OpenHuman – 开源桌面端 AI 助手，能主动感知工作上下文

1. OpenHuman是什么

OpenHuman 是由 tinyhumansai 团队开发的开源桌面端个人 AI 超级智能助手，定位为“Your Personal AI Super Intelligence”。它并非传统的聊天机器人，而是一个能主动感知用户工作上下文的桌面级 AI Agent，通过每 20 分钟自动同步 118+ 第三方应用数据，构建本地持久记忆系统，让 AI 真正理解用户的工作习惯与信息流。项目采用 Rust + TypeScript + Tauri 构建，支持 macOS、Linux 和 Windows 平台，强调私有化部署、简单易用与强大功能。

技术定位与领域： 属于个人 AI 助手与智能体（AI Agent）领域，专注于桌面端工作上下文感知与长期记忆管理。其独特定位在于将自动数据同步、层次化记忆树、多模型路由和本地隐私保护融为一体，区别于传统的对话式 AI 或插件式助手。

研发背景： tinyhumansai 团队致力于打造面向个人用户的私有化 AI 助手，解决现有 AI 工具“记不住用户上下文”和“需要手动配置”的痛点。团队选择 Rust 和 Tauri 构建高性能桌面应用，体现对隐私和效率的极致追求。

核心价值： 解决了 AI 助手无法持续理解用户工作流的根本问题。传统 AI 助手每次对话都是“冷启动”，而 OpenHuman 通过自动同步和持久记忆，让 AI 在用户开始工作前就已掌握邮箱、日历、代码仓库、任务管理等全部上下文，实现真正的“懂你”体验。

技术特点： 采用 Memory Tree 层次化记忆架构，将同步数据压缩为 ≤3k-token 的 Markdown chunks 并折叠存储；内置 TokenJuice 智能压缩引擎，最高降低 80% API 成本；支持模型路由，自动分配轻量/推理/视觉模型；完全本地优先，支持通过 Ollama 或 LM Studio 接入本地模型实现离线运行。

2. 主要功能

• Memory Tree 层次化持久记忆： 将同步的第三方应用数据规范化为 ≤3k-token 的 Markdown 片段，经过评分后折叠存入层级摘要树，存储于本地 SQLite 数据库。这一机制使 AI 能够跨会话保持长期记忆，用户无需重复提供上下文信息，显著提升对话效率与准确性。

• 118+ 第三方应用一键集成 + MCP/Skills 生态： 通过 OAuth 协议快速接入 Gmail、Notion、GitHub、Slack、Linear、Jira、Stripe、Calendar、Drive、Outlook、Telegram、Discord 等 118+ 主流工具，无需编写任何连接代码。在此基础上还可浏览 5,000+ MCP 服务器（Model Context Protocol，来自 Smithery + 官方注册中心）和 90,000+ Skills 目录（来自 HermesHub、ClawHub、LobeHub 等聚合），一键安装为新的类型化工具或能力包。用户授权后，AI 自动获取各平台数据并整合为统一上下文，实现跨应用信息关联。

• 每 20 分钟自动同步（Auto-fetch）： 核心引擎每 20 分钟遍历所有活跃连接，自动拉取最新数据进入本地记忆系统。例如，用户次日早上启动应用时，AI 已掌握前一日全部邮件、任务更新和代码变更，无需用户手动触发同步。

• TokenJuice 智能 Token 压缩： 在数据进入 LLM 前自动执行压缩操作，包括 HTML 转 Markdown、缩短长 URL、移除非 ASCII 字符等，最高可降低 80% 的 API 调用成本与延迟。这对于使用付费 API 的开发者来说，能显著降低运营成本。

• 内置模型路由（Model Routing）： 根据任务类型自动分配轻量模型（如快速问答）、强推理模型（如代码分析）或视觉模型（如图片理解），一个订阅覆盖多种模型能力。用户无需管理多个 API Key，系统自动优化模型选择与调用策略。

• Obsidian Vault 原生兼容： 同步数据自动输出为 Obsidian 可读的 .md 文件，用户可在 Obsidian Graph View 中浏览和编辑 AI 维护的知识网络。这一功能将 AI 记忆系统与个人知识管理工具无缝打通，适合知识工作者构建 LLM 驱动的知识库。

