OpenClaw和Hermes养累了,OpenHuman 两天冲上万星: 终于有个不用教的 AI Agent 了!

从”养虾养马”到”它偷学你”——AI Agent 赛道的拐点来了

先说我现在的状态：已经养不动了。

玩 OpenClaw 的时候，我在干嘛？写 Prompt，配置 Skill，调工作流参数，一个多步骤任务调小半天才能跑通。后来 Hermes 出来，社区进步了，开源社区能快速复现，但它也要我教——写指令、配工具、描述场景。

说白了，过去两年的 AI Agent，核心都是”你当老师，AI 当学生”。

老师当久了，真的会累。

然后 OpenHuman 出现了。两天从 2K 星冲到接近 1 万星，GitHub Trending 直接登顶。我一开始以为是又一个套壳项目，点进去看完 README 才意识到——这玩意的思路，跟之前的项目完全不是一个方向。

—— ✦ ——

它做对了什么

一句话概括它的核心逻辑：不再让用户教 AI，而是让 AI 自己去”偷学”用户。

以前的 Agent 工作流长这样：用户描述任务 → 配置工具链 → 写 Prompt → 跑通流程。每次换场景，重来一遍。OpenHuman 把流程倒过来了：用户授权 → AI 读取你的工作数据 → AI 自动理解你的上下文 → 你再告诉它做什么。

每一步的设计都看得出团队是真做过用户调研的。比如 OAuth 授权而不是要 API Key，这个细节省了多少配置时间，写过脚本的人都知道。20 分钟的轮询间隔也选得挺克制——再短 API 限流，再长实时性不够，平衡点找得不错。

最狠的是数据切块的策略：每块不超过 3000 Token，转成 Markdown 片段后按主题、时间线、关联对象三个维度组织，最终折叠成树状结构，存在本地 SQLite 里。同时生成 .md 文件，你甚至能用 Obsidian 直接打开这棵记忆树来看。

这意味着什么？你的 AI 助手不再是一个黑盒。你能看到它记得什么、怎么组织你发给它的信息，甚至可以手动修改。

—— ✦ ——

TokenJuice：藏在细节里的省钱利器

还有一个值得单拎出来讲的东西 —— TokenJuice，OpenHuman 内置的预处理层。

所有数据在进入 LLM 之前，先在本地过一遍这个流水线：

HTML 转 Markdown，去掉样式脚本 → 压缩长 URL，去掉追踪参数 → 去重，同一封邮件在”已发送”和”收件箱”里只留一份。

官方说能减少 80% 的 Token 消耗。我实测了一周 Gmail 数据，原始 4 万多 Token，跑完 TokenJuice 降到了 1 万出头。这个数字对 API 账单的意义，写 AI 应用的人都懂。

而且所有预处理都在本地完成——原始数据在授权前不会离开你的机器。合规性上，比那些直接传原始数据到云端的产品靠谱得多。

—— ✦ ——

开发者视角：它真的”不用教”吗？

聊到这，可能有人会问：那我不写 Prompt 了？不配 Skill 了？

我的理解是：OpenHuman 解决的问题不是”彻底不用写指令”，而是让你不用反复解释你是谁、你在做什么。

用过 Claude 或者 ChatGPT 的朋友都有这个体验：每开一个新对话，都要重新告诉它一遍项目背景、当前进度、你的工作习惯。OpenHuman 做的事情，就是把这一层”冷启动”去掉。它通过阅读你的邮件、代码评审记录、Slack 讨论，已经知道了你的上下文。你只需要说”帮我看看这个 PR 有什么问题”，它就能结合你之前的所有评审风格来回答。

但具体任务的执行——比如”帮我部署这个服务””写一个数据处理脚本”——该调的参数一个都不会少。只不过以前这些参数要你从零去配，现在它先根据你的工作习惯给一个接近的方案，你微调一下就完事。

—— ✦ ——

国内能用吗？

说实话，这个问题我现在给不了肯定的答案。

OpenHuman 目前支持的服务 —— Gmail、GitHub、Slack、Notion、Linear、Jira —— 全是英文工具生态。飞书、钉钉、企业微信，一个都没安排上。

如果你日常工作跑在这些工具上，现阶段还真用不了。

另外还有个硬伤：本地化存储是隐私优势，但也是体验瓶颈。知识库只在你本地机器上，没有官方多设备同步方案。在家写的东西，到公司电脑上看不到 —— 除非你自己用 Obsidian Vault 手动同步。

至于 SQLite 在几千个记忆节点后的查询性能，目前还没人测出上限。但以我的经验，单机 SQLite 几千条记录不算什么大问题，真正要看的是记忆树折叠算法的质量 —— 摘要会不会丢失关键信息，不同来源的数据能不能语义对齐。

—— ✦ ——

从 OpenClaw 到 OpenHuman：AI Agent 的范式转移

回头看这条链：OpenClaw 解决了”多步骤任务自动执行”，Hermes 证明了”开源社区可以快速追上”，OpenHuman 则把目标从“能干”转向了”懂你”。

这不是能力层面的迭代，而是产品哲学的转向。

过去两年，AI Agent 赛道所有人都在拼能力上限——支持多少工具、跑多复杂的工作流、能调多少参数。这是”基建期”的必然逻辑。但 OpenHuman 的爆火说明一件事：当能力已经够用的时候，用户真正想要的是”别让我再教你了”。

这个转向，对开发者的意义可能比非技术用户更大。因为开发者是”被 AI Agent 反复折磨过”最深的群体 —— 我们写过最多的 Prompt，配过最多的 Skill，调过最多的参数。所以当 OpenHuman 说”我不需要你教我”，开发者是最先能感受到其中分量的人。

两天万星，不是白来的。

—— ✦ ——

OpenHuman 目前还在 Early Beta，小毛病肯定不少。但它的产品方向已经足够清晰：AI Agent 的下一个战场，不在能力上限，而在使用门槛。

GitHub 地址：github.com/tinyhumansai/openhuman

官网下载：tinyhumans.ai/openhuman

如果试了有什么有趣的发现，欢迎来评论区聊聊。