写在前面：如果你最近刷过 AI 开源社区，一定注意到一个有趣的现象——大家不再讨论"哪个模型最强"，而是开始讨论"怎么养好自己的 AI"。从企业级的 OpenClaw，到自我进化的 Hermes Agent，再到主打个人记忆的 OpenHuman，Agent 的进化路径清晰地指向一个方向：让 AI 真正认识你。这篇文章带你理清这条演进线。
玩个梗：既然养人是继养虾养马之后第三个出现的，同时也是养“人”，那就称之为养小三吧（🐶）

---

一、背景：为什么我们需要"养"一个 AI？

2026 年的 AI 圈有一个共识：模型能力已经不是瓶颈，记忆和上下文才是。

无论你用的是 GPT-5、Claude 4 还是 Gemini，它们都有一个共同的"原罪"——无状态。每次对话从零开始，上周的项目背景、昨天的邮件、今天的会议，全部归零。你不得不反复交代背景，AI 永远像个刚入职的实习生。

于是社区开始探索一条新路：与其每次教 AI 做事，不如让它主动了解你的一切。这就是"养 AI"这个梗的由来——你把 Agent 当成一个需要长期培养的数字生命体，喂数据、配工具、建记忆，最终得到一个"懂你"的私人助手。

而这场"饲养运动"中，有三只标志性的"宠物"值得记住：虾、马、人。

---

二、第一代：养虾——OpenClaw，让 Agent 长出手脚

它解决了什么问题？

OpenClaw 的定位是企业级 Agent 操作系统。它的核心洞察很简单：大模型再聪明，如果碰不到你的数据、操作不了你的工具，那它就是个"缸中之脑"。

关键能力

• 多渠道网关：微信、钉钉、Telegram、WhatsApp、Slack 等 23+ 渠道统一接入，一个 Agent 同时服务所有沟通平台
• 满权限本地操控：终端、浏览器、文件系统全开放，Agent 能帮你跑脚本、填表单、下载文件
• 企业级编排：多 Agent 协同、权限管理、审计日志，适合组织内部部署

它的局限

OpenClaw 很强，但它解决的是 “Agent 能干什么” 的问题——工具调度、渠道打通、权限管控。它并不关心 Agent 是否"了解你"。你每换一个项目、每来一个新任务，都要重新给它写提示词、配上下文。

它是一双能干的手，但没有自己的记忆。

📊 项目数据：OpenClaw 目前在 GitHub 上已收获 37 万+ Stars，是三者中生态最成熟、企业落地案例最多的。

---

三、第二代：养马——Hermes Agent，让 Agent 学会自我进化

它解决了什么问题？

Nous Research 出品的 Hermes Agent 思考的是另一个维度的问题：Agent 怎么越用越聪明？

OpenClaw 每次执行任务都是"一次性"的——做完就忘。Hermes 想让 Agent 拥有经验积累的能力，像人类一样从每一次任务中提炼教训，下次做得更好。

关键能力

• Cron 定时引擎：支持分钟、小时、日、月级别的自定义调度，Agent 可以自己决定"什么时候该做什么"
• 自我进化学习循环：每次任务执行完毕后，自动提炼成可复用的技能（Skill），存入技能库供未来调用
• 200+ 模型支持：几乎接入了市面上所有主流大模型，MIT 协议，自由度极高
• 终端优先：深度集成命令行工作流，适合开发者日常使用

它的局限

Hermes 解决了 “Agent 怎么越用越强” 的问题，但它仍然有一个隐含前提：你得先告诉它要做什么。

它的自我进化是"任务完成后"的复盘，而不是"任务开始前"就对你的世界了如指掌。如果你不主动派活，它就不会主动了解你。本质上，它还是一个被动响应的系统——你不动，它不动。

它是一匹越跑越快的马，但得有人骑着它、告诉它往哪跑。

---

四、第三代：养人——OpenHuman，让 Agent 开口前就已了解你

核心洞察：冷启动才是终极难题

OpenClaw 给了 Agent 手脚，Hermes 给了 Agent 学习能力，但两者都绕不开一个巨大的痛点：

你每天都在教 AI 做事——配 Skill、写提示词、手动上传会议纪要和代码文档。归根结底，你得先"动"它，它才动。一天不维护，它就不知道你今天经历了什么。

OpenHuman 的出现，就是为了让这个"磨合期"归零。它的口号不是"更聪明的 AI"，而是——“It knows you before you ask.”

它怎么做到的？

OpenHuman 由 Tiny Humans AI 团队开发，用 Rust + TypeScript（Tauri 框架）构建，GPL-3.0 开源，上线一周连续 9 天霸榜 GitHub Trending 第一，目前星标约 2.6 万～3.4 万。

它的架构可以用三个关键词概括：连接、记忆、本地。

1️⃣ 一键连接：118+ 服务无感接入

内置 Gmail、Notion、GitHub、Slack、Calendar、Drive、Linear、Jira、Stripe 等 118+ 第三方服务，全部通过 OAuth 一键授权，不用到处配置 API Key。

2️⃣ Auto-Fetch：每 20 分钟自动刷新你的状态

连接完成后，后台引擎每 20 分钟遍历所有活跃连接，静默拉取最新数据进入本地记忆系统。早上打开电脑时，它已经处理完你凌晨收到的邮件、日历变更、代码提交。

你不需要"喂"它，它自己会"吃"。

3️⃣ Memory Tree：可编辑的记忆树

抓回来的数据被切成 ≤ 3000 token 的 Markdown 片段，按主题、时间线打分后，折叠成一棵分层摘要树，存入本地 SQLite；同时镜像生成 Obsidian 兼容的 .md 文件。

