企业官网建设流程全解析

Rowboat：开源本地优先的 AI 同事，用长期记忆知识图谱驱动日常工作的实战指南

【免费下载链接】rowboatOpen-source AI coworker, with memory项目地址: https://gitcode.com/GitHub_Trending/rowb/rowboat

Rowboat 是一款开源的桌面端 AI 同事（AI coworker）应用，核心特性是把你的邮件、会议、Slack 与助手对话索引进一个 Obsidian 风格的活知识图谱，并基于这份长期记忆在你的机器上完成实际工作。本文以仓库根目录 README.md 为主体，结合 apps/x/packages/core/src/knowledge 下的知识图谱实现源码，系统讲解其功能矩阵、安装配置、模型接入与 MCP 工具扩展，以及"长期记忆 vs 即时检索"的技术设计思路。

项目定位与核心功能矩阵

Rowboat 的定位是一台桌面级的 AI 同事：它不只回答问题，而是把你的工作内容持续索引成一个活的、可检查、可编辑的知识图谱，再用这些知识在本地执行真实任务。它内置了多个与 AI 协作的工作台（work surfaces），覆盖日常工作中最常见的信息流：

这些工作台共享同一套底层机制：知识图谱负责"记住"，后台代理与编码代理负责"行动"。

安装与前置配置

系统支持：Mac / Windows / Linux 三平台桌面应用，官方下载入口在 Download。

Google 服务接入（Gmail / Calendar / Drive）

要连接 Google 服务，需要先在 Google Cloud Console 生成 OAuth 凭据（Client ID 与 Client Secret）。完整步骤记录在仓库根目录的 google-setup.md，要点如下：

1. 在 Google Cloud Console 创建新项目；
2. 依次启用 Gmail API、Google Calendar API、Google Drive API；
3. 配置 OAuth 同意屏幕（App 信息、Audience 选 External、添加联系邮箱），无需发布应用，保持 Testing 模式即可；
4. 在 Test Users 中添加你要连接 Rowboat 的邮箱；
5. 创建 OAuth Client ID，应用类型选择Web application，授权重定向 URI 必须精确填写http://localhost:8080/oauth/callback（无尾斜杠、端口 8080）；
6. 复制 Client ID 与 Client Secret，在 Rowboat 提示时粘贴。

常见排错：浏览器显示 "Authorization Successful" 但应用报错时，优先核对重定向 URI 是否完全一致、应用类型是否为 Web application（Desktop/UWP 类型可能不提供 client secret 或处理重定向方式不同）。

语音输入（可选）：Deepgram

在~/.rowboat/config/deepgram.json中添加 Deepgram API key 即可启用语音输入与语音备忘。源码侧的加载逻辑位于 apps/x/packages/core/src/voice/voice.ts，它通过readJsonConfig('deepgram.json')读取配置，并在调用 Deepgram 语音识别接口时以Authorization: Token <key>请求https://api.deepgram.com/v1/listen。

语音输出（可选）：ElevenLabs

在~/.rowboat/config/elevenlabs.json中添加 ElevenLabs API key 以启用语音输出。从源码看，该配置还支持可选的voiceId字段（默认使用内置的DEFAULT_VOICE_ID），请求会携带xi-api-key头访问https://api.elevenlabs.io/v1/text-to-speech/<voiceId>，支持流式/stream输出。

网络搜索（可选）：Exa

在~/.rowboat/config/exa-search.json中添加 Exa API key 以启用研究型搜索。

外部工具（可选）：MCP 或 Composio

启用外部工具有两种方式：添加任意 MCP 服务器，或在~/.rowboat/config/composio.json中添加 Composio API key。源码 apps/x/packages/core/src/composio/client.ts 显示，Composio 客户端会读取WorkDir/config/composio.json，未登录账号时以x-api-key头访问https://backend.composio.dev/api/v3。

所有 API key 文件使用统一格式：

{ "apiKey": "<key>" }

注意：README 给出的用户侧路径为~/.rowboat/config/*.json，而源码中的常量基于WorkDir（工作目录）计算，两者分别对应桌面应用的用户配置目录与程序工作目录，格式完全一致。

核心原理：长期记忆知识图谱（Brain）

与主流 AI 工具的本质差异

README 用一段话点明了设计差异：大多数 AI 工具在需要时通过搜索转写稿或文档来按需重建上下文；Rowboat 则维护长期存在的知识：

• 上下文随时间持续积累；
• 实体关系显式且可检查；
• 笔记由你亲自编辑，而不是藏在模型内部；
• 一切以纯 Markdown 形式保存在你的机器上。

结果是一种复利式记忆——记忆不断累积增值，而不是每次检索都从冷启动开始。

知识图谱构建系统的源码结构

知识图谱构建系统集中在 apps/x/packages/core/src/knowledge 目录，其内部文档 apps/x/packages/core/src/knowledge/README.md 给出了完整组件图：

