说实话，我一直渴望拥有一款能将多个智能体串联起来协同工作的工具。它不应仅是简单的问答交互，而是让不同智能体各司其职：一个负责查阅邮件，一个整理信息，一个撰写回复，一个更新文档，彼此配合完成一个完整的业务流程。
最近我体验了 Rowboat。这款工具采用 TypeScript 开发，遵循 Apache-2.0 协议，出自 Y Combinator S24 批次，GitHub 上已获得 15k Star。它的定位是“带记忆的桌面 AI 同事”，核心能力涵盖多智能体编排、本地长期记忆以及工作流自动化。
我在本地部署并运行了一遍，下面分享一些实际使用感受。
一、它不是另一个聊天客户端
Claude Desktop、Cursor 这类工具，本质上仍是“对话界面”。你提问，它回答，上下文随着会话结束便丢失。下次再问，许多背景信息需要重新解释一遍。
Rowboat 的设计思路截然不同：它将工作数据索引成一个动态的知识图谱，让智能体在这个图谱上实现长期协作。
三层架构：
- 工作面板层：邮件、浏览器、会议、代码、自定义应用
- 编排层：智能体运行时、后台智能体、技能模块、工作流引擎
- 记忆层：兼容 Obsidian 的本地 Markdown 知识图谱 + Qdrant 向量数据库
当收到一封重要邮件时，后台智能体可以自动进行分类、标记优先级、起草回复，并将相关上下文沉淀到知识图谱中。下次处理类似邮件时，智能体能记住你的偏好和处理方式。
二、多智能体编排：让智能体像团队一样分工协作
Rowboat 支持同时运行多个智能体，每个智能体负责不同的任务。
并行编码智能体
在 Code Mode 中，可以同时启动多个智能体实例。例如重构微服务时：
- 智能体 A 负责修改 API 层
- 智能体 B 编写数据库迁移脚本
- 智能体 C 更新前端调用代码
它们共享同一个本地知识图谱上下文，不会各自为政。
后台智能体
这个设计最具价值。后台智能体无需你主动询问即可自动执行任务：
| 触发方式 | 示例 |
|---|---|
| 事件触发 | 收到新邮件时自动分类、标记优先级、起草回复 |
| 定时触发 | 每天早上整理日程并生成简报 |
| 条件触发 | 项目截止日期临近时检查进度并发出提醒 |
后台智能体能够调用网页搜索、浏览器操作、代码执行，通过 MCP 还能连接 Slack、Jira、GitHub、CRM 等企业系统。
三、技能系统：将重复工作流固化下来
Rowboat 内置了一套技能机制，位于 apps/cli/src/application/assistant/skills/：
| 技能 | 作用 |
|---|---|
| builtin-tools | 基础工具集 |
| mcp-integration | MCP 服务器发现与调用 |
| workflow-authoring | 智能体自行编写新工作流 |
| workflow-run-ops | 工作流运行管理 |
| deletion-guardrails | 删除操作防护 |
workflow-authoring 这个技能尤其有趣：你可以用自然语言描述需求，智能体会帮你生成工作流。例如“当 GitHub 有新 Issue 时，分析优先级并通知到 Slack”，智能体会自动生成对应的工作流卡片。
预置的工作流卡片也相当丰富：
- customer-support：客服自动分类与路由
- github-issue-to-slack：GitHub Issue 同步到 Slack
- eisenhower-email-organizer：邮件按四象限管理优先级
- meeting-prep-assistant：会前准备助手
- interview-scheduler：面试日程协调
这些功能对业务自动化流程搭建非常友好。
四、本地记忆：不是 RAG，而是活的知识图谱
Rowboat 的记忆机制与传统的 RAG 有本质区别：
传统 RAG：用户提问 -> 向量检索历史对话 -> 将相关片段塞入上下文 -> 回答（每次冷启动）
Rowboat：工作数据持续索引成知识图谱 -> 智能体直接基于图谱推理 -> 上下文随时间复利增长所有记忆都存储为兼容 Obsidian 的本地 Markdown 文件，保存在你的设备上，不上传云端。特点包括：
- 长期积累：三个月前的决策仍可被引用
- 关系显式化：会议、项目、邮件、任务之间的关系可视化呈现
- 可编辑：AI 写错或遗漏时，你可以手动修改 Markdown
- 可审计：每条引用都能追溯到具体文件的第几行
这个设计对数据敏感型企业非常友好——金融、医疗、法律等对合规性要求高的场景，本地优先存储是刚性需求。
五、部署与上手
Rowboat 支持通过 Docker Compose 一键启动：
git clone https://github.com/rowboatlabs/rowboat.git
cd rowboat
docker-compose up --build启动后访问 https://localhost:3000/projects/select。
需要配置的 API Key 包括：
OPENAI_API_KEYAGENTS_API_KEYCOPILOT_API_KEYQDRANT_URL/QDRANT_API_KEY
此外，也支持直接下载桌面端，适配 Mac / Windows / Linux 系统。
六、模型无关性与 MCP 扩展
Rowboat 不绑定特定模型，这一点非常灵活：
- 本地模型：Ollama、LM Studio
- 云端模型：OpenAI、Anthropic、Google
- 可以按任务选择模型：简单邮件分类用本地小模型节省成本，复杂代码生成调用 Claude
MCP 集成也非常开放：
- Exa（搜索）
- Slack、Linear、Jira、GitHub
- Twitter/X、ElevenLabs（语音）
- Composio 接入更多第三方工具
API Key 以 JSON 文件形式存放在 ~/.rowboat/config/，每个服务单独一个文件，管理起来清晰明了。
七、实际判断
适合谁：
- 需要长期项目记忆的团队
- 有数据合规要求、不愿将工作数据上传至云端的企业
- 希望自动化重复业务流程的团队
- 需要多个智能体协作完成复杂任务的开发者
不适合谁：
- 纯个人轻量使用，Claude Desktop 更省心
- 不想配置 API Key 和本地服务的用户
- 需要多端云同步的用户
实际感受：
Rowboat 最大的亮点是将“记忆”从对话级升级到了工作级。智能体不再每次从头学习你，而是在一个持续积累的知识图谱上工作。这在长周期项目中非常有价值。
多智能体编排加上后台智能体，让工具从“你问它答”变成了“它自己干活”。但这也意味着配置复杂度有所提升，小型团队或个人用户可能会觉得有些重。
另一个令人欣赏的特点是开源加本地存储。Claude Desktop 的记忆在云端，而 Rowboat 的记忆保存在你的本地 vault 中。对于认真用 AI 处理工作的团队来说，这个差异至关重要。
结语
Rowboat 不是又一个 AI 聊天工具，而是一个 AI 工作操作系统。它将桌面端、多智能体运行时、本地知识图谱、工作流引擎融合在一起，目标是让 AI 真正融入你的日常工作流，而不仅仅是在聊天框里回答问题。
它的方向是正确的：未来的 AI 助手不应只是会话工具，而应该是持续理解你工作上下文、能主动执行任务的同事。Rowboat 将这个愿景落实为一个可下载、可部署、可定制的开源方案。
