我花了2小时没装上，GitHub 13.4k Star的项目竟然连Hello World都发不出去。OpenHuman，你礼貌吗？
嗯，不是新智元发的，水份可控。再看他们的理念很好：连上你的Gmail、GitHub、Slack、Notion、日历……118个服务一键接进来，每20分钟自动抓一遍新数据，压缩进一个卡帕西式的本地知识库。
OpenHuman 狂揽 13.4K Star，一天涨千星。好奇，想玩。结果，我折腾了两个小时，到现在连hi都没发成功。。。
下边我就用hermes来拆解OpenHuman，打破浮夸
为什么我说 OpenHuman 差得远
1. 第一道坑：安装
OpenHuman 的承诺：
一键启动，20分钟了解你的一切
实际体验：
表面开源，实则收费。
用命令安装失败，超时，我是到他们官网下载dmg文件。说是有1刀的额度，打开就告诉你没钱了，去订阅。。。
Hermes
安装体验无比丝滑，简单设置模型就能用了。是真的开源，真的智能体。
Hermes 真的开箱即用。OpenHuman 开箱即收费。
2. 第二道坑：配置
OpenHuman 的配置文档写得像讲解城市规划——宏大、全面、但新手根本看不懂。
文档告诉你有 118 个集成，但没告诉你：
• 哪个 API 密钥填在哪里 • 模型路由怎么配才不会出错
界面上第三方不能用，配置完连接失败，再看一次，给你清空了。。。
我花了1小时读源码，才搞明白不仅要配置api_url，还需要 inference_url ，它不是可选的，而是必须的。
api_url = "https://api.tinyhumans.ai"
api_key = "sk-..."
inference_url = ""
default_model = "reasoning-v1" 然后发现，这个鸡贼会不断覆盖我的配置。。。
这就导致我怎么配置都失败。。。
量子位的小编，你好歹下载自己用两下再发文啊，下次求求了。。。
Hermes 呢？
export OPENAI_API_KEY=sk-xxx
export OPENHUMAN_PROVIDER=openai
hermes chat或者一个 config.yaml：
provider: openai
api_key: sk-xxx
model: gpt-4o或者在命令行直接 add-provider 就成功了
3. 第三道坑：20分钟了解你？
报道说：
"连上你的 Gmail、GitHub、Slack、Notion、日历……118 个服务一键接进来"
实际呢？
我试着连 Gmail。
点"连接" → 跳转 OAuth 授权 → 授权成功 → 回到 OpenHuman → 一片空白。
我在等什么？等自动抓取。
等了 5 分钟，没有。
等了 15 分钟，还是没有。
查日志发现：
Error: Cannot find memory_tree config再查一下文档……啊，我的 memory_tree 配置里还缺个 Ollama 地址。
[memory_tree]
llm_extractor_endpoint = "http://localhost:11434"
llm_extractor_model = "gemma3:4b"所以呢？你必须本地跑 Ollama。
不仅要安装 OpenHuman，还要安装 Ollama，还要下载模型。
这又是 2-3 小时。
Hermes 呢？
hermes memory recall "我最近做了什么项目？"直接调用你的 Claude/GPT API，秒出结果。不需要本地跑什么东西。
4. 第四道坑：Token 消耗与隐藏成本
我翻了翻他们的定价页面，这比孙哥的聚合站还不透明啊：
1. "使用量"是什么单位？ • Token 数？ • API 调用次数？ • 时间窗口？ • 文档没说。 2. 早鸟折扣 60% off？ • Basic：8 左右？ • Pro：80？ • 这价格对标 Claude Max (200/月)？ • 完全不透明。 3. "云功能"包括什么？ • 后端存储？ • API 代理？ • 数据同步？ • 又没说。
深度分析
OpenHuman 现在的局面