• 桌面吉祥物交互： 具备视觉形象的桌面 AI 助手，支持语音输入（STT）与 ElevenLabs 语音输出（TTS），吉祥物可实时唇形同步。还能以参会者身份加入 Google Meet 并实时记录会议内容，实现 AI 驱动的会议辅助。

• 完整工具链开箱即用： 内置 Web 搜索、网页抓取（Web Scraper）、代码工具集（文件系统、Git、Lint、Test、Grep）等能力，无需额外安装插件即可使用。用户可以直接在对话中执行代码操作、搜索网络信息，提升工作效率。

3. 应用场景

• 跨应用项目上下文整合： 同时连接 GitHub、Linear、Jira、Slack 后，让 AI 自动对比代码 PR、任务看板和团队消息，一键汇总项目最新进展。项目经理无需手动切换多个工具，即可获得完整的项目状态报告，节省 60% 以上的信息收集时间。

• 智能邮件筛选与摘要： 授权 Gmail 后，AI 每 20 分钟自动扫描收件箱，按项目或优先级分类摘要。用户可直接询问“今天有哪些需要我回复的重要邮件”，AI 基于记忆库快速定位关键信息，过滤掉低价值营销邮件，提升邮件处理效率。

• AI 会议助手： 让桌面吉祥物以真实参会者身份加入 Google Meet，实时记录会议内容、提取 action items，并基于记忆库提供参会者背景信息（如“这位同事上周在哪个项目上提出了类似建议”）。会后自动生成会议纪要并关联相关文档。

• 代码仓库智能问答： 同步 GitHub 仓库数据后，直接向 AI 询问代码逻辑（如“这个函数的作用是什么？”）、历史变更原因（如“为什么上周要重构这个模块？”）、PR 评论争议点。Agent 基于完整代码上下文给出精准回答，减少代码审查时间。

• Obsidian 个人知识库构建： 将邮件、文档、聊天记录自动压缩归档为 Obsidian-compatible 的 .md 文件，在 Graph View 中可视化呈现知识关联网络。用户可手动编辑 AI 生成的笔记，打造 Karpathy 风格的 LLM 知识库，实现“AI 收集+人脑整理”的高效协作。

• 多工具工作流自动化： 连接 Notion、Calendar、Drive、Stripe 等工具后，AI 自动关联“日历事件→相关文档→对应邮件→财务记录”，形成完整的项目上下文链。例如，当用户询问“下周的客户演示准备得如何？”，AI 会自动检索日历中的演示事件、Drive 中的演示文稿、Gmail 中的客户邮件，并汇总状态。

4. 如何使用

OpenHuman 仍处于 Early Beta 阶段（截至 v0.58.7，2026‑06‑30 发布）。下面所有步骤基于官方文档与 GitHub 仓库主分支最新说明。

1. 安装方式

官方现在推荐系统级原生包安装路径，因为它们会经过签名校验并由系统包管理器解决运行时依赖；脚本安装方式仍可用，但官方明确提示"未签名，不推荐生产使用"。普通用户请优先选择原生包。

方式 A：原生包安装（推荐）

• macOS（Homebrew tap）：

  brew tap tinyhumansai/core
  brew install openhuman
  

• Linux（Debian/Ubuntu，使用 release .deb）：

  # 从 https://github.com/tinyhumansai/openhuman/releases/latest 下载
  # OpenHuman_<version>_amd64.deb 或 _arm64.deb，然后：
  sudo apt-get install -y --no-install-recommends ./OpenHuman_*_amd64.deb
  

• Linux（Arch）： 仓库内已提供 packages/arch/openhuman-bin（AUR 配方），使用 yay -S openhuman-bin 安装。
• Windows： 直接从 GitHub Releases 下载签名后的 .msi 安装包双击安装。
• 手动安装： 也可直接从 Releases 下载 .dmg / .deb / .AppImage / .msi。

⚠️ Linux 注意事项： AppImage 在 Wayland 下可能崩溃、缺少 libgbm.so.1 或在 Arch 上出现 sharun: Interpreter not found!（参考 issue #2463）。Debian/Ubuntu 用户推荐直接用 .deb，由 apt 解决依赖。

方式 B：脚本安装（未签名，慎用）

## macOS 或 Linux x64
curl -fsSL https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.sh | bash

## Windows（PowerShell）
irm https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.ps1 | iex

⚠️ 警告： 这些脚本直接来自 raw.githubusercontent.com，没有独立签名（install.sh.asc / install.ps1.asc 暂未随 release 一起发布，见 issue #2620），无法检测篡改。除调试外，请优先使用方式 A。

