Rowboat 本地搭建教程：让 AI 真正“记得你做过什么”

你有没有这种崩溃时刻：

上周会议定了方案，这周又被拉进群里“再对一遍背景”
决策过程散落在邮件、IM、文档评论区，找起来像考古
你想让 AI 帮忙推进工作，结果它每次都要你重讲上下文

问题不在你不够聪明，问题在“记忆”没被系统化。

Karpathy 那句很扎心：少输入 tokens，让大量事情替你发生。要做到这点，你的 AI 得有持续累积的工作记忆。

Rowboat 就是奔着这个来的：用 Markdown + Obsidian 这种朴素但强韧的底座，把工作里的信息织成一个会越长越密的知识网，而且强调 100% 本地运行。

仓库：github.com/rowboatlabs/rowboat（原文给的链接）

下面这篇给你一套“能落地”的搭建路线：从本地跑起来，到怎么把会议/邮件/决策喂进去，再到怎么用它减少你重复解释的次数。

你会得到什么（讲人话版）

搭好后，你会逐渐拥有：

一个 Obsidian Vault：所有工作内容以 Markdown 形式沉淀
可查询的记忆：今天问 AI“这个需求当时为什么这么定”，它能翻出依据
越来越顺的知识图谱：人、项目、决策、承诺、截止日期彼此有链接
更少的重复劳动：少开“对齐会”，少写“背景介绍”，少翻聊天记录

开始之前：准备清单 ✅

把这些装好，后面会很省事：

Git（拉代码）
Docker Desktop（强烈推荐，省去环境地狱）
Obsidian（用来浏览/编辑 Vault）
（可选）本地大模型运行器：比如 Ollama / LM Studio

说明：Rowboat 的具体依赖、端口、启动命令以仓库 README 为准。下面给的是一套“通用且稳妥”的本地部署路线，你照着做能快速跑通，再按 README 微调。

部署路线 A：Docker 跑起来（适合大多数人）

1）拉取代码

git clone https://github.com/rowboatlabs/rowboat.git
cd rowboat

2）找 compose / 启动入口

在项目根目录看这些文件有没有：

docker-compose.yml / compose.yml
Makefile
README.md 里的 Quickstart

常见启动方式一般是其中一种：

# 方式 1：docker compose
docker compose up -d --build

# 方式 2：Makefile
make up

跑起来后，通常会有：

一个 Web UI（浏览、搜索、图谱、任务）
一个索引/嵌入服务（做检索）
一个本地数据库（SQLite 或 Postgres，看项目配置）

3）确认数据目录是“本地持久化”

这一步很关键，不然你重启容器就全没了。

你要在 compose 里看到类似：

./data:/app/data
./vault:/app/vault

没有的话就按 README 配。目标只有一个：Vault 和索引数据落在你自己的硬盘上。

部署路线 B：本机源码运行（适合爱折腾/要改代码的人）

通常会是 Python/Node 其中之一，常见套路：

# Python 例子
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# 或 Node 例子
pnpm install
pnpm dev

具体用哪套命令，别猜，直接以仓库 README 为准。

把 Obsidian 接上：让“记忆”可见、可编辑 🧠

Rowboat 的底层是 Markdown，这个选择特别爽：

你不被任何 SaaS 绑架
文件就是文件，能 Git、能备份、能迁移
Obsidian 打开就是一整个工作大脑

你要做的事

在本地新建一个 Vault 文件夹，比如：
```
~/RowboatVault
```
在 Rowboat 配置里，把 Vault 路径指向这个目录
用 Obsidian 打开这个 Vault

