蝦馬之后OpenHuman火了，用卡帕西式知識庫20分鐘了解你的一切

• 聞樂 發自 凹非寺
• 量子位 | 公眾號 QbitAI
  

蝦在前，馬當道，居然還有新物種能在Agent賽道突出重圍。

OpenHuman連續霸榜GitHub Trending第一，狂攬9k+ Star，一天就漲千星。

和蝦馬不一樣，Human不用你花心思養，還能反過來主動了解你。

蝦和馬，本質還是你在教AI。你得配skill、寫prompt、調工作流。

歸根結底，你得先動，它們才動

OpenHuman不需要你教，連上你的Gmail、GitHub、Slack、Notion、日歷……118個服務一鍵接進來，每20分鐘自動抓一遍新數據，壓縮進一個卡帕西式的本地知識庫

一次同步跑完，直接對你工作生活的了如指掌。

沒有訓練期，沒有磨合期，第一天上班就能干活。

誰懂啊，養蝦養馬已經養累了，終于來了個不用教的！

20分鐘了解你的Agent

Karpathy之前公開了自己的一個工作流，叫LLM Wiki

把所有筆記、文檔、項目信息、待辦事項，全部整理成結構化Markdown文件，扔進Obsidian里，讓AI持續索引和理解。

這思路在技術圈火了一波，但問題是，這套操作全手工

你得自己整理Markdown、自己分類、自己更新，一天不維護，知識庫就餿了……

OpenHuman干的事，就是把卡帕西這套手工活，變成了全自動流水線。

總結成一個三步鏈路就是：連接→抓取→記憶樹。

第一步，連。 目前OpenHuman支持118+第三方服務，Notion、GitHub、Slack、Stripe、Drive……覆蓋了大多數人日常工作的核心工具。

每個連接都是一鍵授權，不需要你跑去每個平臺手動生成API Key。

第二步，抓。 連接完之后，核心引擎每20分鐘自動輪詢所有已連接的賬戶。

新郵件、日程變更、代碼提交、文檔更新……全拉到本地。

你不用寫任何prompt或輪詢腳本，Agent自己知道什么時候該刷新。

第三步，記。 抓來的數據經過清洗和壓縮，切成不超過3000個Token的Markdown片段，按主題、時間線、關聯對象做評分和層級摘要，最終折疊成一棵記憶樹。

這棵樹的本體是一個本地SQLite數據庫。

但同一份數據，還會同步生成.md文件，落盤成一個兼容Obsidian的本地知識庫，你可以直接用Obsidian打開、瀏覽、編輯Agent的“記憶”。

記憶樹之外，還有個挺實用的設計，TokenJuice

每次工具調用結果、網頁抓取、郵件正文，在送到LLM之前，先過一遍壓縮：

HTML轉Markdown、長URL縮短、非ASCII字符清理、冗余信息去重。

這樣一來，Token消耗能砍掉80%。

而且它用了三層規則疊加，內置默認規則、用戶自定義規則、項目級規則，全以JSON文件存儲，改了不用重新編譯。

OpenHuman還有個Mascot功能，一個“會說話”的虛擬形象能作為獨立參會者加入Google Meet會議。

你開會，它旁聽記要點。你離開電腦，它在后臺繼續執行待辦任務。

潛意識循環機制下，即使你不主動跟它交互，它也會自己加載待辦、讀取近期記憶、自主決定還有什么可以干。

懂你，還得Human來

OpenHuman和Claude Cowork、OpenClaw、Hermes Agent主流Agent做了對比。

在上手門檻、成本、記憶能力、第三方集成、自動數據同步、模型調度等維度都具備一定優勢。

蝦馬之后，OpenHuman還能火，可能還是因為它剛好踩中了三個讓開發者很頭大的問題。

API密鑰一大堆、各類平臺數據分散難整合、上下文臃腫導致AI越用越卡頓。

OpenHuman一個賬號搞定所有，不用反復注冊、不用到處配置密鑰；

內置118+主流應用一鍵互聯，自動拉取全平臺數據同步進專屬記憶樹，全程后臺靜默運行、持續自主思考，最高還能節省80% token消耗與響應延遲。

而且，這三個痛點拆開是功能問題，合起來其實是還不夠貼合用戶真實使用習慣：

之前的Agent，心思都花在“能干”上了，但在“懂你”這方面，始終差了點意思。

蝦解決工具多的問題，馬解決能自學的問題，但懂你的，或許還得Human來（doge）。

項目地址：https://github.com/tinyhumansai/openhuman