在 Debian/Ubuntu 上，install.sh 会先解析最新 release 的 .deb 并通过 apt-get 安装，可用 OPENHUMAN_INSTALLER_LINUX_PACKAGE=appimage 强制走 AppImage 路径。

方式 C：官网下载

访问 https://tinyhumans.ai/openhuman，按系统选择对应安装包下载后双击安装。

2. 首次启动与登录

启动后使用 OpenHuman 账号登录。默认走托管（managed）后端：账号登录、模型路由、Web 搜索代理、以及第三方集成的 OAuth 握手都由 OpenHuman 后端代为处理（通过 Composio 连接器层）。这意味着大多数用户无需自己申请 API Key。

如果是高级用户、希望自己掌控这些组件，可进入 Settings → Automation & Channels 切换为"自定义/本地"模式，自行接入自有模型、搜索或 Composio 凭证。注意：实时触发 webhook 在该模式下需要由你自行托管。

3. 一键接入第三方工作应用

进入应用后，主界面会引导你连接生产力工具。点击任意集成的 "Connect" 按钮，浏览器会弹出 OAuth 授权窗口；登录授权后：

1. 该集成立刻成为 Agent 的一个"工具"，模型可直接调用；
2. 系统会在下一次 20 分钟 tick 时把它接入 Auto‑fetch，自动同步数据进入本地 SQLite Memory Tree；
3. 该集成同时成为画像信号与触发源（可触发自动化动作）。

集成规模已升级： 除 118+ 一键 OAuth 集成（覆盖 Gmail、GitHub、Slack、Notion、Stripe、Calendar、Drive、Linear、Jira、Outlook、Telegram、Discord 等）外，OpenHuman 还会浏览：

• 5,000+ MCP 服务器（Model Context Protocol，来自 Smithery + 官方注册中心），可一键安装为新的类型化工具；
• 90,000+ Skills 目录（来自 HermesHub、ClawHub、LobeHub 等聚合），作为可装的 SKILL.md 能力包。

集成目录见 Settings → Skills 或应用主页的"Connect"页面。建议优先连接最常用的 3–5 个核心应用（Gmail / Notion / GitHub / Calendar / Slack），几小时内即可构建出有效上下文。

4. 与桌面吉祥物 & Chat 交互

• 点击桌面吉祥物即可对话，支持**语音输入（STT）**和 ElevenLabs 语音输出（TTS），吉祥物在 TTS 时会实时唇形同步；
• 它可以以参会者身份加入 Google Meet，实时记录会议并将转录自动折入 Memory Tree；
• Chat 支持附件上传（图片 / 视频 / 文档），拖拽、粘贴均可；代码块支持语法高亮；
• v0.58.x 引入了 Meetings 体验重设计：平台选择器、Recent Calls 主从布局、自动刷新、唤醒词正确转发等。

5. 开启 SuperContext（不让新会话冷启动）

这是近期加入的差异化能力：

• 在 Composer（聊天输入框） 勾选 "SuperContext"，或在 config.toml 中设 context.super_context_enabled = true。
• 开启后，每个新会话的第一轮会确定性启动一个只读的 context_scout 子任务：扫一遍 Memory Tree、本地文件、已连接数据，组装一个有界上下文字段，在消息送给主模型前拼好。
• 直观效果：提的第一个问题，Agent 已经"知道背景"——不会冷启动。

6. 设定目标（Goals）与看板（Todos）

• 长效目标：MEMORY_GOALS.md 是你可手编辑的清单，会随 Activity 自反思；
• 单会话目标：每个 thread 可挂一个带可选 token 预算的 durable goal，在跨轮、空闲、被打断时自动接续；
• 看板：每次对话都有一个 Kanban 风格的 todos 面板，和 Agent 协作构建计划、验收标准、审批节点。

7. 设置 Memory Tree 与 Obsidian Wiki

• Memory Tree：所有接入的应用内容都被规范化为 ≤ 3k token 的 Markdown 块，评分后折叠进一个层次化摘要树，存储在本地 SQLite（用户不可直接编辑，给 Agent 推理用）。
• Obsidian Wiki：相同数据以 .md 形式落地到本地 Vault，可用 Obsidian 打开，用 Graph View 可视化浏览与编辑。
• 同一数据两种形态：Memory Tree 给 AI 用，Obsidian Vault 给人用。
• 可选：若你已在 Claude Code / Cursor / Codex / OpenCode 中自托管了 agentmemory，可在 config.toml 设 memory.backend = "agentmemory"，让同一持久化记忆后端跨多个工具共享。

