[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$f12n7u1je7glpg":3},{"code":4,"message":5,"data":6,"timestamp":50},10000,"success",{"full_name":7,"position":8,"description":9,"language":10,"stars":11,"forks":12,"stars_gained":13,"age_days":14,"hn_threads":15,"one_liner":26,"summary_md":27,"topic":28,"github_topics":31,"license":44,"homepage":45,"updated_at":46,"history":47},"tinyhumansai\u002Fopenhuman",5,"The fastest, cheapest, most efficient open-source agent harness. Run more than 500 agents on a $10 VPS.","Rust",42337,4184,43,249,[16,22],{"id":17,"title":18,"points":19,"comments":20,"posted_at":21},48125601,"Tinyhumansai\u002Fopenhuman: Your Personal AI super intelligence",2,0,"2026-05-13",{"id":23,"title":24,"points":19,"comments":20,"posted_at":25},47876182,"Show HN: OpenHuman, an AI agent with a subconscious loop","2026-04-23","为需要在单台小服务器上低成本运行数百个 LLM agent 的场景准备的 Rust agent harness，兼具桌面应用与库两种用法。","如果你正被大量 agent 实例的内存和 token 成本卡住，并且会写 Rust 或愿意先用桌面版，OpenHuman 值得花时间评估。但它的性能数字目前是项目方自己的基准，先按你的任务复现一遍再决定。\n\n## 解决什么问题\n\n假设你想做一个“每个客户一个 agent”的产品，或者内部要同时跑几百个 agent。常见做法是每个 agent 一个重进程，每次调用都重发一大段 prompt，内存和 token 开销随 agent 数量一起涨。OpenHuman 想解决的就是这一步：用一个 Rust 运行时承载数百个 agent，每个 agent 有自己的模型、工具、记忆和沙箱，并声称 500 个 agent 能塞进一台 $10 VPS。真正变化的是 harness 对上下文压缩、工具选择和功能加载的处理方式，项目称这能压低每个 agent 的成本。\n\n## 有什么不同\n\n它的核心是一个库优先的 harness：加进 Rust 项目后像调用函数一样调用 agent，不需要额外的 sidecar 或守护进程。同一个运行时可以托管大量相互隔离的 agent，这是面向“agent 集群”场景的关键点。README 把省下来的开销归因于六个设计思路，其中包括“RLM token 压缩”，并链接到独立的冷启动和基准页面。项目公开了 SWE-bench Verified 的结果，在十个编码任务上、使用相同模型和容器与另外六个 harness 对比，另外还有一张功能对比表。\n\n代价是这些数字来自项目方自己的基准运行，任务范围也限于编码类；它们只能说明作者测到了什么，不能保证你的 prompt 和工具也能获得同样效果。功能面上，MCP、skills、自带模型、对文件和仓库的记忆等，让它和已有的编码 agent 处在同一赛道，切换成本真实存在：你在采用一套新的运行时和它的约定。每轮对话前带引用地召回记忆是个值得注意的设计，但这也意味着召回质量会直接变成 agent 行为的一部分。\n\n## 谁值得试\n\n适合：正在用 Rust 做产品、需要“一用户一 agent”又不想上进程级集群的团队；或者想评估 harness 开销、愿意拿自己的任务做对照实验的人。桌面应用和终端\u002F无头模式让不写 Rust 的人也能先用上同一套 harness，个人用户可以走图形界面。不适合：已经深度绑定其他 agent 框架插件生态的团队，或者现在就需要成熟稳定 API 的人。README 自己标了 early beta，如果你打算基于库 API 做产品而不只是试用应用，这一点很关键。\n\n## 使用条件与边界\n\n你需要自备模型服务；示例用的是 OpenAI 兼容端点加 API key，所以模型访问和 token 费用仍然由你承担。走 Rust 库路线意味着要有 Rust 工具链和构建步骤；走桌面路线则要下载对应平台安装包（.dmg、.msi\u002F.exe、.deb\u002F.AppImage），或运行安装脚本，脚本会校验 checksum，但本质仍是执行远程代码。agent 沙箱和访问控制（例如只读访问）是按 agent 配置的，隔离效果取决于你是否配置正确，不能假设有默认保障。\n\n长期维护是更大的问题：early beta 加上快速变化的 API，意味着你需要锁定版本，并持续用真实任务复核基准。性能结论绑定在特定的一次基准运行上，在决定按集群规模规划之前，先在自己的硬件上重新验证冷启动和每 agent 内存占用。\n\n## HotRepo 点评\n\nHotRepo 目前只有 2026-10-25 这一个观测日：42,323 stars，当天 +43，日榜出现 1 天。只有一个记录日期，无法判断趋势能否持续，这个快照也说明不了关注度是否长期存在。考虑到 early beta 标签和自发布基准，采用前最值得核实的是基准方法和库的 agent 隔离模型是否满足你的多租户要求。\n\n[项目源码与说明](https:\u002F\u002Fgithub.com\u002Ftinyhumansai\u002Fopenhuman)",{"slug":29,"name":30},"ai-engineering","AI 工程",[32,33,34,35,36,37,38,39,40,41,42,43],"agent-orchestration","ai-agents","ai-assistant","desktop","llm","local-first","mcp","personal-ai","privacy","rust","second-brain","tauri","GPL-3.0","https:\u002F\u002Ftinyhumans.ai\u002Fopenhuman","2026-10-25T11:03:31Z",[48],{"date":49,"stars":11,"stars_gained":13},"2026-10-25",1792968152]