你有沒有這種經驗：昨天才跟 AI 把一個專案的來龍去脈講清楚，今天打開新對話，它又是一張白紙，你得從頭再交代一次背景。這不是它不夠聰明，是它根本沒有記憶。市面上大多數 AI 聊天工具都長這樣，一次性、講完就忘，比較像一個很會查資料的臨時工，而不是一個懂你的同事。
rowboat 想處理的就是這件事。它把自己定位成 AI coworker，也就是「AI 同事」，差別在於它會把你交代過的東西記住、一路累積起來，然後試著把那些每天重複、你根本懶得再碰一次的雜活，自己接手做掉。這篇就用白話帶你看它到底是什麼、能幹嘛，以及自架之前該先知道的那些不好聽的話。
先講基本盤。rowboat 是 rowboatlabs 團隊做的開源專案，在 GitHub 上已經破 1.6 萬顆星，採用對商用相對友善的 Apache-2.0 授權，主體用 TypeScript 寫成。官方一句話定位就是「開源的 AI coworker，帶記憶」。它不是那種你打開網頁、丟個問題、拿到答案就關掉的工具，而是一個跑在你自己電腦上的桌面應用：它會把你的 email、會議記錄、對話這些工作素材，整理成一張知識圖譜，資料就是一堆純文字的 Markdown 檔，放在你本機，你隨時能打開來看、來改。在這張圖之上，它再用多個 agent 幫你把事情做完。這是它跟一般 AI 聊天最根本的體質差異。
rowboat 能做什麼
- 多 agent 協作：不是一個大模型硬扛所有事，而是拆成多個 agent 分工。你可以設定背景 agent，讓它在「收到新 email」或「每天早上八點」這種條件下自動跑起來。
- 跨對話累積脈絡：把 email、會議、Slack、跟助理的對話都索引進一張 Obsidian 風格的知識圖譜，脈絡越用越厚，而不是每次重開都從冷啟動。
- 自動化重複工作流：背景 agent 可以幫你起草回信、整理會議重點、產簡報，甚至叫 Claude Code 或 Codex 去寫程式，都以你那張圖的脈絡為底。
- 接工具與 API：透過 MCP（Model Context Protocol）串外部服務，搜尋、資料庫、CRM、GitHub、Slack 這些都能掛上去，也能接你自己公司的內部工具。
- 開源可自架：整包程式碼都在 GitHub，你可以用雲端模型的 API key，也能接本機模型（像 Ollama、LM Studio），資料留在自己手上。
「帶記憶」為什麼重要
講白一點，有沒有記憶這件事，決定了一個 AI 工具到底是玩具還是同事。
沒有記憶的 AI，每次都從零開始。你今天教它你們公司的產品線、你的寫作偏好、這個客戶的雷點，明天它全忘光。你省下的那點時間，又都拿去重複交代背景了，長期算下來根本沒賺。它很聰明，但它不認識你。
有記憶就不一樣了。當一個 AI 能記住你上禮拜的決定、記得這個專案卡在哪、知道你不吃哪種寫法，它才開始像個真正跟你共事過一段時間的同事，你講半句它接得下去。這也是為什麼 rowboat 特別強調 memory，而且它做記憶的路子跟很多工具不太一樣：它不是把文件切塊丟進向量資料庫做相似度檢索，而是老老實實寫成一篇篇互相連結的 Markdown 筆記，關係看得見、可以自己去翻。
這個邏輯其實跟我們之前聊過的 codebase 記憶是同一套：記憶不是附加功能，是讓 AI 從「每次重來」進化到「越用越懂你」的那個開關。少了它，再強的模型也只是台一次性的問答機。
| 維度 | 一般 AI 聊天 | rowboat（帶記憶的 AI coworker） |
|---|---|---|
| 記憶 | 講完就忘，每次新對話重開機 | 累積成知識圖譜，脈絡越用越厚 |
| 多 agent | 單一模型一問一答 | 多個 agent 分工，可背景／排程自動跑 |
| 自動化 | 你問一句它答一句，要你手動觸發 | 可綁事件或時間，重複流程自己接手做 |
| 自架 | 多半綁某家雲端服務，資料在別人手上 | 開源可自架，資料存本機純文字 Markdown |
誰適合、誠實缺點
先講適合誰。如果你每天有一堆固定、重複、規則清楚的雜活，收信分類、整理會議記錄、把資訊搬來搬去、盯著某個事件觸發就做一組動作，而且你在意資料要留在自己電腦、不想全丟給某家雲端服務，那 rowboat 這種本機優先、開源可自架的路線就滿對你胃口。有工程底、想自己組多 agent 工作流的人，會玩得更順手。
但話說回來，缺點也得誠實講，別被「開源」「AI 同事」這幾個字沖昏頭。
第一，它還很早期。這是個近期才起步的專案，星星衝很快不代表功能都磨穩了，你會踩到一些坑、遇到文件沒寫清楚、版本一直在動的地方。第二，開源不等於免費。模型要嘛你自備雲端的 API key，用越兇帳單越高；要嘛你自己接本機模型、自己扛硬體。語音、網頁搜尋這類進階功能還可能要另外接第三方服務的 key，成本是你自己的。第三，多 agent 設定有門檻。要它真的幫你把流程跑順，你得先想清楚拆幾個 agent、每個管什麼、什麼條件觸發，這需要一點規劃，不是裝好就自動變聰明。第四，別期待開箱即用的企業級成品。要落地到團隊真正在用，權限、稽核、穩定性這些最後一哩，多半得你自己補。它給你的是一套很有想法的骨架，不是一個交鑰匙方案。
結論
把這些放在一起看，rowboat 有意思的地方不在「又一個 AI 工具」，而在它賭的方向：AI 要真的變成同事，關鍵不是模型再大一號，而是它記不記得你、能不能把重複的事自己接走。這個判斷我是認同的。至於它現在成熟到什麼程度、值不值得你花時間自架，那就得看你手上有沒有那些天天在做、做到煩的重複活，以及你願不願意為了資料自主，接受一個早期專案的粗糙。想先看它長怎樣，直接去它的 GitHub 翻一翻是最快的。
延伸閱讀
- 為什麼 AI agent 需要「記憶」？從 codebase memory 看懂這套邏輯
- Dify 是什麼？開源的 LLM app 建構器，讓你不寫死程式也能組工作流
- awesome-llm-apps：100+ 個 RAG／agent 範例的開源寶庫
- GitHub 熱門開源 AI 專案精選 2026（總表）
※ 本文為工具介紹與使用心得整理，資訊（功能、授權）截至 2026 年 7 月，AI 工具更新極快，star 數與功能請以官方 GitHub 當下為準。文中不含任何投資建議。
發佈留言