在过去一个多月里，OpenClaw、Hermes 这些 Agent 工具的讨论热度，大不如以前。
最近又冒出一个新的 Agent 工具，连续多天霸榜 GitHub Trending，暴涨 9700+ Star。
这就是 OpenHuman。它把自己定位为开源的个人 AI 助手，主打本地化与持久记忆。
以往大多数 Agent 工具，都需要我们花心思去教，配 Skill、写 Prompt、调工作流。
而 OpenHuman 的思路反过来，让 AI 主动来了解我们。
整个项目的核心链路，可以拆成三步来理解，分别是连接、抓取、记忆。
先说连接这一步。
只需一次点击授权，OpenHuman 可直接连上 Gmail、Notion、Calendar 等 118 多个第三方服务。
不用手动配 API 密钥，也不用在插件市场里翻来覆去找。
再来说抓取环节。
它内置一个叫 auto-fetch 的机制，每隔 20 分钟，OpenHuman 会主动遍历所有已连接的源，把新数据拉进记忆树。
跟普通定时拉取不一样的是，新邮件、新 Issue 进来后会被自动总结归档，而不是堆成一坨原始数据等我们自己找。
也就是说，早上打开 Agent，它已经握着从昨天到现在的全部新上下文。
最后是记忆这一步，这也是整个项目最有意思的设计。
它叫 Memory Tree 加 Obsidian Wiki 双轨制，说人话就是把 AI 的记忆做成了一个我们能直接打开翻看的文件夹。
具体来说，所有数据会被切成不超过 3000 token 的 Markdown 小段，存进本地数据库。
与此同时，同样的内容会以 .md 文件落进一个 Obsidian 兼容的文件夹里。
这种双轨设计带来一个很实用的场景。
假如某天 Agent 把某个项目的负责人记错了，我们可以直接打开 Obsidian。
找到对应那个 .md 文件，手动改掉。下次再问，它就答对了。
这套思路的灵感，来自 AI 大神 Andrej Karpathy 分享过的 Obsidian Wiki 工作流。
不过 Karpathy 那套方案是纯手工的，得自己整理 Markdown、自己分类、自己更新。
OpenHuman 做的事情，就是把这套手工活变成了自动化流水线。
正如官方文档里那句话所说，我们没法信任一个自己读不到的记忆。
走完连、抓、记三步之后，还有个绕不开的问题，就是 Token 开销。
OpenHuman 给出的应对方案叫 TokenJuice，所有工具调用结果、网页抓取、邮件正文，进模型前都会先过一遍压缩层。
比如把 HTML 转成 Markdown，把超长 URL 缩短，去掉一堆非 ASCII 字符。
看上去都是些常规处理，但效果不错，官方数据说能把成本和延迟压低最多 80%。
除了核心链路之外，OpenHuman 还有个有意思的细节，桌面端自带一个吉祥物形象。
我们可以跟它语音对话，甚至让它以参会者身份加入会议，自动把会议内容记进记忆树。
会后随手问一句：「上周三那个会，对方提的需求是什么」，它能直接答上来。
与 OpenClaw、Hermes Agent 对比
再把它跟 Claude Cowork、OpenClaw、Hermes Agent 这些方案横向比一比，差异就比较直观了。
举个具体例子，在 Claude Cowork 里，一旦关闭当前对话窗口，项目背景基本就丢了。
而 OpenHuman 关掉再打开，Agent 依然记得我们昨天在跟它聊什么、改过哪些文件。
集成层面也是类似的取舍。
多数同类工具走的是自带 API 密钥的路线，需要自己去申请、配置、维护。
OpenHuman 则用一个订阅账号收口，背后的模型也由系统自动分配，复杂任务交给推理模型，轻量任务走便宜的小模型。
上手安装
安装过程比较简单，macOS 或 Linux 用户在终端跑一行命令即可：
curl-fsSL https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.sh | bash
对于 Windows 用户，则在 PowerShell 运行如下命令：
irm https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.ps1 | iex
如果不熟悉命令，也可以到官网下载安装包，直接开箱即用。
不过有个点必须提醒一下，项目还处于 Beta 阶段，难免会存在一些 Bug。
另外，如果要导入大邮箱或者跑本地模型，官方推荐 16GB 以上内存。
适用场景上也顺便说一下。
如果我们经常被 AI 失忆问题困住，又重度依赖 Gmail、Notion 这类工具，并且玩过 Obsidian，那 OpenHuman 会非常对胃口。
反过来，如果只是偶尔用 AI 聊天问问题，那这套架构对我们来说就显得过重了。
写在最后
聊到最后，想说说为什么这个项目值得关注。
当 200 多个大模型都在卷「谁更聪明」的时候，真正卡住大部分普通人的，其实是上下文。
模型再强，不了解我们的工作、邮件、项目，就只能反复回答通用问题。
OpenHuman 想做的事情，是把 Karpathy 那套个人 Wiki 思路工程化、产品化。
让「可读、可检查的记忆」变成一种新的范式。
或许 AI Agent 的下半场，比拼的不再是模型能力本身。
而是它对我们了解得有多深、多准、多透明。
当 AI 真的开始读懂我们的整个数字生活，关键问题就变成了，我们愿意让它了解到哪一步。
GitHub 项目地址：https://github.com/tinyhumansai/openhuman
今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！
