开源版"带记忆的 Claude Desktop"——我试了 Rowboat 的多 Agent 编排

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.gitcd rowboatdocker-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。