lanshu:OpenHuman 与 OpenViking:把 LLM Wiki / 个人数据做成助手与上下文基础设施

做个最近比较火的 OpenHuman、OpenViking 初步分析。 这两个名字容易被放在一起讲,但本质上不算同类型产品。 OpenHuman 偏个人 AI 助手体验。 OpenViking 偏 Agent 的上下文基础设施。 先说 OpenHuman。 OpenHuman 其实可以直接理解成:把 Karpathy 提过的 LLM Knowledge Base / Obsidian Wiki 思路,往个人 AI 助手方向产品化。 它的重点不是再做一个聊天框,而是把你的个人数据接进来:Gmail、Notion、GitHub、Slack、Calendar、Drive 等,通过 OAuth 自动抓取,然后压缩、整理、写入 Memory Tree,最后落成本地的 LLM Wiki / Obsidian Vault。 这个 LLM Wiki 是核心。 邮件、聊天、文档、日程、项目记录,不再只是散落在不同 SaaS 里的数据,而是被整理成一套可搜索、可引用、可持续更新的 Markdown 知识库。 人可以打开看,Agent 也可以读取。 所以 OpenHuman 想解决的是个人 AI 的上下文问题: 它要知道你最近在做什么项目,和谁沟通过,哪些任务还没完成,哪些资料以后会反复用到。 再加上桌面 UI、语音、Meet agent、通知、工具调用,它更像一个个人 AI 工作台。 再看 OpenViking。 OpenViking 的方向更底层。它做的是 Agent context database。 普通 RAG 的路径大家很熟:文档切 chunk,做 embedding,向量库 top-k,塞回 prompt。 OpenViking 也做 chunking 和 embedding,但它先把资源、记忆、技能、会话统一组织成 viking:// 虚拟文件系统。 比如: viking://resources 管资料 viking://user/memories 管用户记忆 viking://agent/skills 管 Agent 技能 viking://session 管会话历史 然后每个节点会有 L0、L1、L2 三层: L0 是摘要,用来快速判断相关性。 L1 是概览,用来判断结构和是否值得深入。 L2 是原文细节,需要时再读取。 查询时,它会先用 embedding 做向量定位,再结合目录递归检索、rerank、过滤和上下文预算,把更合适的内容交给 Agent。 所以 OpenViking 的价值在于:它把“记忆”从一堆扁平 chunk,变成了 Agent 可以浏览、检索、压缩、更新的一套上下文文件系统。 它更适合放在 OpenClaw、Hermes、Codex、Claude Code 或自研 Agent 后面,作为长期记忆和上下文后端。 为什么我觉得这两个值得放一起比较? 因为它们都在回答同一个问题: Agent 怎么获得长期、稳定、可维护的上下文? OpenHuman 的答案是产品化: 把个人数据接进来,做成桌面 AI 助手和 LLM Wiki。 OpenViking 的答案是基础设施化: 把 Agent 需要的资料、记忆、技能、会话,做成可检索的 context database。 一个更靠近用户体验。 一个更靠近 Agent 底座。

1 / 1
← 滑动或点击两侧翻页 →