OpenHuman：把記憶、代理與研究塞進本機的個人 AI 主幹
您的個人人工智慧超級智慧。一個為你的生活建立本地優先記憶的大腦，一個代理艦隊和工作流程的出色協調者，以及一個深入的研究人員。
秒懂
- 它是什麼？
- OpenHuman 是一個以 Rust 撰寫、GPL-3.0 授權的個人 AI 平台，主打 local-first 的記憶樹、圖形化代理編排與深度研究。本文拆解它的架構、安裝方式、限制與替代方案。
- 適合誰用？
- OpenHuman 適合願意投入時間理解其「記憶樹 + 代理圖譜」架構的開發者與進階用戶，尤其是那些對資料隱私敏感、想避免向量資料庫黑箱的人。不適合只想快速獲得一個聊天機器人的一般使用者，因為它仍處於 Early Beta，邊角粗糙，且依賴訂閱制與外部服務。
- 可以商用嗎？
- 可以，但有條件。GPL-3.0 是 copyleft 授權：如果你散布包含它的軟體，就必須以同一授權公開該軟體的原始碼。只在內部執行、不對外散布，則不會觸發這項義務。
- 還在維護嗎？
- 有在維護。儲存庫在最近一天內有新的提交。
- 用什麼語言寫的？
- 主要是 Rust（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
它解決什麼問題：個人 AI 的記憶與編排缺口
OpenHuman 的記憶機制不是把對話記錄塞進向量資料庫，而是用「Memory Tree」將資料壓縮成有評分的 Markdown 樹狀結構，存在 SQLite 裡，並同步成 Obsidian vault。這意味著你可以直接開啟 Obsidian 編輯那些記憶節點，而不是面對一個無法檢視的黑箱。文件稱之為「No vector-soup black box」，這點確實有吸引力。另一個關鍵機制是 TokenJuice，它會在工具輸出送進模型前先壓縮，宣稱能省下最多 80% 的 token。沒有這個機制，一個擁有 90,000 個 Skills 的系統光是餵模型就破產了。編排層則依賴兩個開源專案：tinyflows 負責工作流的觸發與審核，tinyagents 負責圖形化的代理執行，並支援 checkpoint 與重播。
本機優先的記憶樹：SQLite 與 Obsidian 的組合
記憶樹的設計很具體：資料被壓縮成有評分的 Markdown 樹，存在 SQLite 中，並鏡像為 Obsidian vault。這代表使用者可以直接用 Obsidian 開啟、編輯、瀏覽記憶，而不是透過 API 或網頁介面。文件提到「Auto-fetch」每 20 分鐘會自動餵資料給記憶樹，讓系統擁有「明天的上下文」。這對長期專案追蹤很有用，但也暗示記憶樹會持續成長，SQLite 是否能應付數年累積的資料量，文件沒有明說。另一個特色是 Goals & Todos，支援長期目標、執行緒內的持久目標，以及共用的 kanban board。這把記憶與任務管理綁在一起，讓 AI 不只是被動回憶，而是主動追蹤進度。不過，記憶樹的評分機制是怎麼運作的？文件只有「scored」一詞，沒有細節。這是一個需要實測才能驗證的盲點。
代理編排：tinyflows 與 tinyagents 的雙引擎
OpenHuman 的編排層由兩個開源專案支撐：tinyflows 負責工作流，tinyagents 負責代理執行。tinyflows 讓代理提出自動化方案，使用者可以在畫布上審核並儲存，然後以觸發器驅動、需要審批的圖形化執行。tinyagents 則提供 checkpoint 的圖形執行，卡住的代理會被引導，中止的會回報根因，每次執行都能以實際的每呼叫成本重播。這是一個務實的設計：不是讓代理自由亂跑，而是有審核閘門與可追蹤的執行軌跡。文件提到「split brain」架構，一個快速反射代理負責分流輸入，一個深度推理核心負責委派。這類似人類的系統一與系統二思考，但實際延遲與成本如何，文件沒有數據。另一個亮點是「agent economy」，透過 @handle 在 tiny.place 上進行 Signal 加密的代理間溝通，並支援 x402 USDC 賞金與交易，且金鑰不落磁碟。這對開發者來說是實驗性功能，但對一般使用者可能無感。
安裝與執行：從 Homebrew 到原始碼的選擇