这一步是最硬核的创新——AI 的记忆不是黑箱向量数据库，而是人类可读、可编辑、可审查的 Markdown 文件。你能直接在 Obsidian 里打开 AI 的"脑子"看个究竟，甚至可以手动补充信息。

它还顺手解决了 Token 费用问题

你一定会问：这么庞大的数据全塞给大模型，Token 费用不会爆炸吗？

OpenHuman 内置了一个叫 TokenJuice 的压缩层：

• HTML → Markdown 转换（丢掉无意义的标签和样式）
• 长 URL 缩短
• 内容去重
• 非 ASCII 字符优化

官方声称最高可降低 80% 的 Token 消耗。再配合智能模型路由——简单任务走轻量模型，复杂推理走强推理模型——一个订阅覆盖多种模型，避免"杀鸡用牛刀"。

它还做了什么？

• 本地优先：支持 Ollama 接入本地模型，可完全离线运行，数据不上云
• 桌面吉祥物：带形象的桌面 Agent，支持语音输入输出，能作为参会者加入 Google Meet
• 零代码安装：256G 老旧笔记本都能跑，桌面 GUI 开箱即用

---

五、三代 Agent 的本质区别

为了让你一眼看清这三代产品的定位差异，我整理了一张对比表：

维度	🦞 OpenClaw（虾）	🐎 Hermes（马）	🧑 OpenHuman（人）
核心命题	Agent 能干什么	Agent 怎么越用越强	Agent 开口前知道多少
关键能力	多渠道网关 + 本地操控	Cron 调度 + 自我进化	Auto-Fetch + 记忆树
记忆机制	无状态 / 外部注入	任务后技能提炼	持续主动摄入 + 持久记忆
主动性	被动响应	被动响应（定时触发）	主动了解
目标用户	企业 / 组织	开发者 / 科研人员	普通知识工作者
开源协议	商业 + 开源混合	MIT	GPL-3.0
GitHub Stars	37 万+	活跃增长中	2.6 万～3.4 万（一周内）

一句话总结三代演进逻辑：

OpenClaw 解决了 “手” 的问题——让 Agent 能操作世界；
Hermes 解决了 “脑” 的问题——让 Agent 能从经验中学习；
OpenHuman 解决了 “心” 的问题——让 Agent 真正认识你。

---

六、方法论溯源：Karpathy 的 LLM Wiki

OpenHuman 的设计直觉并非凭空而来，它的灵魂来自 Andrej Karpathy（前特斯拉 AI 总监、OpenAI 创始成员）在 2026 年 4 月公开的一套个人知识库方法论——LLM Wiki。

LLM Wiki 的三层架构

层级	目录/文件	谁来维护
Raw Sources 原始素材层	raw/	人类写入，LLM 只读
Wiki 知识层	wiki/（Markdown 集合）	LLM 读写，人类只读
Schema 规则层	CLAUDE.md	人类配置，LLM 执行

核心观点：编译而非检索

传统 RAG 是每次提问时临时从原始文档里拼凑答案，知识不积累；LLM Wiki 是让 LLM 像编译器一样，把原始资料**一次性"编译"**成结构化的 Markdown 知识库，并持续维护、增量更新。

Karpathy 自己的类比很精辟：

“Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。”

OpenHuman 做的事情，本质上就是把这套原本需要手工维护的 LLM Wiki 工作流，做成全自动流水线——你不需要自己往 raw/ 里丢文件、不需要自己跑 Ingest/Query/Lint，OpenHuman 的 Auto-Fetch + Memory Tree 把整套流程自动化了。

这是它最值钱的设计直觉。

---

七、上手建议与风险提示

作为 Early Beta 项目（目前约 v0.54～v0.56），OpenHuman 有几个现实问题值得在动手前知道：

✅ 上手建议

1. 从小规模开始：先连 2-3 个核心服务（Gmail + GitHub + Calendar），跑一周观察记忆树质量，再决定是否扩大接入
2. 配合 Obsidian 使用：直接打开本地 Markdown 文件，直观感受 AI 的"思考过程"
3. 善用本地模型：如果有显卡，接 Ollama 跑本地模型，隐私和成本双赢

⚠️ 风险提示

1. 授权 118+ 服务 = 交出钥匙：Auto-Fetch 每 20 分钟拉取一次，意味着 OpenHuman 持有你的长期访问令牌。务必从官方渠道下载，不要用第三方修改版
2. RAM 占用不低：官方社区建议 4 GB 起步，低于此配置后台常驻会吃力
3. 项目仍在不稳定演进：API 和存储格式可能变化，不要把它当作唯一的知识库副本
4. 它不是 AGI：官方 README 自己写明 “OpenHuman is not AGI”——它是架构进步，但不是数字永生

---

八、写在最后：Agent 的下一站在哪？

从 OpenClaw 到 Hermes 再到 OpenHuman，我们看到的是一条清晰的演进线：

工具 → 学习 → 记忆

Agent 正在从一个"被动执行指令的程序"，变成一个"主动了解你的伙伴"。OpenHuman 的意义不在于它用了多大的模型、多先进的算法，而在于它重新定义了 Agent 与用户关系的起点——不是"你教我做事"，而是"我早已了解你"。

Karpathy 的 LLM Wiki 给出了理论蓝图，OpenHuman 给出了工程实现。下一步会是什么？也许是 Agent 之间的记忆互通——你的 Agent 和同事的 Agent 自动协商、共享上下文，整个团队的协作被重新定义。

那一天也许不远了。

---

参考资源

• OpenClaw：https://github.com/openclaw/openclaw
• Hermes Agent：https://github.com/NousResearch/hermes-agent
• OpenHuman：https://github.com/tinyhumansai/openhuman
• Karpathy LLM Wiki 方法论讨论（2026.04）