之后你所有会议纪要、决策记录、项目日志，都往这里写。Rowboat 负责索引、连线、检索和“把上下文喂给 AI”。

信息怎么喂进去：别靠自律，靠流程

靠“我记得要整理”基本等于没整理。建议你用下面这套结构，写起来像流水账，但检索起来非常猛。

会议纪要模板（建议强制使用）

新建：03_Meetings/2026-05-11-项目A周会.md

---
type: meeting
date: 2026-05-11
project: 项目A
attendees: [张三, 李四]
---

# 项目A周会（2026-05-11）

## 结论
- 

## 讨论要点
- 

## 决策（一定要写清楚）
- 决策：
  - 选项：
  - 原因：
  - 反对意见：
  - 负责人：
  - 复盘时间：

## 承诺 / To-do
- [ ] 谁 在 什么时候 前 做 什么

## 资料链接
-

你会发现，AI 最爱这种结构化信息。因为它能稳定抽取“人/事/时间/原因”。

决策记录模板（让你少背锅）

新建：04_Decisions/DEC-2026-05-11-为什么选方案B.md

---
type: decision
date: 2026-05-11
project: 项目A
status: decided
---

# DEC-2026-05-11 为什么选方案B

## 背景

## 候选方案
- A：
- B：
- C：

## 最终选择
- 选：B

## 依据
- 

## 影响范围
- 

## 风险与兜底
-

这份东西写好了，以后有人问“当时为什么这么定”，你不用再开会解释半小时。

接本地模型：保证“100% 本地”的关键点

很多人说本地，结果 embedding 还在调云 API，那就尴尬了。

你要做的是两件事：

LLM 推理本地（用于总结、问答、抽取）
Embedding 向量本地（用于检索/召回）

常见做法是用 Ollama：

# 安装好 ollama 后
ollama pull qwen2.5:7b
ollama pull nomic-embed-text

然后在 Rowboat 的配置里把：

LLM Base URL 指向 http://localhost:11434
Embedding model 也切到本地

具体字段名看 Rowboat 的配置示例（一般在 .env.example、config.yaml 一类文件）。

每天怎么用：给你一条“低摩擦”工作流

你不需要做很多。

习惯 1：所有会议纪要都进 Vault

会后 10 分钟内，把纪要丢进 03_Meetings
没时间写？就贴录音转文字/聊天记录也行，先落地再优化

习惯 2：每次拍板都写一条决策卡片

只写 3 行也可以：选了啥、为啥、谁负责
不写决策记录，后面必然出现“反复讨论同一件事”

习惯 3：承诺集中管理

把所有“谁在什么时候前要交付什么”写进 05_Commitments。

你会明显感觉到：

扯皮变少
追进度变简单
你不需要当人肉提醒器

你可以直接问它什么（例子）

当你把资料持续喂进去，问题就可以问得很具体：

“项目A 这个需求当时的决策依据是什么？把反对意见也列出来。”
“把过去两周跟张三相关的承诺按截止日期排序。”
“上次我们讨论的风险清单有哪些？哪几条还没兜底？”
“把这个讨论串总结成：结论/分歧点/待办/负责人。”

这才叫少输入 tokens。

避坑清单（踩过的人会懂）

Vault 乱命名：文件名带日期，长期收益巨大。别用“会议纪要(1)(最终版).md”。
只存总结不存原文：总结会丢细节。原文+结构化摘要一起留。
到处都是 To-do：待办散落在会议纪要里很正常，但一定要有一个承诺中心（05_Commitments）。
本地≠没备份：本地跑得越爽，越要做备份。Git + 加密网盘/移动硬盘，随你。
模型太小硬扛复杂任务：7B 能用，但别指望它一次性读懂十几份长文档。该分块就分块。

一句行动建议

别等“资料整理完再开始”。

今天就做三件事：

把 Rowboat 跑起来（Docker 优先）
建好 Vault 目录结构
把下一场会议纪要按模板写进去

坚持两周，你会开始尝到甜头。

6 个月后差距会非常夸张：你要么拥有一个会长记性的工作系统，要么继续在聊天记录里考古。选哪个，真的就看今天动不动手。

Rowboat 本地搭建：把邮件、会议、决策都喂给 AI，做个能“自动长记性”的第二大脑