AI coworker 这个概念不新鲜了。但大多数所谓的 "AI 同事" 其实只是换了个皮肤的 ChatGPT——聊完就忘，下次重新开始。
Rowboat 不一样。它的 README 就一句话："Open-source AI coworker, with memory."
13.7k stars，1608 commits，120 个 tags。这不是一个 demo 项目，而是一个持续迭代了一年多的开源产品。
它是什么
Rowboat 的定位是带记忆的个人 AI 同事。核心能力：
- 持久记忆：通过 Qdrant 向量数据库存储对话历史和项目上下文
- Live Notes：最新的 commit 显示 "feat: live notes — single objective per note replaces multi-track model"，说明他们在简化笔记模型，让每个 note 只关注一个目标
- 嵌入索引：仓库里有
Dockerfile.qdrant和改善 embedding index 的 commit，说明记忆检索是核心功能
架构信号
从仓库结构看几个关键信息：
apps/目录：说明有独立的前端应用，不只是一个 CLI 工具CLAUDE.md文件：项目用 Claude Code 开发（commit 里能看到 cursoragent 的贡献者），说明他们自己也在用 AI Agent 构建产品- 176 branches：对于一个 13.7k stars 的项目来说分支数偏多，可能意味着实验性功能不少
- 50 issues / 55 PRs：issue 和 PR 比例接近 1:1，说明社区贡献在流入
和同类项目的对比
AI coworker 赛道现在有几个玩家：
| 项目 | 定位 | Stars | 特点 |
|---|---|---|---|
| Rowboat | 开源 AI coworker | 13.7k | 持久记忆，Qdrant 后端 |
| Vellum Assistant | 个人 AI 助手 | 321 | 跨 macOS/Telegram/Slack |
| Anthropic Cowork | Claude 内置协作功能 | N/A | 闭源，Anthropic 生态内 |
Rowboat 的优势在于开源 + 记忆 + 独立部署。Anthropic 的 Cowork 功能虽然好用，但你被锁定在 Claude 生态里。Rowboat 可以接任何 LLM 后端。
能不能用
现在就能用。仓库有 Docker 支持（Dockerfile.qdrant），说明部署路径是清晰的。
但需要注意：
- 需要自己跑 Qdrant 实例，增加了运维成本
- 176 个分支意味着主分支可能不太稳定，建议用 release tag
- 社区规模中等（321 个 forks），遇到问题可能得自己解决
建议：先在本地 Docker 环境跑起来试试，别急着放到生产环境。记忆系统的好坏取决于 embedding 质量和检索策略，这些需要针对你的使用场景调优。
值得关注
Rowboat 的 "live notes" 功能设计思路很有意思——从 multi-track 模型切换到 single objective per note。这实际上是在做记忆的结构化，而不是简单地把所有对话塞进向量数据库。
如果这条路走通了，AI coworker 的记忆质量会有一个质的提升。毕竟，"记得所有东西" 和 "记得对的东西" 是两回事。
主要来源：