• build_graph.ts：主编排器。批量处理源文件（邮件/转写稿），运行note_creation代理抽取实体，只处理新增或变更的文件（通过状态跟踪）。
• note_curation.ts：整合（"园丁"）代理。note_creation只追加不清理，笔记会随时间膨胀变质，每日一次整理将累积最多的笔记逐条重写。
• graph_state.ts：状态管理模块，采用 mtime + 哈希混合变更检测，状态存于WorkDir/knowledge_graph_state.json。
• sync_gmail.ts 与 sync_fireflies.ts：同步脚本，从 Gmail 和 Fireflies 拉取数据，保存为 Markdown 文件，并在同步成功后触发知识图谱构建。
• classify_thread.ts：收件箱分类器，为每封邮件的 frontmatter 打上knowledge: extract | skip判定。

变更检测策略（mtime + 哈希混合）

系统采用混合 mtime + 哈希方案避免重复处理：

1. 快速检查：比较文件修改时间（mtime），未变化则确定跳过；
2. 验证：mtime 变化时计算内容哈希——哈希未变说明是误报（mtime 变了但内容没变），跳过；哈希变了说明文件确实变更，进入处理流程。

这一策略既高效（只对可能变化的文件做哈希），又可靠（确认真实内容变更）。状态文件结构如下：

{ "processedFiles": { "/path/to/file.md": { "mtime": "2026-01-07T10:30:00.000Z", "hash": "a3f5e9d2c8b1...", "lastProcessed": "2026-01-07T10:35:00.000Z" } }, "lastBuildTime": "2026-01-07T10:35:00.000Z" }

处理流程

1. 同步运行（Gmail 或 Fireflies）：拉取新数据 → 保存为 Markdown → 调用buildGraph(SYNC_DIR)；
2. buildGraph()：加载状态 → 扫描源目录 → 只筛选新增/变更文件 →每个代理运行只处理 1 个源文件（BATCH_SIZE = 1），刻意防止跨文件实体污染 → 每批成功后增量保存进度；
3. 代理处理批次：抽取实体（人物、组织、项目、主题）→ 在WorkDir/knowledge/下创建/更新笔记 → 对出现在多个文件中的同一实体合并信息。

从 build_graph.ts 的源码注释可以看到，BATCH_SIZE = 1是刻意设计："One source file per agent run — prevents cross-file entity contamination in the graph"。每次批量构建前还会重建一次知识索引（buildKnowledgeIndex()），确保提示词中包含前序批次产出的最新实体索引；每批成功后调用commitAll('Knowledge update', 'Rowboat')将变更提交进版本历史。

笔记创建的严格度配置

系统支持三档严格度，控制从邮件创建笔记的激进程度；会议在任何级别都会创建笔记。配置位于WorkDir/config/note_creation.json：

{ "strictness": "medium", "configured": true }

首次运行系统会自动分析你的邮件并推荐设置（见 strictness_analyzer.ts）。各档位的取舍逻辑（来自 apps/x/packages/core/src/knowledge/README.md）：

自动推荐逻辑：超过 100 个真人发件人 → 推荐 High；50–100 个 → Medium；消费服务邮件占比超 50% → Medium；少于 30 个发件人 → Low。

源码层面，配置读写由 note_creation_config.ts 负责，支持low | medium | high三值，缺省为medium；configured标记用于区分"系统自动分析配置"与"尚未配置"。值得注意的是，源码中严格的邮件准入判定是硬编码在构建管线里的：build_graph.ts的emailAdmission()只放行被分类器打上knowledge: extract的邮件，knowledge: skip的邮件被标记为已处理并永久跳过；旧的 labeling 代理 frontmatter 则通过hasNoiseLabels()检查噪音标签兜底。

所有权身份注入与 Email Reply Gate

每次note_creation/note_curation运行都会注入一个"记忆所有者"信息块（由 build_graph.ts 的buildOwnerBlock()从config/user.json+knowledge/Agent Notes/user.md构建）。提示词中的身份逻辑——自我排除、第一人称视角、Email Reply Gate、外发邮件处理、按域名识别同事——全部依赖它，绝不让代理从邮件头猜测用户身份。

其中最重要的选择性规则是Email Reply Gate（"冷入站邮件绝不创建笔记"）。该规则由代码机械计算而非交给模型判断——源码注释记录了一次实测：某测试语料中 14 条笔记里有 7 条来自未回复的冷推销邮件。代码通过解析邮件的### From:线程结构，判断"用户这方是否曾在该线程中发过消息"：回复过才允许创建新的人物/组织笔记，且模型只负责判断回复的含义；纯入站线程则明确禁止创建任何新笔记（例外是真实的一对一/小团体会议邀请）。同时还会识别 Google Groups 的via重写格式，避免把外部发件人误判为同事。

每日整理（Curation）机制

note_creation只追加，若不定期整合，笔记会膨胀变质（重复活动、过期待办、frontmatter 漂移、模式从未沉淀为事实）。因此每日运行一次curateNotes()（源码常量：CURATION_INTERVAL_MS = 24h，每次最多处理CURATION_MAX_NOTES_PER_RUN = 8条）：

