OpenHuman

这是什么？适合谁？

OpenHuman 把自己定位为「你的个人 AI 超级智能」，但更准确的描述是 README 里的那句话：一个会记住一切的大脑 + 一个出色的编排器 + 一个深度研究者。它区别于大多数 Agent 产品的地方在于记忆：它把你的文档、邮件、聊天记录压缩成「Memory Tree」，以 Markdown 树的形式存在本地 SQLite 里，并镜像成一个可以直接打开、编辑的 Obsidian vault——不是黑箱的向量汤，而是可读、可改、可审计的知识库。

第二个支柱是编排：OpenHuman 不是一个「单 Agent 单循环」的聊天机器人，而是一个编排器——任务跑在带检查点的图上（基于开源 tinyagents），Agent 集群可以派生子代理，卡住的 Agent 会被接管、停下的会返回根因报告，每次运行都能以真实的每次调用成本重放。第三个支柱是深度研究：SuperContext 会在你打出第一句话之前，先让研究侦察兵扫一遍你的记忆和文件，避免冷启动。

横向对比来看：相比 OpenClaw / Hermes Agent 这类「终端优先、BYO 模型」的 Agent 工具，OpenHuman 主打 UI-first（几分钟装好、无需配置文件），并且内置 100+ OAuth 集成、5000+ MCP server、90000+ Skills 的一键接入；相比 AutoGPT 这类目标导向自治体，OpenHuman 强调「human in the loop」——工作流由 Agent 提案、你在画布上审阅后保存；相比只做记忆的独立记忆层项目，OpenHuman 把记忆、编排、工具整合成了一个整体。

它目前处于 Early Beta，仓库 2026 年 2 月创建，Star 约 36.5k、Fork 约 3.6k，README 称上线一周内连续九天登顶 GitHub Trending 第一。适合想把个人数据真正沉淀成可复用记忆、并用一个大脑统一编排多个 Agent 和工具的个人重度用户、开发者和独立创作者。

不适合谁：对「连推理都不出本机」有极致要求且不订阅的用户（虽然它有一键 Privacy Mode，但订阅是默认路径）；以及想完全白嫖的用户（免费档仅限本地模型，联网搜索 / 模型路由等要订阅）。

准备工作

1. 安装包：从 https://tinyhumans.ai/openhuman 或 GitHub Releases 下载对应平台安装器。macOS 用 brew install --cask openhuman，Debian/Ubuntu 用 .deb（sudo apt-get install -y --no-install-recommends ./OpenHuman_*_amd64.deb），Arch 用 yay -S openhuman-bin，Windows 下载签名 .msi。
2. 账号与订阅：首次启动注册 TinyHumans 账号。Basic $19.99/月、Pro $199.99/月、Enterprise 定制；也可「start free with local models」——免费档只能用本地模型。
3. API 密钥（可选）：默认订阅自带联网搜索（Exa）、模型路由、图片/视频生成；你也可以自带密钥（BYOK，如 OpenAI / Anthropic）或接本地 Ollama 模型，三者可混用，密钥存进系统钥匙串。
4. 前置知识：UI-first，日常使用不需要命令行；若从源码构建则需要 Git、Node.js 24+、pnpm 10.10.0、Rust 1.93.0、CMake、Ninja、ripgrep。
5. 时间预算：图形化安装到可用约 5–10 分钟；连接各账号 + 首次记忆同步的时间取决于你的数据量。

替代方案：如果你已有 agentmemory 给多个编码 Agent 做持久记忆，OpenHuman 提供可选 Memory 后端代理到它（memory.backend = "agentmemory"）；如果只想要本地知识库，Obsidian + 本地 RAG 也能拼，但缺编排与多通道触达能力。

快速上手（4 步）

第 1 步：安装

macOS：

brew install --cask openhuman

Windows 下载 .msi 双击安装；Debian/Ubuntu 下载 .deb 后用 sudo apt-get install -y --no-install-recommends ./OpenHuman_*_amd64.deb。预期结果：桌面应用启动，进入 onboarding 引导。

第 2 步：连接你的数据源

在「Integrations」里一键 OAuth 接入 Gmail、Notion、GitHub、Slack 等。预期结果：数据源点亮，auto-fetch 开始每 20 分钟把数据拉进本地。

第 3 步：让大脑建立记忆

首次同步后，打开 Memory Tree / Obsidian wiki，确认你的邮件、日历、文档已被压缩成 Markdown 树。预期结果：一次同步后，Agent 就拥有了你收件箱、日历、仓库、文档的（压缩后）上下文，无需「训练几周」。

