OpenHuman：本地优先的个人 AI 超级智能

OpenHuman 把自己定位成三样东西：一个大脑（本地优先地记住你的一切）、一个编排器（在持久化图上跑 Agent 集群）、一个深度研究者（扫完你的数据和全网才回答）。

Rust 核心，GPL-3.0，桌面 UI 优先。

一、大脑：不靠向量库的记忆

大多数 Agent 的记忆方案是向量数据库——embedding 存进去，相似度召回。OpenHuman 走了另一条路，灵感来自 Karpathy 的 LLM 知识库设想：

Memory Tree + Obsidian Wiki：

• 你的数据被压缩成带评分的 Markdown 树，存在本地 SQLite 里
• 镜像成一个 Obsidian vault——你可以直接打开、阅读、编辑
• 明确表态：No vector-soup black box（不要向量黑盒）

Markdown 可读、可改、可版本化。你的记忆长什么样，打开文件就能看见。这跟「扔进向量库然后祈祷」是两种哲学。

配套的 Auto-fetch：连接你的 Gmail、Notion、GitHub、Slack（100+ OAuth 集成），每 20 分钟自动拉数据喂给大脑。

TokenJuice：工具输出在进入模型前先压缩——同样信息，最高省 80% token。这么大的记忆体，没有压缩根本用不起。

二、编排器：图，不是循环

大多数 Agent harness 是单 Agent 单循环。OpenHuman 是图：

• Checkpointed graph runs：turn 以检查点图运行，暂停等人、重启存活、中途恢复
• Sub-agent fleets：专家子 Agent 最多三层深；卡住的 Agent 变成 root-cause 报告
• Split brain：快速反射 Agent 先处理入站流量，深度推理核心再委派给 worker 集群

工作流（Workflows）是可视化的：Agent 提出自动化方案，你在画布上审查，然后保存。触发式运行（schedule/webhook/渠道事件），副作用过审批门。

还有一个「Agent 经济」：Agent 之间有 @handle，A2A 编排走 Signal 协议端到端加密，x402 USDC 赏金——服务器永远看不到明文。

三、研究者：电池全带上

• 托管搜索：内置 Exa 网络搜索，订阅即用，也可以接自己的 key
• 真实浏览器：可以操作页面的浏览器工具
• 原生语音：进程内 Whisper
• 模型路由：按负载自动选 LLM，一个订阅；也能指到自己的 key 或本地 Ollama
• 图像/视频生成：Seedream、Seedance、Veo 直出工作区
• 17 个消息渠道：Telegram、Discord、Slack、WhatsApp、Signal、iMessage……还有原生邮件（IMAP IDLE + SMTP）

四、隐私：一个开关的本地模式

Privacy Mode 是一个值得单独说的设计：

拨一个开关，任何推理都不离开你的机器——在 Rust 核心里强制。

不是「建议你配一下」，是核心代码层的强制。数据端到端加密、审批门、OS keyring 存密钥、可选沙箱。

五、安装

从官网或 GitHub Releases 下载安装器。桌面 App 是 Tauri + CEF 壳，Rust 核心。装完几分钟内从零到能用的 Agent——无配置文件、无终端。

结语

OpenHuman 的野心是「个人 AI 超级智能」，落地上最实在的两点：记忆方案（可读的 Markdown 树，20 分钟自动同步）和运行模型（检查点图 + 暂停/恢复，卡住出报告）。它把「Agent 认识你」的周期从几周压缩到几分钟——第一次同步后，你的收件箱、日历、仓库、文档、消息全部进入压缩后的上下文。

早期 beta，粗糙在所难免。但方向清晰：本地优先的记忆 + 图编排 + 隐私强制，这条路走得比「云端黑盒助手」远。