1. 技术上：内存树框架完整 2. 架构上：设计思想还不错，想要实现了一个真正的结构化知识系统： 三层树形结构：
- Source Trees — 按来源滚动缓冲（Gmail 标签、Slack 频道等）
- Topic Trees — 按实体聚合（人、项目、代码库）
- Global Tree — 每日 UTC 全局摘要
差异化特性：
内存流水线：原始数据 → 规范化MD → 分块 → 评分 → 持久化 → 后台工作
(快速) (异步)
分块：内容寻址 + 确定性ID → 无重复
搜索：向量相似度 (70%) + FTS5 全文 (30%) → 混合精准
摘要：层级压缩 (L0→L1→L2→…) → 知识图谱
完全本地化：
- 支持本地 Ollama 嵌入，完全离线工作
- 所有数据在 ~/.openhuman/ 机器上
- SQLite + Markdown 完整持久化
生产级桌面架构
Tauri v2 + CEF（不是 Electron）：
- 冷启动 < 500ms（vs Electron 2-5s）
- 零 GC 停顿（Rust 所有权模型）
- 二进制大小更小
- 内存安全编译时保证
3. 定位上：试图做"自托管 + 本地优先 + 记忆系统" 4. 定价上：完全不知道自己是谁 5. 用户体验上：配置地狱 → 即使配好了也不一定能丝滑实现知识管理
是不是虚假宣传
Star 数 13.4K 说明什么？
• 宣传很成功 • 社区看好这个方向 • 用户真的能用吗？我都用不起来，别说小白用户了。
定价模式说明什么？
• 还在试探市场 → "Free 试试？" • 还没想清楚商业模式 → "199？" • 还在为融资演讲优化，不是为用户优化 → 定价黑盒
我去扒了作者GitHub，作者是 Steven Enamakel，坐标写的迪拜，自我介绍写着：超级工作狂，能连续工作40小时。难怪这个项目就像40小时没睡写出来的：框架惊艳，细节全是bug。
怎么做一个卡帕西知识库？
卡帕西式知识库，解决了传统 AI 记忆系统的几个根本痛点：
1. 可读性 + 可编辑性
传统 memory：向量嵌入 + 数据库，人无法直接理解和修正。卡帕西式：Markdown 文件，你可以打开看到 Agent 记住了什么，删掉错误的、补充缺失的。这是人机协作的关键。
2. 避免“垃圾进垃圾出”
自动抓取的数据往往很脏（邮件签名、HTML 标签、重复内容）。压缩成干净、分块的 Markdown，相当于强制做了一次 ETL，LLM 后续调用时输入质量高得多。
3. 双向链接形成知识网络
Obsidian 的 链接可以手动或自动关联不同来源的信息（比如“项目A”链接到“相关邮件”和“代码 PR”）。这是知识图谱的轻量实现，比单纯向量检索更结构化。
4. 长期记忆 + 低幻觉
LLM 直接读你的真实 Markdown 库回答，比依赖训练数据或临时 RAG 更准确。因为内容是用户自己的、经过整理的，幻觉概率大幅降低。
5. 本地化 + 隐私
所有知识存本地，不依赖云端向量库。你可以用 Ollama 完全离线推理，数据永不外泄。
一句话总结：把 AI 的记忆从黑箱向量变成了 人类可读可改的 Markdown 笔记，让用户重新掌控知识，同时保留 LLM 的理解和生成能力。
卡帕西知识库的本质 = Obsidian（人类可读） + 自动抓取脚本（帮你填充数据） + 本地 LLM（检索/问答）。
按按这个思路和方案来实现，既不发币、也不刷 Star，还没搞 8-200 美元的模糊定价——纯开源，纯本地，纯良心。这是不是真正的 Builder 精神？🤪
大家感兴趣的话，咱们下一期就讲一讲自己怎么改造 爱马仕Hermes，实现一个卡帕西知识库。
最后的话
我不是在故意黑 OpenHuman，实在是有点吃相难看，还不如国内一些创业者做的智能体，起码每天有一些免费Token额度。
OpenHuman 的 199.99刀，之间的 10 倍差价说明什么？
说明他们还在猜。
等他们想清楚了，定价清楚了，文档清楚了，配置简化了，才能真的去挑战 Hermes。
现在？
还差得远。
ps：有谁成功装上了OpenHuman和Custom LLM Provider？截图发出来，我请你喝咖啡！