第 4 步：下第一个任务

在聊天里让它做一件跨源的事，例如「总结我过去 7 天的邮件重点，并列出本周待办」。预期结果：它先跑 SuperContext 扫描记忆，再综合回答；你可以在「Goals & Todos」看它建的待办、在 run journal 看每步的真实成本。

常见踩坑

踩坑 1：Linux AppImage 崩溃 / 缺依赖

• 现象：AppImage 在 Wayland 下启动即崩，或报 libgbm.so.1 缺失，Arch 系报 sharun: Interpreter not found!。
• 原因：AppImage 不会像 .deb 那样让包管理器解析运行依赖。
• 解决：Debian/Ubuntu 改用 .deb 让 apt 解析依赖；或用 issue #2463 里给出的环境变量 workaround。

踩坑 2：脚本安装没有完整性校验

• 现象：用 curl -fsSL …install.sh | bash 或 irm …install.ps1 | iex 装，担心脚本被篡改。
• 原因：脚本从 raw.githubusercontent.com 实时下发且无独立签名，install.sh.asc / install.ps1.asc 目前不存在。
• 解决：优先用原生包（Homebrew Cask / .deb / .msi），它们带签名与完整性校验。参考 issue #2620。

踩坑 3：选 claude-code 当 brain 时贴图丢失

• 现象：往聊天里粘贴图片，图片被存到磁盘但模型收到的只有文字，助手当作没图。
• 原因：claude-code 驱动在当前版本未把图片送达模型。
• 解决：改用其他 brain，或关注修复版本。参考 issue #5649。

踩坑 4：claude-code 会话永久失败「No conversation found」

• 现象：某线程聊到一半永久报 No conversation found with session ID: <uuid>。
• 原因：驱动先生成了 session id 并持久化，却只会「恢复」一个从未创建过的会话。
• 解决：新开线程绕过；关注修复。参考 issue #5648。

踩坑 5：远程 core 连不上（socket 错误）

• 现象：用 remote core 开关，通过 SSH 本地端口转发连 http://127.0.0.1:7788/rpc 时报 socket 连接错误。
• 原因：远程 core 的 host / port / jsonrpc 配置与 App 端转发不一致。
• 解决：核对 openhuman-core run --host 127.0.0.1 --port 7788 --jsonrpc-only 与 App 里的 Runtime URL 是否一致。参考 issue #5656。

踩坑 6：回复正常但成本 / 质量与预期不符

• 现象：每次编排都走 burst-v1 回退路由，用户却不知情。
• 原因：SDK 主路由 chat-v1 每轮都失败并静默回退 burst-v1。
• 解决：留意版本更新与 run journal 里的成本核算，异常成本可反馈 issue #5642。

踩坑 7：Early Beta 迭代快

• 现象：UI、配置、安装方式几周一变，老教程容易失效。
• 原因：项目明确标记 Early Beta，README 提示「Expect rough edges」。
• 解决：以官方 Docs（tinyhumans.gitbook.io/openhuman）为准，别依赖旧教程。

初级用法

1. 先让它「认识你」：接入 Gmail + 日历，跑一次同步，让 Memory Tree 生成你的生活知识树，再问「我下周有什么安排」。
2. 每日简报：开启 subconscious（潜意识）后台循环，它会 diff 你的世界、推进目标、早上写好晨报。
3. 建一个工作流：跟它说「每天早上把未读邮件里需要回复的挑出来发我 Telegram」，审阅它在画布上生成的 tinyflows 图，保存后触发即跑。
4. 多通道触达：在 17 个通道里（Telegram / Discord / Slack / WhatsApp / 邮件等）选你常用的，让它把结果推到你所在的地方。
5. 用默认订阅生成图片：在聊天里让它用 Seedream 生成一张图或 Seedance 生成短视频，直接落到工作区。

高级玩法

1. 编排你的其他 Agent：OpenHuman 通过 Signal 协议端到端加密的 Agent-to-Agent 通道，可以把 Claude Code、Codex、OpenClaw、Hermes 等都接进来统一编排，密钥不落盘。
2. Workflows 画布 + tinyflows：让 Agent 提案自动化，你在画布上审阅保存；触发驱动（schedule / webhook / channel event），重启不丢，副作用走审批门。
3. agentmemory 后端：若你已用 agentmemory 给多个编码 Agent 做持久记忆，设 memory.backend = "agentmemory" 让同一份存储同时驱动 OpenHuman 和 Claude Code / Cursor / Codex / OpenCode。
4. 一键 Privacy Mode：打开后所有推理不出本机，在 Rust 核心里强制执行；混合 BYOK + 本地 Ollama + 默认订阅，用模型路由按负载挑模型。
5. 会议 Agent：让它自动加入 Meet / Zoom / Teams / Webex，带脸带声、实时转写、点名应答、会后交带行动项的纪要。