8. 主题与 Theme Studio（可选）

进入 Settings → Theme Studio：

• 在 5 套内置主题族（Classic、Ocean、Sepia、Matrix、HAL 9000 × Light/Dark/Auto = 15 个组合）之间切换；
• 可视化调整每个颜色 token，实时对比度警告；
• 选择字体、WebGL/自定义图片背景；
• 导入/导出主题 JSON（编辑预设会自动 fork 为自定义主题，原版保持不变）。

9. 接入本地模型（隐私优先模式，可选）

v0.58+ 之后，本地 AI 改为显式 opt‑in，默认关闭，以避免无谓的硬件占用。需要时按以下步骤：

前置要求：

• 安装 Ollama 或 LM Studio（LM Studio 需开启本地 server，默认 http://localhost:1234/v1）；
• 至少 8 GB RAM（推荐 16 GB+），并准备几 GB 磁盘放模型权重；
• 默认本地模型：all-minilm:latest（embeddings，~23 MB）、gemma3:1b-it-qat（summary，~700 MB）。

启用步骤：

1. 打开 Settings → AI & Skills → Local AI；
2. 选择预设：embeddings only / memory + reflection / everything local 之一；
3. 如需对 Chat / Reasoning 也走本地，可在 config.toml 中显式设置：

   local_ai.runtime_enabled = true
   local_ai.opt_in_confirmed   = true
   chat_provider        = "ollama:llama3.1:8b"
   reasoning_provider   = "ollama:qwen2.5:14b"
   embeddings_provider  = "ollama:all-minilm:latest"
   

4. OpenHuman 会做健康检查：若 Ollama / LM Studio 不可达，透明回退到云端，不会卡死；
5. OPENHUMAN_LM_STUDIO_BASE_URL（或 local_ai.base_url）可改 LM Studio 端口。

Vector embeddings、summary‑tree、heartbeat、learning reflection、subconscious 这些后台负载尤其适合走本地——它们用小模型即可，且数据敏感度更高。

10. 使用内置工具集（即拿即用，零安装）

直接在 Chat 中下达指令：

• 搜索最新的 AI 论文 → Web 搜索
• 抓取这个网页的内容 → Web Scraper
• grep "TODO"、git status、cargo test → Coder 工具集（filesystem、git、lint、test、grep）
• 计划任务 → Cron & Scheduling；浏览器/桌面控制、Agent 协作见各 native tools 文档。

11. 通讯频道（让 Agent 主动找你）

进入 Settings → Automation & Channels → Messaging Channels 设置默认渠道：

• Telegram（主推）：双向、80+ 自动化操作（发消息、管理群、搜索历史…），凭证加密；
• Discord：发/收消息；
• Web：桌面 App 内置的纯本地浏览器聊天界面。

5. 优缺点分析

6. 同类工具对比

选型建议： 对于追求“开箱即用”和“零配置”体验的个人用户，OpenHuman 是最佳选择。其 UI 优先的设计和 118+ 应用一键集成，让用户无需接触终端即可享受 AI 助手的能力。尤其是需要跨应用上下文整合的知识工作者（如项目经理、技术负责人），OpenHuman 的自动同步和 Memory Tree 能显著提升工作效率。

对于开发者和技术团队，如果更看重灵活性和定制能力，OpenClaw 或 Hermes Agent 可能更适合。它们采用 MIT 协议，允许商业闭源使用，且终端优先的设计提供了更强的可扩展性。但需要注意，这些工具需要用户自行配置模型 API 和连接，上手门槛较高。如果团队有专门的 DevOps 人员，可以考虑使用 OpenClaw 构建定制化的 AI 工作流。

7. 编辑点评

OpenHuman 在个人 AI 助手领域展现出了显著的技术创新。其核心创新点在于将“自动数据同步”与“层次化持久记忆”结合，打破了传统 AI 助手“每次对话都是冷启动”的局限。Memory Tree 架构通过将同步数据压缩为 ≤3k-token 的 Markdown 片段并折叠存储，在有限存储空间内实现了高效的长期记忆管理，这一设计思路值得行业借鉴。TokenJuice 压缩引擎的引入，使 API 调用成本最高降低 80%，解决了 AI 助手在规模化使用中的经济性问题。

