OpenHuman

摘要：OpenHuman 是由 Tiny Humans AI 团队开发的开源个人 AI 超级智能助手，定位为“Personal AI super intelligence”，核心理念是“Context in minutes, not weeks”：通过 118+ 第三方服务一键 OAuth 集成、20 分钟自动数据同步（Auto-fetch）、本地优先的 Memory Tree 记忆树与 Obsidian Wiki 知识库、智能 Token 压缩（TokenJuice）以及内置模型路由（Model Routing），在几分钟内构建对用户工作与生活上下文的完整理解，而不是像传统 Agent 那样需要数周“磨合期”。项目采用 Rust + TypeScript 双技术栈，桌面端基于 Tauri/CEF 构建，数据本地加密存储，强调隐私与数据主权，目前处于 Early Beta 阶段，已发布 v0.53.43 等多个版本。

OpenHuman官网入口：https://tinyhumans.ai/openhuman

一、产品定位与核心特性

1.1 产品定位

OpenHuman 定位为面向个人用户的开源智能体框架（Agentic Assistant），目标是成为“个人 AI 超级智能”的运行时，而非单纯聊天机器人。它通过长期记忆、外部服务集成、工具调用、模型路由和桌面常驻体验，构建个人 AI 操作系统雏形，让 Agent 在几分钟内理解用户完整上下文，而不是依赖长时间对话训练。
关键标签：

• Personal AI super intelligence：面向个人的 AI 超级智能运行时。
• Context in minutes, not weeks：从安装到 Agent 理解用户上下文仅需几分钟，而非数周。
• Local-first & privacy-first：本地优先、隐私优先，工作数据留在设备本地加密存储。
  

  1.2 核心特性一览

1. Simple, UI-first & Human：简洁桌面 UI 与短路径引导，从安装到可用只需几步点击，无需“配置先行”或强制使用终端。
2. 118+ third-party integrations with auto-fetch：支持 118+ 第三方服务一键 OAuth 接入，核心每 20 分钟自动同步数据到 Memory Tree，无需手动触发或编写轮询脚本。
3. Memory Tree + Obsidian Wiki：本地优先的记忆树，将所有接入数据规范化为 ≤3k-token Markdown 片段，评分后存入 SQLite 分层摘要树，并同步生成 Obsidian 兼容的 .md 文件，用户可直接浏览与编辑，灵感来自 Karpathy 的 obsidian-wiki 工作流。
4. Batteries included：内置网页搜索、网页抓取、完整代码工具集（文件系统、Git、lint、test、grep）以及原生语音能力（STT 输入、ElevenLabs TTS 输出、吉祥物口型同步、可作为真实参与者加入 Google Meet）。
5. Model routing：根据任务类型自动路由到合适的 LLM（reasoning / fast / vision），单一订阅覆盖多模型，可选通过 Ollama 运行本地模型，实现敏感数据不出本机。
6. Smart token compression (TokenJuice)：在工具调用、抓取结果、邮件正文、搜索载荷送入 LLM 前，统一经过 Token 压缩层（HTML→Markdown、长 URL 缩短、去重等），最多可减少约 80% Token 消耗，降低成本与延迟。
7. Messaging channels & privacy & security：在用户已有的消息通道中收发消息，工作数据本地加密存储，仅受用户控制，避免云端集中化存储风险。

二、技术架构与关键模块

2.1 整体架构

OpenHuman 的核心流程可抽象为：用户输入 → 记忆处理（Memory Tree） → 模型调度（Model Routing） → 工具执行 → 结果输出 → 结果写回记忆，形成闭环的“个人 AI 系统”。
在输入层，数据不仅来自文本对话，还包括语音、文件、网页内容以及第三方服务同步的数据；记忆层通过 Memory Tree 完成抽取、压缩与结构化；存储层采用 SQLite + Markdown 双层设计；调度层通过 Model Routing 选择合适模型；工具层提供搜索、抓取、代码执行与语音等原生工具；输出层再回到记忆层更新用户上下文。