• 将超过 60 天的活动折叠为月度摘要；
• 把反复出现的模式提升为带日期的 Key facts / Assistant 笔记（反思步骤）；
• 将过期的未完成事项退役到 Dormant 列表；
• 校正 frontmatter/正文漂移与视角错误，并在 frontmatter 中盖上curated_at时间戳。

候选资格：活动条目数 ≥ 8、自上次整理后有修改、有 7 天冷却期（防止每次小追加都触发重整理）。整理结果以 "Knowledge curation" 提交进版本历史。这就是源码注释所说的"图谱的复利循环"。

后台代理：事件驱动 + 定时驱动

README 提到后台代理可"在新邮件到达时"运行，也可"每天早 8 点"定时运行。调度器的实现位于 apps/x/packages/core/src/background-tasks/scheduler.ts：

• 每15 秒轮询一次任务清单（POLL_INTERVAL_MS = 15_000，与 live-note 调度器一致）；
• 支持暂停/启用（task.active）、进行中保护（lastAttemptAt晚于lastRunAt视为在途，且仅在退避窗口内视为 in-flight，崩溃恢复后可重试）、指数退避（backoffRemainingMs）、周期锚定（只有成功运行才推进周期，失败保留待下一次自然触发重试）。

触发源通过dueTimedTrigger(task.triggers, completedAt)判定，对应 README 中"事件触发"（如新邮件）与"定时触发"（如每天早 8 点）两类触发器。代理可连接工具、搜索网络、使用内置浏览器，并通过 Claude Code 或 Codex 写代码。

自带模型（Bring Your Own Model）

Rowboat 兼容你偏好的模型方案，且可随时切换：

• 本地模型：通过 Ollama 或 LM Studio；
• 托管模型：自带 API key / 提供商；
• 随时更换模型——你的数据始终留在本地 Markdown vault 中，不受模型供应商锁定。

从源码结构看，模型相关实现集中在 apps/x/packages/core/src/models（29 个文件），知识图谱与编码代理均有独立的模型默认值解析（如getKgModel()），说明不同工作流可以分别指定模型。

通过 MCP 扩展工具能力

Rowboat 通过Model Context Protocol（MCP）连接外部工具与服务，可接入搜索、数据库、CRM、支持工具、自动化，以及你自己的内部工具。README 给出的示例包括：Exa（网络搜索）、Twitter/X、ElevenLabs（语音）、Slack、Linear/Jira、GitHub 等。仓库源码 apps/x/packages/core/src/mcp（含mcp.ts、repo.ts）与运行时工具域 runtime/tools/domains/mcp.ts 提供了 MCP 服务器的连接与工具调用支持。

示例：并行网络搜索（Parallel Search MCP）

Parallel Search MCP 提供web_search与web_fetch两个工具，无需 Parallel 账号或 API key 即可进行公开网页搜索与页面提取（免费使用有速率限制）。

配置步骤：打开Settings → MCP Servers，在现有mcpServers对象中追加parallel条目并点击Save，保留其他服务器条目。若尚未配置任何服务器，使用：

{ "mcpServers": { "parallel": { "url": "https://search.parallel.ai/mcp" } } }

该配置走 Rowboat 现有的 Streamable HTTP 客户端连接。配置完成后，让 Rowboat 列出parallel服务器上的工具，然后尝试："Use Parallel to find the official MCP documentation."（用 Parallel 查找官方 MCP 文档）。

几点注意事项（README 明确说明）：配置后 Rowboat 可以在工作中调用这些工具，受你的 MCP 工具权限约束；查询、请求的 URL 以及提供的目标或上下文会发送给 Parallel；此设置不会改动 Exa 及其他已配置的提供商；要移除时，删除Settings → MCP Servers中的parallel条目并保存即可。

Local-First 设计：一切尽在纯 Markdown

Rowboat 的本地优先设计是其记忆哲学的技术根基：

• 所有数据以纯 Markdown 本地存储；
• 无私有格式、无托管锁定；
• 你可以随时检查、编辑、备份或删除所有内容。

这意味着"记忆"是可读、可审计、可版本化的资产：WorkDir/knowledge/目录本身就是一本可被任何 Markdown 工具打开的知识库，knowledge_graph_state.json记录处理进度，version_history.ts的commitAll()把每次知识更新沉淀为可回溯的版本历史。

总结

Rowboat 的差异化路径可以概括为一句话：不是每次冷启动地检索，而是持续积累、显式可查、由你掌控的复利式记忆。本文覆盖了它的完整功能矩阵、Google 与语音/搜索/工具配置、知识图谱从同步到构建再到每日整理的技术管线（含严格度分层与 Email Reply Gate 的机械判定）、后台代理调度器、自带模型策略与 MCP 扩展方法。想深入实现细节的读者，可以从 apps/x/packages/core/src/knowledge/build_graph.ts 与 apps/x/packages/core/src/knowledge/README.md 开始，顺藤摸瓜阅读graph_state.ts、note_curation.ts与classify_thread.ts的完整实现。

【免费下载链接】rowboatOpen-source AI coworker, with memory项目地址: https://gitcode.com/GitHub_Trending/rowb/rowboat