Система памяти, в которой есть краткосрочное и долгосрочное хранилище. В качестве долгосрочного хранилища она также использует чаты. Все привязано к этим чатам, так что при необходимости модель может искать информацию в чатах по логам. Краткосрочная память используется при каждом ответе модели. Она не очень подходит для небольших моделей, поэтому ее создали для моделей с большими контекстными окнами.

Агенты LLM могут использовать его для:
- Выполните поиск в интернете с помощью DuckDuckGo (по умолчанию) или SearXNG (опционально)
- получите и очистите содержимое страниц по одному или нескольким URL-адресам
- отправьте очищенное содержимое в локальную языковую модель для структурированного извлечения данных

Для достижения наилучших результатов используйте research_prompt.txt в качестве системной подсказки. Эта подсказка — ключевая часть запланированного рабочего процесса и залог качества. По сути, она определяет половину того, как должен функционировать этот репозиторий.

Rowboat подключается к вашей электронной почте и заметкам о совещаниях, создает долговременный граф знаний и использует этот контекст, чтобы помочь вам выполнять работу — в частном порядке, на вашем компьютере.

Что он делает:
- Вспомните важный контекст, который не стоит объяснять повторно (люди, проекты, решения, обязательства)
- Поймите, что актуально прямо сейчас (перед совещанием, при ответе на электронное письмо, при написании документа)
- Помогите себе составить план, подвести итоги, спланировать и создать реальные артефакты (краткие описания, электронные письма, документы, слайды в формате PDF)

В основе Rowboat лежит совместимое с Obsidian хранилище простых заметок в формате Markdown со ссылками на предыдущие версии — прозрачная «рабочая память», которую можно просматривать и редактировать.

Вы можете делать следующее:
- Build me a deck about our next quarter roadmap → создает PDF-файл на основе контекста из вашего графа знаний
- Prep me for my meeting with Alex → объединяет принятые ранее решения, открытые вопросы и соответствующие обсуждения в краткий отчет (или голосовую заметку)
- Отслеживайте человека, компанию или тему с помощью заметок в реальном времени
- Визуализируйте, редактируйте и обновляйте свой граф знаний в любое время (это всего лишь Markdown)
- Записывайте голосовые заметки, которые автоматически фиксируют и обновляют ключевые моменты в графе

Rowboat — open-source инструмент, который работает локально и не отправляет данные в облако. Поддерживает любые языковые модели, голосовой ввод и расширения через MCP-инструменты.

💾 Внутри — хранилище заметок, совместимое с Obsidian, фоновые агенты для автоматизации, веб-поиск и автоматическое построение графа знаний. Всё это без подписок и с возможностью настроить под себя.

Rowboat работает с:
- Локальные модели через Ollama или LM Studio
- Хостинговые модели (подключите свой API-ключ/провайдера)
- Меняйте модели в любое время — ваши данные останутся в локальном хранилище Markdown
Для Mac/Windows/Linux

Цель состоит в том, чтобы любой пользователь мог проводить бенчмаркинг и автоматически создавать GGUF любого размера для ik_llama.cpp и llama.cpp с помощью веб-интерфейса или интерфейса командной строки.

Этот набор инструментов уже оценили несколько увлеченных пользователей, которые стремятся повысить качество GGUF и получить больше возможностей для оптимальной настройки оборудования. В ходе тестирования было доказано, что он позволяет создавать GGUF более высокого качества, чем другие популярные релизы, особенно при использовании рецептов ik_llama.cpp.

Скоро появятся результаты тестирования Kimi-K2.5 и GLM-5.1, но инструмент уже работает со многими моделями, которые прошли тестирование.

Новые шаблоны чатов от Google для исправления вызовов инструментов:

31B: https://huggingface.co/google/gemma-4-31B-it/blob/main/chat_template.jinja

27B: https://huggingface.co/google/gemma-4-26B-A4B-it/blob/main/chat_template.jinja

E4B: https://huggingface.co/google/gemma-4-E4B-it/blob/main/chat_template.jinja

E2B: https://huggingface.co/google/gemma-4-E2B-it/blob/main/chat_template.jinja