Điểm nổi bật
- Stars: 11.748 stars, tăng 507 stars hôm nay trên GitHub Trending
- Ngôn ngữ: TypeScript
- Tính năng chính: kết nối email, lịch, note để tạo knowledge graph sống lâu dưới dạng Markdown tương thích Obsidian
- Điểm khác biệt: local-first, dữ liệu nằm trên máy người dùng, hỗ trợ local model hoặc hosted model tùy chọn
Biểu đồ
Tóm tắt
Rowboat đại diện cho một nhánh rất đáng chú ý của thị trường AI productivity: không chỉ chat với tài liệu, mà xây “working memory” bền vững từ công việc đang diễn ra. Theo README, dự án kết nối Gmail, Google Calendar, meeting notes hoặc Fireflies để tạo ra một knowledge graph dài hạn ở dạng plain Markdown có backlink, người dùng có thể xem và sửa trực tiếp.
Điểm khiến Rowboat nổi bật là triết lý local-first. Thay vì giữ memory trong lớp retrieval ẩn hoặc cơ sở dữ liệu độc quyền, dự án để toàn bộ tri thức công việc nằm trên máy của người dùng, dưới dạng vault Markdown tương thích Obsidian. Đây vừa là lựa chọn kỹ thuật, vừa là lập trường sản phẩm về quyền kiểm soát dữ liệu.
Chi tiết
Nếu nhìn vào cuộc đua “AI coworker”, phần lớn sản phẩm đang cố chứng minh họ có thể trả lời tốt hơn hoặc thực hiện nhiều tool call hơn. Rowboat lại chọn một vấn đề khó nhưng thiết thực hơn: làm sao để bối cảnh công việc được tích lũy theo thời gian thay vì phải dựng lại từ đầu trong mỗi lượt chat. README mô tả khá rõ triết lý này bằng việc phân biệt “memory that compounds” với kiểu retrieval bắt đầu lạnh ở mọi phiên.
Về kiến trúc giá trị, Rowboat có ba lớp hấp dẫn. Lớp đầu tiên là ingestion, lấy dữ liệu từ email, lịch, live notes, voice memo và có thể từ các công cụ khác qua Composio hoặc MCP. Lớp thứ hai là representation, nơi mọi thứ được ghi về vault Markdown có backlink, nghĩa là người dùng có thể audit, sửa, backup hoặc xóa bất cứ lúc nào. Lớp thứ ba là action, nơi hệ thống dùng knowledge graph này để tạo meeting brief, draft email, tóm tắt follow-up, lập tài liệu, thậm chí dựng PDF slide.
Đây là điểm quan trọng với người dùng doanh nghiệp. Vấn đề của AI trợ lý trong công việc không chỉ là model đủ thông minh hay không. Vấn đề nằm ở việc nó có “biết bạn đang làm gì” mà không khiến bạn phải lặp lại context mỗi ngày. Rowboat giải bằng memory sống lâu, nhưng cố giữ memory đó ở dạng minh bạch và kiểm soát được. Trong bối cảnh niềm tin dữ liệu là rào cản lớn nhất của AI office tools, local-first là một khác biệt có sức nặng.
README cũng cho thấy dự án thiết kế khá thực dụng. Người dùng có thể chọn local model qua Ollama/LM Studio hoặc dùng hosted model với API key riêng. Các tích hợp như Deepgram, ElevenLabs, Exa hay MCP server là tùy chọn. Nghĩa là Rowboat không buộc người dùng chấp nhận một stack khép kín từ đầu. Điều này phù hợp với thị trường hiện tại, nơi doanh nghiệp muốn thử từng phần, từng quyền truy cập và từng lớp dữ liệu trước khi mở rộng.
Dẫu vậy, Rowboat cũng có thách thức rõ ràng. Sản phẩm kiểu này không thắng bằng demo một lần, mà bằng độ ổn định của ingestion pipeline, chất lượng entity linking trong graph, và khả năng tránh “memory rot” khi thông tin cũ chồng lên thông tin mới. Ngoài ra, local-first thường tăng độ tin cậy nhưng cũng tăng gánh nặng setup, nhất là khi người dùng phải tự cung cấp API key hoặc cấu hình service phụ trợ.
Tuy nhiên, tốc độ tăng sao trong ngày cho thấy cộng đồng đang hứng thú với hướng tiếp cận này. Khi AI chuyển từ chatbot sang coworker, memory có thể chỉnh sửa và sở hữu bởi người dùng nhiều khả năng sẽ là lợi thế cạnh tranh thật, không chỉ là khẩu hiệu. Rowboat đang đi đúng vào điểm đó.