2.2 Memory Tree：三层树状记忆架构

Memory Tree：OpenHuman 的持久化记忆核心，将用户所有数字足迹（邮件、文档、代码、日历等）压缩为 ≤3k-token Markdown 片段，按层级摘要树存入本地 SQLite，并同步生成 Obsidian 可读的 .md 文件，实现“机器可检索 + 人可读/可编辑”的双重视图。
三层树状结构：

• Source Tree（来源树）：每个数据源维护独立滚动缓冲区，按 L0→L1→L2 层级密封，适用于回溯某个 Gmail 标签或 Slack 频道的完整时间线。
• Topic Tree（主题树）：基于“热度”算法为高频实体构建按需摘要树，适用于追踪某个项目、人物或关键词的演变。
• Global Tree（全局树）：每日 UTC 时间生成的全局摘要，适用于回答“今天发生了什么”这类跨源问题。
  该设计借鉴人类认知科学中的分层记忆思想：浅层节点保留高层概要，深层节点保留细粒度细节，树结构同时提供压缩与导航能力，嵌入向量仍保留在节点中以支持语义检索，但整体结构可解释，优于纯向量数据库的“黑盒”匹配。

  2.3 Auto-fetch：自动化数据同步

  Auto-fetch：核心引擎每 20 分钟主动轮询所有活跃连接，将新邮件、日程变更、代码提交、文档更新等数据拉取到本地，经清洗与压缩后写入 Memory Tree，无需用户手动触发或编写同步脚本。
  关键特性：

• 一键 OAuth 接入 118+ 服务（Gmail、Notion、GitHub、Slack、Calendar、Drive、Linear、Jira、Stripe 等），每个连接对 Agent 而言是一个类型化工具（typed tool）。
• 拉取数据后规范为 Markdown 片段，按主题、时间线、关联对象评分，再折叠入层级摘要树，并同步写入 Obsidian Vault。
  

  2.4 Obsidian Wiki：人机共读知识库

  Obsidian Wiki：与 Memory Tree 同步的 Obsidian 兼容知识库，所有记忆块以 .md 文件形式存放，用户可直接用 Obsidian 打开、浏览与编辑，实现“你无法信任一段你无法阅读的记忆”——用户可随时检查与修正 AI 的理解，下次检索即生效。
  设计要点：

• 数据规范化为 ≤3k-token Markdown 片段，兼顾压缩与可读性。
• 灵感来自 Karpathy 的 LLM Knowledgebase / obsidian-wiki 工作流，但 OpenHuman 将其产品化与自动化。
  

  2.5 TokenJuice：智能 Token 压缩

  TokenJuice：OpenHuman 的智能 Token 压缩层，在工具调用结果、网页抓取内容、邮件正文和搜索载荷送入 LLM 前统一压缩，通过 HTML→Markdown、长 URL 缩短、非 ASCII 字符移除、去重等规则，在保持信息量基本不变的前提下最多减少约 80% Token 消耗，降低成本与延迟。
  压缩规则采用三层叠加：

• 内置默认规则
• 用户级自定义规则
• 项目级规则
  规则以 JSON 文件存储，修改无需重新编译，便于针对不同工作负载调优。

  2.6 Model Routing：内置模型路由

  Model Routing：根据任务类型自动将请求路由到合适的 LLM（reasoning / fast / vision），在单一订阅下统一调度，无需用户手动选择模型或管理多个 API Key，同时支持通过 Ollama 运行本地模型，用于对隐私要求更高的工作负载。

  2.7 原生工具与桌面吉祥物

  原生工具集：内置网页搜索、网页抓取、代码工具（文件系统、Git、lint、test、grep）以及原生语音能力（STT 输入、ElevenLabs TTS 输出、吉祥物口型同步），Agent 可直接执行搜索、读取文件、运行测试、语音对话等操作，无需额外安装插件。
  桌面吉祥物（Mascot）：桌面端虚拟形象，能够说话、对环境做出反应，并可作为真实参与者加入 Google Meet 会议，实现“会议中旁听 + 记录要点 + 离开后继续执行待办”的在场感，并配合“潜意识循环”和“做梦”机制，在无交互时仍持续处理任务与整理当天数据。

