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 OpenHumanAgent 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 AI2026 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 TypeScriptTauri 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MITGPL-3.0GitHub Stars37 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 WikiOpenHuman 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 IDELLM 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/LintOpenHuman 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 v0.54v0.56OpenHuman 有几个现实问题值得在动手前知道✅ 上手建议从小规模开始先连 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配合 Obsidian 使用直接打开本地 Markdown 文件直观感受 AI 的思考过程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OpenClawhttps://github.com/openclaw/openclawHermes Agenthttps://github.com/NousResearch/hermes-agentOpenHumanhttps://github.com/tinyhumansai/openhumanKarpathy LLM Wiki 方法论讨论2026.04