برای مدت زیادی استفاده از دستیارهای هوش مصنوعی با یک مشکل آزاردهنده همراه بود. این ابزارها میتوانستند بخش زیادی از کارها را انجام دهند، اما همچنان لازم بود کاربر دائماً بین محیط کاری اصلی و چتبات جابهجا شود.
به عنوان مثال، برای نوشتن پاسخ یک ایمیل معمولاً باید متن ایمیل را در ChatGPT یا Claude کپی کرد، توضیح داد که چه پاسخی موردنظر است، متن تولیدشده را اصلاح کرد و در نهایت آن را دوباره در Gmail قرار داد. هوش مصنوعی بخش اصلی کار را انجام میداد، اما همچنان یک واسطه میان هوش مصنوعی و ابزارهای کاری وجود داشت.
محصولاتی مانند Claude Cowork تا حد زیادی این مشکل را کاهش دادهاند. با این حال، Rowboat رویکرد متفاوتی دارد و یک ویژگی مهم را به این مفهوم اضافه میکند: حافظه دائمی از محیط کاری کاربر.
Rowboat یک ابزار هوش مصنوعی متنباز است که میتواند ایمیلها و جلسات و تقویم و یادداشتها و پروژهها و اطلاعات کاری را در یک محیط یکپارچه گردآوری کند و از این اطلاعات برای ایجاد زمینهای پایدار در تعاملات بعدی بهره ببرد. در ادامهی این مقاله از سیارهی آیتی به ویژگیها و توانمندیهای Rowboat میپردازیم.
Rowboat یک جایگزین متنباز برای Claude Cowork با حافظه دائمی است
اطلاعات کاری پس از پایان هر کار فراموش نمیشوند
Claude Cowork در اصل قابلیتهای عاملمحور Claude Code را به محیطی سادهتر منتقل میکند تا کاربران غیرتوسعهدهنده نیز بتوانند از آن برای انجام کارهای چندمرحلهای بهره ببرند. این ابزار میتواند با فایلها و سرویسهای مختلف کار کند و وظایفی را که به چند مرحله نیاز دارند تا حد زیادی بهصورت خودکار انجام دهد.
Rowboat نیز ایده مشابهی را دنبال میکند، اما تمرکز بیشتری روی ایجاد یک حافظه دائمی از محیط کاری دارد.
این برنامه میتواند اطلاعات مربوط به افراد و پروژهها و مکالمات و جلسات و موضوعات مختلف را به یکدیگر مرتبط کند و از آنها یک گراف دانش بسازد. در نتیجه، هنگام شروع یک کار جدید لازم نیست تمام اطلاعات موردنیاز دوباره از ابتدا در اختیار هوش مصنوعی قرار بگیرد.
یکی از مهمترین مزیتهای Rowboat متنباز بودن آن است. کد برنامه در دسترس قرار دارد و کاربران میتوانند نحوه عملکرد آن را بررسی کنند یا در صورت نیاز تغییراتی در آن ایجاد کنند.
Rowboat همچنین به یک مدل هوش مصنوعی خاص وابسته نیست. میتوان از مدلهای محلی از طریق Ollama یا LM Studio بهره برد یا یکی از مدلهای میزبانیشده را به آن متصل کرد. این موضوع باعث میشود انتخاب مدل هوش مصنوعی از خود محیط کاری جدا باشد.
از طرف دیگر، امکان اجرای Rowboat بهصورت محلی و ذخیره اطلاعات به شکل فایلهای Markdown میتواند برای کاربرانی که کنترل بیشتری روی دادههای خود میخواهند جذاب باشد.
Rowboat بیشتر شبیه یک محیط کاری کامل است
داشبوردی شبیه Notion که بهصورت خودکار ساخته میشود
یکی از تفاوتهای مهم Rowboat با ابزارهایی مانند Claude Cowork در نحوه برخورد آن با اطلاعات کاری است.
در یک ابزار هوش مصنوعی معمولی، کاربر معمولاً یک وظیفه مشخص را آغاز میکند، اطلاعات موردنیاز را در اختیار مدل قرار میدهد، نتیجه را دریافت میکند و سپس از محیط خارج میشود. اگر چند روز بعد دوباره به همان پروژه برگردد، ممکن است لازم باشد بخش قابلتوجهی از زمینه قبلی را دوباره ارائه کند.