小技巧

1. 优先用原生包安装：Homebrew Cask / .deb / .msi 带签名校验，别用 curl | bash 脚本装。
2. 让 auto-fetch 帮你省心：20 分钟一轮自动拉数据进记忆，等于「明天的上下文今早就有」。
3. 用 TokenJuice 省钱：工具输出先压缩再进模型，最多省 80% token；大脑这么大，没它烧不起。
4. 把 Memory Tree 当 Obsidian 仓库编辑：它是可读 Markdown 树，你可以直接改，记忆是可审计的，不是黑箱。
5. 盯 run journal 的成本：每次运行可重放、带 per-call 成本，异常账单先从这查。

常见问题 FAQ

Q1：OpenHuman 免费吗？

A：可以免费起步，但仅限本地模型（start free with local models）。要用内置的联网搜索（Exa）、模型路由、图片/视频生成等，需要订阅：Basic $19.99/月、Pro $199.99/月、Enterprise 定制价。也可 BYOK 或接本地 Ollama 混用。来源：https://tinyhumans.ai/pricing

Q2：它和 OpenClaw、Hermes 有什么区别？

A：定位不同：后两者偏「终端优先、BYO 模型」的通用 Agent，OpenHuman 是「UI-first、一个订阅包干一切」的个人超级智能，记忆（Memory Tree + Obsidian vault + auto-fetch）、编排（Agent 图 + 检查点 + E2E 加密 A2A）、原生工具（搜索 / 浏览器 / 语音 / 媒体生成）都内置。官方 README 里有一张完整对比表。来源：https://github.com/tinyhumansai/openhuman

Q3：我的数据存在哪？隐私如何？

A：本地优先——数据压缩进你机器上的 SQLite（Memory Tree），可镜像为 Obsidian vault；凭证用 OS 钥匙串；有审批门与可选沙箱；还有一键 Privacy Mode（推理不出本机）。注意许可协议是 GPL-3.0，商用集成要留意传染性条款。

Q4：它支持哪些模型？

A：默认订阅自带模型路由（按负载选 LLM）与 Exa 联网搜索；同时支持 BYOK（自己的 OpenAI / Anthropic 等密钥）和完全本地的 Ollama 模型，三种可混用。也可以让 agentmemory 作为记忆后端。

Q5：和 AutoGPT 这类自治体有什么不同？

A：AutoGPT 是「给目标就开跑」的单循环自治体；OpenHuman 是「人审阅 + 审批门」的编排器——工作流由 Agent 提案、你在画布确认后保存，副作用被审批门拦住，且带检查点、可重放、可中断恢复。两者的信任模型完全相反。

进阶学习建议

深入 OpenHuman，重点啃这些「只有它有」的能力：

• Memory Tree + Obsidian 的知识组织：读 docs 里 memory-tree 与 obsidian-wiki 两页，理解它如何把原始数据压缩成带评分的 Markdown 树，再回灌进 Obsidian。这是它区别于一切向量库方案的核心，也是 Karpathy 在推上点名的设计。
• tinyagents 的检查点图：看 developing/architecture/agent-harness，理解「图而非循环」的编排——运行可暂停等人、重启续跑、卡住被接管、停下返根因。这个运行时模型决定了很多高级玩法怎么写。
• tinyflows 工作流：上手画布，让 Agent 给你提案一个「邮件 → 分类 → 回复 → 推送」的自动化，体会提案—审阅—保存—审批门的闭环。
• agentmemory 后端桥接：如果你已经在多个编码 Agent 上用 agentmemory，照着 obsidian-wiki/agentmemory-backend 那页把同一份存储接进来，让 OpenHuman 和 Claude Code / Cursor 共享记忆。
• A2A 加密编排与 Agent 经济：研究 Signal 协议 E2E 的 Agent-to-Agent 通道与 tiny.place 的 x402 USDC 打赏经济，这是它在多 Agent 协作上的独特尝试，适合对 Agent 经济感兴趣的人。

参考链接

• OpenHuman GitHub 仓库
• OpenHuman 官网
• OpenHuman 文档
• OpenHuman 定价
• tinyagents（编排运行时）
• tinyflows（工作流引擎）

免责声明：本文基于官方文档和公开资料整理，AI 辅助生成，MagicNetWorld 尚未完成独立实测。OpenHuman 处于 Early Beta 阶段，功能与定价可能随时变动，请以官方仓库和文档为准。