建 Agent
• 一键连接外部工具
• 通过文档增强检索问答（RAG）
• 通过触发器与动作实现自动化

---

适用场景与团队价值

• 创始人与产品经理：把散落在邮件与会议中的决策与洞察“结构化”，快速拉起汇报材料与路线图
• 销售与客户成功：自动整理客户关键事件与沟通要点，形成会前 Brief
• 个人效率：用语音备忘代替“随手记”，自动写入图谱，持续积累

最大的现实价值在于“上下文与行动力的闭环”：
你的数据在你的机器上被结构化、被记忆，然后立刻用于可执行的任务，减少“拿不到上下文”的低效问答。

---

开源与生态

• 开源协议：Apache 2.0，便于商业与二次开发
• 技术栈：TypeScript（前后端）、Next.js（应用）、CLI 与 Python SDK
• 模型与工具：环境变量可切换主流模型与私有部署，并支持把工具与管线纳入 Agent 的工作流
• 社区入口：官网、Discord、X（Twitter）等社交链接均在仓库 README 顶部徽章区

---

结语

Rowboat 把“AI 同事”的关键问题——长期记忆与真实上下文——做成了产品底座，同时给开发者开放了从 UI 到 CLI、从 TypeScript 到 Python 的完整集成路径。如果你希望从“好用的聊天”跨越到“可执行的工作流”，它值得一试。

• 仓库主页：rowboatlabs/rowboat
• 下载与发布页：Download | Latest Release
• 演示视频：YouTube Demo

---

参考与说明

• 本文内容基于仓库的 description 与多个 README 文件整理撰写，未添加与仓库无关的推断
• 代码搜索结果可能不完整，更多文件可在 GitHub Code Search 查看：搜索 rowboatlabs/rowboat 的代码