Rowboat برای چنین سناریویی طراحی شده است که در آن کارها الزاماً شروع و پایان مشخصی ندارند.
ایمیلها و رویدادهای تقویم و یادداشتها و جلسات و فعالیتهای مرورگر و مکالمات مختلف میتوانند به Brain متصل شوند و زمینهای مشترک ایجاد کنند. این اطلاعات پس از پایان یک جلسه نیز در سیستم باقی میمانند و در تعاملات بعدی قابل استفاده هستند.
به عنوان مثال، هنگام برنامهریزی یک سفر کاری میتوان ایمیلهای مرتبط را در اختیار Rowboat قرار داد تا اطلاعات آنها را با تقویم Google Calendar ترکیب کند. سپس سیستم میتواند رویدادهای قطعی و برنامههای موقت و زمانهای خالی و دعوتهایی را که هنوز به آنها پاسخ داده نشدهاند شناسایی کند.
مزیت مهم این روش زمانی مشخص میشود که کاربر بعداً درباره یکی از رویدادها سؤال جدیدی مطرح کند. در چنین شرایطی، لازم نیست تمام جزئیات سفر یا پروژه دوباره توضیح داده شود؛ زیرا اطلاعات قبلی در حافظه سیستم باقی مانده است.
صفحه اصلی Rowboat مانند یک مرکز فرماندهی برای کارها عمل میکند
Rowboat فقط یک چتبات نیست. صفحه Home برنامه را میتوان به عنوان داشبوردی برای مدیریت فعالیتهای کاری در نظر گرفت.
در این محیط میتوان رویدادهای پیشرو در تقویم را مشاهده کرد و ایمیلهای جدید را بررسی کرد و به کارهای اخیر بازگشت و وضعیت عاملهای فعال را دید و به یادداشتها و جلسات و Brain و فضاهای کاری مختلف دسترسی داشت.
نکته جالب این است که این بخشها فقط مجموعهای از میانبرها نیستند. اطلاعات موجود در ایمیل و تقویم و یادداشتها و پروژهها میتوانند دوباره به سیستم هوش مصنوعی منتقل شوند تا مدل زمینه بیشتری برای انجام وظایف داشته باشد.
به همین دلیل، Rowboat بیشتر از یک چتبات با چند اتصال جانبی به نظر میرسد و بیشتر شبیه یک محیط کاری یکپارچه است که هوش مصنوعی در تمام بخشهای آن حضور دارد.
میتوان تقریباً هر مدل هوش مصنوعی را با Rowboat استفاده کرد
انتخاب مدل هوش مصنوعی در اختیار کاربر است
یکی از نقاط قوت Rowboat نسبت به Claude Cowork این است که عملکرد آن به مدل یک شرکت خاص وابسته نیست.
در Claude Cowork طبیعتاً مدلهای Claude بخش اصلی تجربه را تشکیل میدهند، اما Rowboat به کاربر اجازه میدهد مدل موردنظر خود را انتخاب کند.
این برنامه از ارائهدهندگانی مانند OpenAI و Anthropic و Gemini و OpenRouter پشتیبانی میکند و امکان استفاده از مدلهای محلی از طریق Ollama را نیز در اختیار کاربر قرار میدهد. علاوه بر این، میتوان از نقاط پایانی سازگار با API شرکت OpenAI نیز استفاده کرد.
این رویکرد برای کاربرانی که از قبل اشتراک یکی از سرویسهای هوش مصنوعی را دارند میتواند بسیار کاربردی باشد. به عنوان مثال، اگر کاربر از یک مدل OpenAI استفاده میکند، میتواند همان مدل را به محیط کاری خود متصل کند و در صورت نیاز بعداً به مدل دیگری تغییر دهد.
مدل هوش مصنوعی در این معماری تا حد زیادی قابل تعویض است. Rowboat لایهای است که اطلاعات کاری و اتصال به سرویسها و حافظه دائمی را مدیریت میکند؛ بنابراین تغییر مدل لزوماً به معنای از دست دادن زمینه و اطلاعات قبلی نیست.
