پرش به محتوای اصلی
پرش به محتوای مقاله

Rowboat با گراف دانش محلی حافظهٔ دائمی به عامل‌های هوش مصنوعی داد

·۱۶ تیر ۱۴۰۵۳ دقیقه مطالعه
همکار هوش مصنوعی متن‌باز با حافظه
همکار هوش مصنوعی متن‌باز با حافظه
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

جایگزینی سیستم‌های RAG سنتی (که فقط جست‌وجو می‌کنند) با یک گراف دانش محلی و دائمی که کاربر می‌تواند مستقیماً فایل‌های حافظه‌اش را ویرایش کند.

تصور کنید دستیاری دارید که هرگز فراموش نمی‌کند سه هفته پیش در جلسه سه‌شنبه چه تصمیماتی گرفتید یا کدام خط از کد شما با کدام ایمیل مشتری مرتبط است. این یعنی پایان عصر «راه‌اندازی سرد» (Cold Start) در گفتگوهای هوش مصنوعی؛ جایی که مدل هر بار از صفر شروع می‌کند.

طبق اعلام Rowboat Labs، این ابزار که در ۷ ژوئیه ۲۰۲۶ منتشر شد، به جای تکیه بر جست‌وجوهای مقطعی، یک حافظهٔ متراکم و پویا را مستقیماً روی سیستم شما می‌سازد.

همکار هوش مصنوعی متن‌باز با حافظه، برای کمک در توسعه نرم‌افزار و وظایف برنامه‌نویسی.

اکثر ابزارهای فعلی تنها زمانی اطلاعات را بازیابی می‌کنند که شما سوال بپرسید. اما Rowboat پیام‌های Slack، ایمیل‌ها و جلسات شما را در شبکه‌ای از یادداشت‌های متصل به هم indeks می‌کند. این سازوکار شبیه به یک مغز دیجیتال است که هرچه بیشتر با آن کار کنید، هوشمندتر می‌شود؛ درست مانند نحوه عملکرد گاوصندوق‌های شخصی در نرم‌افزار Obsidian.

همکار هوش مصنوعی متن‌باز با حافظه، برای کمک در توسعه نرم‌افزار و وظایف برنامه‌نویسی.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل داده‌ها در محیط محلی اولویت اصلی کاربران حرفه‌ای است. بر اساس مستندات گیت‌هاب این پروژه، Rowboat از طریق چهار سطح کاربردی با جریان کاری شما ادغام می‌شود:

  • کلاینت ایمیل: بر اساس بستر کاری ذخیره شده، پیش‌نویس پاسخ‌ها برای ایمیل‌های اولویت‌دار را می‌نویسد. همکار هوش مصنوعی متن‌باز با حافظه، برای کمک به تیم‌های توسعه در GitHub
  • یادداشت‌بردار جلسات: با دسترسی به میکروفون و بلندگو، نسخه‌های متنی زنده و خلاصه‌های Markdown ایجاد می‌کند. همکار هوش مصنوعی متن‌باز با حافظه، برای کمک به توسعه‌دهندگان در GitHub
  • حالت کدنویسی: از طریق Claude Code یا Codex، عامل‌هایی را برای توسعه پروژه با درک کامل از کل ساختار کد اجرا می‌کند. Code mode screenshot
  • مرورگر داخلی: محیطی ایزوله فراهم می‌کند تا هوش مصنوعی بدون به خطر انداختن امنیت مرورگر اصلی، به حساب‌های کاربری خاص دسترسی داشته باشد. همکار هوش مصنوعی متن‌باز با حافظه، برای کمک به توسعه‌دهندگان در GitHub

همکار هوش مصنوعی متن‌باز با حافظه، برای کمک به توسعه‌دهندگان در گیت‌هاب.

کاربران می‌توانند با استفاده از پروتکل زمینهٔ مدل (MCP) — که مثل یک درگاه استاندارد برای اتصال ابزارهای مختلف به هوش مصنوعی است — سیستم را به سرویس‌هایی مثل Exa، Linear، Jira یا GitHub متصل کنند. Rowboat انعطاف‌پذیری بالایی در انتخاب مدل دارد و اجازه می‌دهد بین مدل‌های محلی (از طریق Ollama و LM Studio) یا APIهای ابری جابه‌جا شوید.

Apps screenshot

این معماری مشکل «شکنندگی پنجرهٔ زمینه» (Context Window) را حل می‌کند. چون همه چیز به صورت فایل‌های Markdown ساده ذخیره می‌شود، حافظه به یک دارایی ملموس تبدیل می‌شود که می‌توانید آن را ویرایش یا حذف کنید. در نتیجه، هوش مصنوعی دیگر بر اساس حدس و گمان پاسخ نمی‌دهد، بلکه رابطه صریح بین یک جلسه در روز سه‌شنبه و یک کامیت کد در روز جمعه را درک می‌کند.

این حرکت به سمت حافظهٔ عامل‌محور (Agentic Memory) محلی، آینده‌ای را ترسیم می‌کند که در آن هوش مصنوعی دیگر یک وب‌سایت نیست، بلکه لایه‌ای از سیستم‌عامل است که سوابق حرفه‌ای شما را به طور کامل و قابل ویرایش حفظ می‌کند.

گام بعدی شما

  • آخرین نسخه‌های Rowboat را برای مک، ویندوز یا لینوکس از مخزن گیت‌هاب دانلود کنید.
  • کلیدهای API اختیاری برای Deepgram (صدا) یا ElevenLabs (خروجی) را در پوشه config تنظیم کنید.
  • ابزارهای مورد نیاز خود را از طریق MCP به گراف دانش متصل کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این ابزار با استفاده از استانداردهای باز (Markdown و MCP)، وابستگی کاربر به اکوسیستم‌های بسته شرکت‌های بزرگ را می‌گیرد. اعتبار این رویکرد در قابلیت بازرسی و ویرایش دستی حافظه توسط کاربر است که شفافیت عملیاتی را تضمین می‌کند.

تأثیر برای ایران

به دلیل متن‌باز بودن و پشتیبانی از مدل‌های محلی (Ollama)، توسعه‌دهندگان ایرانی می‌توانند بدون نیاز به پرداخت ارزی یا نگرانی از تحریم APIها، این سیستم را روی سخت‌افزارهای داخلی پیاده کنند.

·نگاه ما
تحریریه دات‌هوش

Rowboat با انتقال مرکز ثقل ارزش از «دانش عمومی مدل» به «گراف داده‌های شخصی کاربر»، مدل اقتصادی دستیارهای AI را تغییر می‌دهد. این رویکرد ثابت می‌کند که برای بهره‌وری واقعی، نیاز به مدل‌های بزرگ‌تر نیست، بلکه نیاز به لایه‌ای است که بتواند روابط بین داده‌های پراکنده را در محیط محلی مدیریت کند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.