三、隐私与安全机制

OpenHuman 强调“本地优先”与“隐私优先”：

• 工作数据默认存储在本地 SQLite 与 Obsidian Vault 中，加密存储，不上云。
• 第三方服务通过 OAuth 授权访问，API 密钥由本地保管，避免在多个服务间分散存储密钥。
• 所有工具调用与数据抓取结果先经 TokenJuice 压缩再送入模型，减少敏感信息在传输与日志中的暴露面。
• 用户可直接在 Obsidian 中查看与修改记忆文件，对 AI 的理解偏差进行纠正，增强可控性与可审计性。

四、应用场景与典型用户

4.1 适用人群

• 开发者 / 工程团队：需要快速理解代码库、Git 提交历史、文档注释、任务追踪系统，辅助代码审查、重构与问题排查。
• 知识工作者：通过自动整理邮件摘要、会议纪要、任务清单，统一管理项目文档与知识库，提升信息检索效率。
• 自由职业者 / 创业者：统一管理客户沟通、财务记录、项目进度与日程，构建专属“数字大脑”，减少信息分散带来的遗漏。
• 学生 / 研究者：归纳文献资料、实验数据与学习笔记，构建个人长期知识库，辅助研究与写作。
  

  4.2 典型使用场景

1. 项目上下文快速重建：新加入项目或切换项目时，OpenHuman 已通过 Memory Tree 掌握历史邮件、文档与代码提交，减少重复解释成本。
2. 跨源信息汇总：在单一界面中查询“上周与某客户相关的所有邮件 + 文档 + 代码变更”，由 Memory Tree 的 Source / Topic / Global Tree 提供跨源检索与摘要。
3. 自动化会议记录与跟进：桌面吉祥物加入 Google Meet，自动记录要点并生成待办，会后自动更新任务系统与日历。
4. 长期知识管理：通过 Obsidian Vault 对个人知识体系进行持续整理与检索，AI 与人共享同一知识库，形成“人机共读”的知识管理闭环。

五、与其他 Agent 框架的对比

根据官方对比表，OpenHuman 在记忆、集成、自动同步与模型路由方面具有明显差异：github.com

总体而言，OpenHuman 在集成数量、自动化记忆、Token 压缩与模型路由上更偏向“个人 Agent 基础设施”，但项目仍处于 Early Beta，生态与稳定性仍需时间验证。

六、安装与快速上手

6.1 官网与下载

• 官网与下载页：https://tinyhumans.ai/openhuman
• 可下载 macOS DMG、Windows EXE 等安装包，也可通过命令行安装。
  

  6.2 命令行安装

  macOS / Linux x64：

  1. curl -fsSL https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.sh | bash

  Windows：

  1. irm https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.ps1 | iex

  6.3 基本使用流程

1. 安装并启动 OpenHuman 桌面端。
2. 通过引导连接常用服务（Gmail、Notion、GitHub、Slack 等），完成 OAuth 授权。
3. 等待 Auto-fetch 首次同步（约 20 分钟一个周期），Memory Tree 与 Obsidian Vault 逐步构建。
4. 在对话框或桌面吉祥物中提出需求，OpenHuman 基于已有上下文执行任务、检索信息或自动跟进待办。
5. 可随时在 Obsidian 中查看与编辑记忆文件，修正 AI 理解偏差。

七、局限性与风险提示

• Early Beta 阶段：功能仍在快速迭代，可能存在不稳定或体验粗糙的“rough edges”。
• GPL-3.0 协议：对商业使用和分发有较严格约束，企业集成需特别注意授权合规。
• 技术门槛：核心使用 Rust + TypeScript 双技术栈，对贡献者有一定门槛，社区生态仍在建设中。
• 记忆冲突与一致性：多源高频更新下，Memory Tree 的冲突解决策略与一致性保证仍需进一步文档与验证。
• 信息损失：层级摘要不可避免会丢失部分细节，对审计、合规等需要精确回溯的场景，建议保留原始 .md 文件或原始数据源。

文章来源与版权说明

• 文章来源：大国Ai导航（daguoai.com）根据 OpenHuman 官方 GitHub 仓库及多家技术媒体公开资料整理撰写。
• 版权说明：本文内容由大国Ai导航编写，转载请注明出处并保留本版权说明；OpenHuman 项目本身遵循 GPL-3.0 协议，具体使用与分发请以项目官方 LICENSE 为准。