rowboat

Rowboat：把工作变成知识图谱的开源 AI 同事

背景：为什么需要"有记忆的 AI"

我们每天在 Gmail、Google Calendar、会议记录里产生大量工作信息，但大多数 AI 助手每次对话都是"从零开始"——它们不知道你上周和谁吵过架，不知道你手头项目卡在哪里，更不知道你向老板承诺过什么交付时间。上下文窗口再大，也只是临时记忆，而非真正的"知识积累"。

Rowboat（rowboatlabs/rowboat）正是为解决这一痛点而生。这个来自 Y Combinator S24 的开源项目，定位为本地优先的个人 AI 同事，核心思路是：把你的邮件、会议、笔记全部汇入一个长期维护的知识图谱，然后让 AI 在这个图谱上"工作"，而非每次临时喂上下文。

项目起源与团队

Rowboat 由 Rowboat Labs 开发，公司网站 rowboatlabs.com，背后团队规模不大但迭代速度极快。GitHub 显示 14,000+ stars、1,400+ forks、110 个 open issues，说明社区活跃度相当高。2026 年 5 月仍有 push 记录，维护状态健康。项目遵循 Apache-2.0 许可证，完全开源。

核心功能：从"助理"到"同事"的跨越

Rowboat 远不止一个聊天机器人。它的实际能力可以分成几层：

知识图谱构建：Rowboat 自动从 Gmail、Google Calendar、Fireflies 会议记录中提取信息，建立人与人、项目与决策之间的关联关系。这不是简单的 RAG 检索，而是结构化的"记忆网络"——你可以随时打开 Markdown 文件，直接看到并编辑 AI 是怎么理解你的工作的。

主动工作能力：输入"帮我准备和 Alex 的会议"，Rowboat 会从知识图谱中提取你们之前的所有决策、悬而未决的问题和相关讨论，生成一份简报——甚至可以生成语音播报。"帮我做一个关于下季度路线的 PPT"，它会基于图谱中的上下文直接生成 PDF 幻灯片。

Live Notes（持续追踪笔记）：用 @rowboat 召唤一个笔记，它可以持续追踪某个竞争对手、X/Reddit 上的舆论动态、某个项目的进展，自动把新信息写回你的本地笔记库。这些笔记完全受你控制——随时可编辑、可删除、可备份。

多模型支持：不绑死 OpenAI。支持本地模型（通过 Ollama 或 LM Studio），也支持任意有 API 的云端模型。切换模型不影响数据——数据始终存在你的本地 Markdown 保险柜里。

技术架构：LangChain + Next.js + MCP 的深度整合

从代码层面看，Rowboat 的架构相当清晰：

前端：Next.js 15（App Router）+ React 19 + TypeScript，使用 HeroUI（基于 React Spectrum）组件库。这意味着 UI 层是正经的企业级前端，而非草草搭建的管理后台。

AI 层：核心依赖包括 @openai/agents（OpenAI Agents SDK）、@langchain/core（LangChain）、@modelcontextprotocol/sdk（MCP）。项目同时集成了 Google Generative AI（Gemini）和 OpenAI 的 embedding 模型。RAG 部分用 Qdrant 向量数据库做语义检索，配合 mongodb 存储结构化数据。

MCP 扩展机制：这是 Rowboat 区别于普通 AI 助手的核心差异化能力。通过 Model Context Protocol，可以接入 Exa（网络搜索）、Twitter/X、ElevenLabs（语音）、Slack、Linear/Jira、GitHub 等外部工具。Composio 的集成进一步扩展了可用工具库，API key 通过 JSON 配置文件注入，完全本地化。

数据层：MongoDB（主数据库）+ Redis（任务队列/缓存）+ Qdrant（向量检索）。这三个组件均通过 docker-compose 一键拉起，无需额外部署。

后端：Node.js/TypeScript 服务，通过 Auth0 做认证。这意味着团队协作场景（多用户、权限控制）是项目规划的一部分，不只是个人工具。

桌面应用：提供 Mac/Windows/Linux 原生安装包（Electron 打包），build-electron.sh 脚本负责构建。用户可以选择 Web 版或桌面版。

部署体验：Docker 一键启动，但有门槛

docker-compose.yml 写得相当完整，包含：

• rowboat 主服务（Next.js）
• mongo + redis + qdrant 三个基础设施
• 可选 profile：docs（文档站）、rag-worker（RAG 处理）、setup_qdrant（向量库初始化）

Dockerfile 使用多阶段构建，基于 node:18-alpine，先装依赖再构建最终镜像，镜像体积有优化。

但部署并非"零配置"。需要配置的包括：OpenAI API Key（或替代的 LLM provider）、Auth0 应用凭证、GOOGLE_API_KEY（用于 Gmail/Calendar 集成）、可选的 Deepgram/ElevenLabs/Exa/Composio API Key。配置方式是在启动目录下创建 .env 文件，参考 .env.example。对于国内用户，还涉及代理配置。

估算时间：有 Docker 经验的用户约 30 分钟能跑起来（不含各 API Key 申请时间）。无 Docker 基础的用户可能需要 1-2 小时。

局限性：诚实面对挑战

1. API Key 依赖：没有免费使用路径，必须自备至少一个 LLM 提供商的 API Key。
2. 配置复杂度：大量环境变量、多个外部服务集成，对非技术用户不够友好。
3. 隐私边界：Gmail/Google Calendar 的 OAuth 授权意味着你的工作数据会经过 Rowboat 的服务器（即使是本地部署，连接云端 Gmail API 也需要网络通信）。
4. 知识图谱质量依赖输入：如果 Gmail 里邮件不整理、会议记录不规范，知识图谱的可用性也会打折扣。

行业意义

Rowboat 代表了 AI 助手从"问答工具"向"工作伙伴"演进的趋势。核心洞察是：上下文窗口是临时记忆，向量检索是图书馆检索，只有知识图谱才能做到真正的长期积累。这条路线和 Recall.ai、Mem.ai 等产品的方向一致，但 Rowboat 的开源属性和 MCP 扩展能力给了开发者更大的定制空间。

随着 MCP 生态的成熟，像 Rowboat 这样深度集成 MCP 的应用会获得越来越强的工具调用能力——理论上，未来它可以代替你完成日历预约、邮件回复、Slack 消息等完整的"数字工作流"。

总结推荐：对于个人知识工作者和 AI 开发者，Rowboat 值得尝试。它将知识管理、LLM 推理、MCP 工具调用整合在一个本地优先的框架里，开源透明，值得深入探索。