从实用价值来看，OpenHuman 对知识工作者和开发者的工作效率提升是立竿见影的。以跨应用项目上下文整合为例，传统做法需要手动切换多个工具并汇总信息，而 OpenHuman 的自动同步和智能搜索让这一过程缩短至几分钟。Obsidian 集成更是将 AI 记忆系统与个人知识管理工具无缝打通，适合构建 Karpathy 风格的 LLM 知识库。不过，吉祥物交互的实用价值相对有限，更多是提升趣味性而非核心生产力。

适用人群定位上，OpenHuman 最适合三类用户：一是需要跨应用上下文整合的项目经理和技术负责人；二是注重隐私、希望数据完全本地化的企业用户；三是 Obsidian 重度用户，希望利用 AI 自动构建知识网络。对于只需要简单对话功能的用户，ChatGPT 或 Claude 可能更经济实惠。

未来发展潜力方面，OpenHuman 的开源策略和 GPL-3.0 协议有助于吸引社区贡献，但社区生态的成长需要时间。建议团队优先优化首次同步速度和吉祥物交互体验，同时丰富模型路由的自定义选项，以吸引更多高级用户。

8. 常见问题FAQ

Q：OpenHuman 是否支持中文？
A：支持。OpenHuman 的界面已提供中文语言选项，且语音识别（STT）和文本处理均支持中文。但需注意，部分第三方应用（如 Gmail、GitHub）的数据同步可能以英文为主，AI 会根据用户的语言偏好进行理解与回复。建议在设置中切换语言为中文以获得更好的体验。

Q：使用 OpenHuman 是否需要付费？
A：OpenHuman 本身是开源免费软件（GPL-3.0 协议），但使用云端模型功能需要付费订阅。订阅费用覆盖模型路由、TokenJuice 压缩和自动同步等高级功能。如果用户通过 Ollama 或 LM Studio 接入本地模型，可以完全免费使用，无需任何订阅费用。

Q：我的数据是否会上传到云端？
A：默认情况下，所有工作流数据本地加密存储，不上传云端。只有当你使用云端模型时，查询请求会发送至模型提供商（如 OpenAI、Anthropic），但同步数据本身不会离开本地。如果通过 Ollama 或 LM Studio 使用本地模型，则完全离线运行，数据零上传。

Q：如何确保自动同步不会影响电脑性能？
A：OpenHuman 采用 Rust + Tauri 构建，内存占用远低于 Electron 方案。自动同步在后台以低优先级线程运行，CPU 占用率通常低于 5%。建议在非工作时间启用同步，或通过设置调整同步间隔（如改为每 1 小时同步）。首次同步可能占用较多资源，后续增量同步几乎无感知。

Q：是否支持自定义模型路由规则？
A：支持。在 v0.58+ 版本中，用户可通过 config.toml 中的 *_provider 字段按 workload 手动指定模型路由。例如设置 chat_provider = "ollama:llama3.1:8b" 可将聊天路由到本地 Ollama；设置 reasoning_provider = "ollama:qwen2.5:14b" 可将推理路由到指定本地模型。未设置或设为 cloud 的 workload 仍走默认云端路由。此外，本地 AI 也支持通过 LM Studio（OpenAI 兼容端点）作为提供商，详见 Settings → AI & Skills → Local AI 中的预设配置。

Q：Obsidian Vault 的同步文件会占用多少空间？
A：每个同步数据片段被压缩为 ≤3k-token 的 Markdown 文件，平均每个文件约 2-5KB。以连接 10 个应用、每日同步 100 个事件为例，年存储量约为 100-200MB。用户可在设置中清理历史数据，或调整保留期限。建议定期检查 Vault 目录，删除不必要的旧文件。

Q：如何解决吉祥物语音识别不准确的问题？
A：语音识别准确率受环境噪音和麦克风质量影响。建议在安静环境中使用，或使用高品质外接麦克风。如果识别效果不佳，可暂时关闭语音输入，改用文字输入。团队正在优化降噪算法，预计在下一个版本中提供更好的噪音抑制能力。

9. 项目地址

• 官网地址： https://tinyhumans.ai/openhuman
• GitHub 仓库： https://github.com/tinyhumansai/openhuman