این قابلیت بهخصوص برای افرادی اهمیت دارد که میخواهند بخشی از فرایند هوش مصنوعی را روی کامپیوتر خود اجرا کنند. استفاده از مدلهای محلی میتواند کنترل بیشتری روی دادهها و انتخاب مدل در اختیار کاربر قرار دهد.
Brain در Rowboat فراتر از یک نمودار ساده است
سیستم بهسرعت ارتباط میان اطلاعات مختلف را پیدا میکند
اگر با Graph View در Obsidian آشنا باشید، ساختار Brain در Rowboat برایتان قابلدرک خواهد بود.
Rowboat با دریافت اطلاعات بیشتر، یادداشتهای مرتبط با افراد و شرکتها و پروژهها و موضوعات مختلف ایجاد میکند و ارتباط میان آنها را در قالب یک گراف دانش نمایش میدهد.
هر گره در این گراف میتواند به اطلاعاتی درباره یک فرد یا پروژه یا شرکت یا موضوع خاص متصل باشد. با انتخاب هر گره میتوان اطلاعاتی را که سیستم درباره آن موضوع جمعآوری کرده است مشاهده کرد.
قدرت واقعی این قابلیت زمانی مشخص میشود که حجم بیشتری از اطلاعات وارد سیستم شود. Rowboat میتواند از میان ایمیلها و مکالمات و اطلاعات کاری الگوهایی را پیدا کند که ممکن است در نگاه اول مشخص نباشند.
به عنوان مثال، اگر تعداد زیادی ایمیل کاری در اختیار سیستم قرار گیرد، ممکن است بتواند اطلاعاتی درباره نوع ارتباط با افراد مختلف و موضوعات تکرارشونده و پروژههای مرتبط استخراج کند.
این سیستم حتی میتواند الگوهای مربوط به سبک ارتباطی را نیز شناسایی کند. برای نمونه، ممکن است مشخص شود که نوع نگارش پیامهای رسمی با افراد جدید با پیامهایی که برای همکاران یا ارتباطات قدیمی ارسال میشوند تفاوت دارد.
در چنین شرایطی، Brain صرفاً فهرستی از اطلاعات ذخیرهشده نیست؛ بلکه به مرور زمان به یک لایه دانشی تبدیل میشود که ارتباط میان اطلاعات مختلف محیط کاری را حفظ میکند.
Rowboat میتواند به بخشی دائمی از فرایند کاری تبدیل شود
Rowboat ممکن است در نگاه اول فقط یک جایگزین متنباز برای Claude Cowork به نظر برسد، اما ترکیب حافظه دائمی و گراف دانش و اتصال به سرویسهای کاری و پشتیبانی از مدلهای مختلف آن را به ابزار متفاوتی تبدیل میکند.
Claude Cowork برای انجام وظایف مشخص و چندمرحلهای بسیار قدرتمند است، اما Rowboat بیشتر روی محیط کاری مداوم تمرکز دارد؛ محیطی که اطلاعات آن از یک جلسه به جلسه بعد منتقل میشود.
متنباز بودن نیز مزیت مهم دیگری است. کاربر میتواند مدل موردنظر خود را انتخاب کند و در صورت نیاز از مدلهای محلی بهره ببرد و کنترل بیشتری روی نحوه ذخیره اطلاعات داشته باشد.
برای افرادی که به دنبال یک دستیار هوش مصنوعی هستند که فقط به سؤالها پاسخ ندهد و بلکه بتواند درک مداومی از پروژهها و افراد و ارتباطات کاری ایجاد کند، Rowboat گزینهای قابلتوجه است.
در نهایت، مهمترین تفاوت این ابزار با بسیاری از چتباتهای سنتی این است که هر جلسه را یک گفتوگوی جداگانه در نظر نمیگیرد. هدف Rowboat ایجاد یک حافظه مشترک برای محیط کاری است؛ حافظهای که با گذشت زمان کاملتر میشود و میتواند تعامل با هوش مصنوعی را به تجربهای پیوستهتر تبدیل کند.
سیارهی آیتی