我一直想要一个能把多个 Agent 串起来干活的工具。不是简单的一问一答，而是让不同的 Agent 各司其职：一个查邮件、一个整理信息、一个写回复、一个更新文档，彼此协作完成一个完整流程。
最近试了 Rowboat。TypeScript 写的，Apache-2.0 协议，Y Combinator S24 出来的项目，GitHub 15k+ Star。它定位是"带记忆的桌面 AI 同事"，核心能力是多 Agent 编排 + 本地长期记忆 + 工作流自动化。
我把它本地部署跑了一遍，今天说说体验。
一、它不是另一个 Chat 客户端
Claude Desktop、Cursor 这些工具本质是"对话界面"。你问一句，它答一句，上下文随着会话结束就丢了。下回再问，很多背景要重新解释。
Rowboat 的思路是：把工作数据索引成一个活的知识图谱，让 Agent 在这个图谱上长期协作。
三层结构：
- 工作面板层：邮件、浏览器、会议、代码、自定义 App
- 编排层：Agent 运行时、后台 Agent、Skills、工作流引擎
- 记忆层：Obsidian 兼容的本地 Markdown 知识图谱 + Qdrant 向量库
收到一封重要邮件时，后台 Agent 可以自动分类、标优先级、起草回复，并把相关上下文沉淀到知识图谱里。下次处理类似邮件时，Agent 知道你的偏好和处理方式。
二、多 Agent 编排：让 Agent 像团队一样分工
Rowboat 支持同时运行多个 Agent，每个 Agent 负责不同任务。
并行编码 Agent
Code Mode 里可以同时启动多个 Agent 实例。比如重构微服务时：
- Agent A 改 API 层
- Agent B 写数据库迁移脚本
- Agent 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，不会各干各的。
后台 Agent
这个是我觉得最有价值的设计。后台 Agent 可以不等你问就自动干活：
| 触发方式 | 示例 |
|---|---|
| 事件触发 | 收到新邮件时自动分类、标优先级、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 deadline 临近时检查进度并提醒 |
后台 Agent 能调用网页搜索、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、Skill 系统：把重复工作流固化下来
Rowboat 内置了一套 Skill 机制，位置在 apps/cli/src/application/assistant/skills/：
| Skill | 作用 |
|---|---|
| builtin-tools | 基础工具集 |
| mcp-integration | MCP 服务器发现与调用 |
| workflow-authoring | Agent 自己写新工作流 |
| workflow-run-ops | 工作流运行管理 |
| deletion-guardrails | 删除操作防护 |
workflow-authoring 这个 Skill 很有意思：你可以用自然语言描述需求，Agent 帮你生成工作流。比如"当 GitHub 有新 Issue 时，分析优先级并通知到 Slack"，Agent 会自动生成对应的工作流卡片。
预置的工作流卡片也有不少：
- 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
这些对业务自动化流程搭建很友好。
四、本地记忆：不是 RAG，是活的知识图谱
Rowboat 的记忆机制和传统 RAG 有本质区别：
传统 RAG：
用户提问 -> 向量检索历史对话 -> 把相关片段塞进上下文 -> 回答
（每次冷启动）
Rowboat：
工作数据持续索引成知识图谱 -> Agent 直接基于图谱推理 -> 上下文随时间复利增长
所有记忆都是 Obsidian 兼容的本地 Markdown 文件，存在你的机器上，不上云。特性包括：
- 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
- 可编辑：AI 写错或漏了，你可以手动改 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很友好——金融、医疗、法律这类对合规要求高的场景，本地优先存储是刚需。
五、部署和上手
Rowboat 支持 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 http://localhost:3000/projects/select。
需要配置的 API Key 包括：
OPENAI_API_KEYAGENTS_API_KEYCOPILOT_API_KEYQDRANT_URL/QDRANT_API_KEY
另外也支持桌面端直接下载，跨 Mac / Windows / Linux。
六、模型无关与 MCP 扩展
Rowboat 不绑定某个模型：
- 本地模型：Ollama、LM Studio
- 云端模型：OpenAI、Anthropic、Google
- 可以按任务选模型：简单邮件分类用本地小模型省钱，复杂代码生成调 Claude
MCP 集成也很开放：
- 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 文件形式存在 ~/.rowboat/config/，每个服务单独一个文件，管理起来比较清晰。
七、我的判断
适合谁：
- 需要长期项目记忆的团队
- 有数据合规要求、不想把工作数据上传云端的企业
- 想自动化重复业务流程的团队
- 需要多个 Agent 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 最大的亮点是把"记忆"从对话级升级到了工作级。Agent 不是每次从头学你，而是在一个持续积累的知识图谱上工作。这在长周期项目里很有价值。
多 Agent 编排加上后台 Agent，让它从"你问它答"变成了"它自己干活"。但这也意味着配置复杂度上去了，小团队或者个人用户可能觉得重。
另一个让我喜欢的是开源 + 本地存储。Claude Desktop 的记忆在云端，Rowboat 的记忆在你本地 vault 里。对于认真用 AI 处理工作的团队，这个差异很重要。
结语
Rowboat 不是又一个 AI Chat 工具，而是一个AI 工作操作系统。它把桌面端、多 Agent 运行时、本地知识图谱、工作流引擎拼在了一起，目标是让 AI 真正参与你的日常工作流，而不是只在聊天框里回答问题。
它的方向是对的：未来的 AI 助手不应该只是会话工具，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 把这个愿景做成了一个可下载、可部署、可定制的开源方案。
