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

Ваш телефон может выполнять локальный логический вывод с помощью ИИ. Вы можете использовать его так же, как API OpenAI (для чата, автодополнения и т.д.)
Вместо того чтобы позволять этому оборудованию пылиться без дела, вы можете превратить его в легковесный узел логического вывода.
Одна из самых сложных проблем заключается в том, что модель представлена в формате lithelm, а доступных моделей на https://huggingface.co/litert-community не так много.

Он может:
- запускайте модели локально
- доступ к ним с других устройств через Wi-Fi
- поддерживайте голосовые разговоры (TTS + STT)
- работайте с документами с помощью простого конвейера RAG
- управляйте моделями и загружайте их в приложении
- сохраняйте историю чатов и профили пользователей для удобства

Интегрируется с Cursor, Claude Code, Open Code и другими редакторами кода. Умеет транскрибировать аудио и видео.
Есть бесплатный тариф включающий:
- Преобразование речи в текст, работающее в любом приложении
- Запись и транскрипция собрания
- Поддержка более 100 языков
- Неограниченное использование небольших моделей ИИ
- Пользовательское управление подсказками
Самая большая бесплатная модель — Standard - это Whisper Small
Платно:
Все в разделе «Бесплатно», а также:
- Используйте собственные API-ключи для искусственного интеллекта
- Неограниченное использование облачных и локальных моделей ИИ
- Переведите любой язык на английский
- Расшифровка аудио- и видеофайлов
(Обсуждение в статье)
Доступен для macOS, Windows и iOS.

Я довольно тщательно изучил логику шаблонов Qwen 3.5, чтобы исправить ошибки, связанные с вызовами инструментов. Здесь проделана действительно блестящая работа: шаблоны от таких авторов, как @pneuny и @ellary, на первых порах были просто спасением. Но я понял, что многие из них полагаются на принудительные подсказки или случайно искажают форматирование XML (на самом деле Qwen изначально обучен работать с чистыми <think>-тегами, а не с /*-синтаксисом, к которому прибегают некоторые старые шаблоны).

После долгих часов изучения и тестирования всех известных проблем с официальным шаблоном qwen я тщательно прописал наилучший из возможных вариантов. Он полностью соответствует исходной схеме XML, динамически сопоставляет новые строки ролей «разработчика» из современных API-клиентов и безопасно кэширует пустые параметры инструментов.

Небольшое примечание для тех, кто пользуется LM Studio: бэкенд выдает ошибку при работе с итераторами |items dict в Python, а парсер регулярных выражений полностью выходит из строя, если модель просто размышляет о вызове инструмента в своих мыслях. Я также интегрировал в jinja целевые исправления для этого. Если вы напишете <|think_off|> в любом месте запроса (как системного, так и пользовательского), шаблон незаметно удалит тег и отключит мыслительный процесс на этот ход, полностью устранив ошибку с бесконечным циклом.