Agent 赛道已经不缺产品了。但 OpenHuman 跑出来还是让人愣了一下——一周 17,793 星，总数冲到 23,500+，Rust 写的桌面应用，2,100 多次 commit，活跃度比很多拿了融资的商业项目还猛。
它的核心思路很直接：让你自己的 AI 助手在几分钟内真正了解你，而不是每次打开都要重新自我介绍。
怎么做到"认识你"的
大部分 Agent 启动时都是空白状态。OpenHuman 的做法是把你的 Gmail、Notion、GitHub、Slack、Stripe、Calendar、Linear 等 118+ 服务全部接进来，OAuth 一键授权，然后每 20 分钟自动拉取新数据。
这不是简单的 API 轮询。它把所有数据标准化成不超过 3,000 token 的 Markdown 片段，打分后折叠成层级摘要树，存在本地的 SQLite 里。同时，这些片段也会同步成一个 Obsidian 兼容的 .md 文件库——灵感来自 Karpathy 的 obsidian-wiki 工作流。
一次同步，你的收件箱、日历、代码库、文档、聊天记录全部变成 Agent 的上下文。 不用训练，不用等几天"磨合"。
TokenJuice：一个聪明的降本手段
OpenHuman 有个叫 TokenJuice 的压缩层。每次工具调用、网页抓取结果、邮件正文、搜索负载，在发给 LLM 之前都过一遍压缩：HTML 转 Markdown、长 URL 缩短、冗余内容去重和摘要。CJK 文字和 emoji 按字素保留，不做暴力截断。
官方说能降本降延迟 80%。我没有拿到自己的实测数据，但这个方向是对的——多数 Agent 框架在这个环节做得很糙，直接把原始 HTML 或者整封邮件塞进上下文，token 消耗肉眼可见地失控。
几个有意思的细节
桌面应用有一个"吉祥物"——一个会说话、会对周围环境做出反应、能作为真实参与者加入 Google Meet 的桌面小形象。听起来有点花哨，但对非技术用户来说，有脸的 Agent 比终端里的一行提示符更容易建立信任感，这是产品层面的判断，不是技术判断。
模型路由也做了——不同的任务自动分发给不同的 LLM（推理用强的、快速操作用快的、视觉任务用多模态），一个订阅搞定。本地还支持 Ollama 跑 on-device。
我的看法
OpenHuman 现在还是 early beta。README 自己说了"expect rough edges"。但它的方向感很清晰：个人 Agent 不应该是冷启动的，它应该从第一天就知道你是谁、你在做什么、你关心什么。
跟同类产品比，它有几个差异化：
- 自动数据拉取（20 分钟循环）vs 手动配置
- Memory Tree + Obsidian Wiki 双轨 vs 纯向量库
- TokenJuice 压缩 vs 原始 payload 直塞
- 桌面 UI-first vs CLI-first
短板也明显：Rust + Tauri 的桌面端，Windows 和 Linux 的体验可能不如 macOS 稳定；2,100+ commit 但主贡献者集中在两三个人，社区活跃度还需要观察。
如果你在找一个能"认识你"的本地 AI 助手，OpenHuman 是目前开源方案里完成度最高的。 但别指望它今天就能替代你的工作流——beta 就是 beta。
下一次 release 值得关注的是 OAuth 稳定性和跨平台体验。如果这两块能稳住，它有机会成为个人 Agent 领域的基准产品。
主要来源：