安裝方式有兩種：從 tinyhumans.ai/openhuman 下載安裝檔，或從 GitHub Releases 取得。對終端使用者，INSTALL.md 提供了 Homebrew、Debian/Ubuntu .deb、AUR 與安裝腳本。這表示 OpenHuman 支援主流 Linux 發行版與 macOS，但 Windows 沒有被明確提及。實際執行時，你需要設定模型路由。文件強調訂閱是「default, not a lock-in」，你可以指向自己的 API key，或使用完全本機的 Ollama 模型，甚至可以混合三者。這是一個重要的彈性，因為訂閱制的 Exa 搜尋是內建的，但你也可以帶自己的 Exa key 來用自己的帳號計費。不過，文件沒有提供具體的設定指令或環境變數名稱，只說「point any workload at your own provider key」。這對初學者是一個門檻，你得自己翻文件找細節。
限制與失敗模式：Early Beta 的現實
OpenHuman 明確標註「Early Beta: Under active development. Expect rough edges.」這不是客套話。Rust 生態系的編譯時間與依賴複雜度，對非 Rust 開發者是一大障礙。記憶樹的評分機制不透明，文件沒有說明如何決定哪些資料該被壓縮、評分標準為何，這可能導致重要資訊被丟棄。另一個限制是對外部服務的依賴：Exa 搜尋是預設，雖然可以帶自己的 key，但沒有 Exa 就沒有內建搜尋。訂閱制是預設，即使可以繞過，但對不想付費的人來說，初始設定會更複雜。此外，agent economy 與 tiny.place 涉及加密與金鑰管理，若設定錯誤，可能造成資產風險。文件說「Keys never touch disk」，但這需要實測驗證，而且安全宣稱不該被當作既成事實。
真正的替代方案：與本機優先的競爭者比較
OpenHuman 的直接替代品是像是 LocalAI 或 Jan 這類本機 AI 工具，但它們的定位不同。LocalAI 是一個模型推論伺服器，提供 OpenAI 相容的 API，讓你在本機跑模型，但它沒有記憶樹、沒有代理編排、沒有 Obsidian 整合。Jan 則是一個桌面應用程式，專注於本機模型聊天，介面簡潔，但缺乏 OpenHuman 的深度研究與工作流引擎。真正的差異在於：LocalAI 與 Jan 是「模型執行層」，OpenHuman 是「個人 AI 主幹」，它把記憶、任務、代理與搜尋綁在一起。如果你只需要一個本機 chat 介面，OpenHuman 可能過度設計；但如果你需要一個能長期記住你的專案、自動化任務、並深度研究的系統，OpenHuman 的整合度是這些替代品做不到的。
維護與升級成本：Rust 與 GPL-3.0 的雙重影響
OpenHuman 以 Rust 撰寫，這意味著升級時你可能需要重新編譯，而 Rust 的編譯時間與記憶體消耗是出了名的。對不想碰原始碼的使用者，安裝檔是可行的，但每次更新都得下載新版本。版本號 v0.63.12 顯示迭代速度極快，這代表功能變化大，但也代表 API 與設定可能不穩定。授權是 GPL-3.0，這對個人使用沒有問題，但若你想把它整合進商業產品，GPL 的 copyleft 條款會要求你開放原始碼。這不是法律建議，但這是你在採用前必須知道的。文件提到 tinyflows 與 tinyagents 也是開源的，但沒有明確標示授權，你需要自己確認。維護成本方面，文件沒有提供長期支援或穩定版承諾，只有 Discord 與 Reddit 社群。這表示你必須依賴社群，而不是商業 SLA。
編輯結論
OpenHuman 適合願意投入時間理解其「記憶樹 + 代理圖譜」架構的開發者與進階用戶，尤其是那些對資料隱私敏感、想避免向量資料庫黑箱的人。不適合只想快速獲得一個聊天機器人的一般使用者，因為它仍處於 Early Beta，邊角粗糙，且依賴訂閱制與外部服務。採用前，你應該先確認：你能否接受 GPL-3.0 的授權條款，是否願意承擔 Rust 生態系的編譯與除錯成本，以及你是否能接受它對 Exa 搜尋與訂閱的預設依賴。最後，你必須驗證它的記憶樹是否真的能取代你現有的筆記系統，否則它只會是另一個需要維護的工具。
社群筆記