OpenHuman vill bli AI:n som minns hela ditt digitala liv – så skiljer den sig från Hermes Agent

AI-agenter utvecklas snabbt från vanliga chattbotar till system som kan minnas, använda verktyg och arbeta självständigt över längre tid. OpenHuman är ett open source-projekt som tar den utvecklingen ett steg längre genom att försöka bygga ett permanent AI-lager över användarens digitala liv.

I stället för att varje konversation ska börja från noll vill OpenHuman samla information från exempelvis e-post, dokument, GitHub, Slack och andra tjänster, strukturera informationen lokalt och göra den tillgänglig för AI-agenten när den behövs.

Projektet beskriver själv OpenHuman som en kombination av tre delar: ett långsiktigt minne, en agentorkestrerare och en research- och verktygsagent.

OpenHuman i desktopmiljö. Källa: tinyhumansai/OpenHuman via GitHub.

Vad är OpenHuman?

OpenHuman är en open source-baserad personlig AI-assistent med fokus på att bygga upp ett bestående sammanhang kring användaren.

Det centrala problemet projektet försöker lösa är enkelt: stora språkmodeller är mycket kraftfulla, men en AI-agent känner normalt bara till den information som finns i den aktuella kontexten eller som uttryckligen har sparats som minne.

OpenHuman försöker i stället skapa ett mer omfattande kunskapslager som kontinuerligt uppdateras.

Systemet kan enligt projektets aktuella dokumentation kopplas mot bland annat Gmail, Notion, GitHub, Slack, kalender, Drive, Linear och Jira. Projektet uppger stöd för 100+ OAuth-integrationer, tusentals MCP-servrar och ett stort ekosystem av skills.

En viktig funktion är auto-fetch. Aktiva anslutningar kan synkroniseras återkommande och ny information matas därefter in i OpenHumans minnessystem.

Memory Tree är kärnan

Den mest intressanta delen är OpenHumans så kallade Memory Tree.

När information kommer från exempelvis ett mejl, dokument eller en chatt normaliseras den till Markdown, delas upp i begränsade segment, analyseras och organiseras i hierarkiska sammanfattningar.

Projektets dokumentation beskriver tre nivåer av minne:

• Source trees för enskilda datakällor.
• Topic trees för personer, projekt, företag, repositories och andra återkommande ämnen.
• Global tree som bygger ett övergripande sammandrag av informationen.

OpenHuman använder fortfarande embeddings för semantisk sökning, men lägger en hierarkisk struktur ovanpå. Målet är att agenten inte bara ska hitta information som liknar en fråga, utan även kunna förstå exempelvis vad som hänt idag, vad som är nytt i ett projekt eller vad den senast visste om en viss person eller tjänst.

OpenHumans Memory Tree visar hur dokument kan sammanfattas och organiseras hierarkiskt. Källa: tinyhumansai/OpenHuman via GitHub.

Minnet kan läsas som vanliga Markdown-filer

OpenHuman försöker också göra AI-minnet mer transparent.

Informationen speglas till ett Obsidian-kompatibelt valv där minnesfragment och sammanfattningar finns som vanliga `.md`-filer. Användaren kan därför öppna informationen själv, redigera den och skapa länkar mellan anteckningar.

Det är en betydande skillnad jämfört med system där agentens långsiktiga minne enbart ligger i en databas som användaren aldrig ser.

OpenHuman visar hur data från olika källor kan organiseras i ett Obsidian-kompatibelt minne. Källa: tinyhumansai/OpenHuman via GitHub.

OpenHuman är inte bara ett minnessystem

Att beskriva OpenHuman enbart som ett AI-minne är dock inte längre tillräckligt.

Projektet bygger även en orkestreringsmotor för att låta flera agenter arbeta tillsammans. Arbete kan enligt dokumentationen köras som checkpointade grafer i stället för en enda lång agentloop.

Det innebär bland annat att ett arbete kan:

• delas upp mellan specialiserade underagenter,
• pausas för mänskligt godkännande,
• återupptas efter ett avbrott,
• granskas steg för steg,
• och fortsätta från en tidigare checkpoint.

OpenHuman beskriver dessutom stöd för agent-till-agent-kommunikation där externa agentmiljöer kan kopplas in. Projektet nämner uttryckligen Codex, Claude Code, OpenClaw och Hermes som exempel på agenter som kan användas tillsammans med OpenHuman.

OpenHuman beskriver sig som en orkestrerare som kan koordinera egna och externa AI-agenter. Källa: tinyhumansai/OpenHuman via GitHub.

AI:n kan även bygga visuella workflows

OpenHuman har också ett workflow-system inspirerat av verktyg som n8n och Zapier.

Tanken är att användaren inte ska behöva bygga varje automation manuellt. I stället beskriver man vad som ska ske i vanlig text, varefter agenten kan föreslå ett workflow.

Exempelvis:

När ett nytt kundmejl kommer in → sammanfatta mejlet → analysera innehållet → skicka resultatet till Slack.

Användaren får därefter se arbetsflödet visuellt och godkänna det innan det sparas.

Workflows kan enligt dokumentationen triggas av bland annat scheman, apphändelser och manuella körningar. Åtgärder med externa effekter kan dessutom stoppas vid ett approval-steg innan agenten får fortsätta.

OpenHumans visuella workflow-system där agenten föreslår grafen och användaren granskar den. Källa: tinyhumansai/OpenHuman via GitHub.

OpenHuman jämfört med Hermes Agent

OpenHuman och Hermes Agent från Nous Research börjar överlappa allt mer, men deras tyngdpunkter är fortfarande olika.

Hermes Agent beskriver sig som en self-improving AI agent med en inbyggd learning loop. Agenten kan skapa nya skills från tidigare arbete, förbättra dem under användning, söka i gamla sessioner och bygga upp ett mer långsiktigt användarminne.

Hermes är samtidigt mycket fokuserat på faktisk exekvering. Det kan arbeta via terminal, använda verktyg, starta underagenter, köra schemalagda jobb och arbeta i miljöer som lokal dator, Docker, SSH, VPS och olika serverless-lösningar.

Den förenklade beskrivningen blir därför:

| Område | OpenHuman | Hermes Agent | |---|---|---| | Primärt fokus | Personligt kunskapslager + orkestrering | Självförbättrande arbetsagent | | Långtidsminne | Memory Tree + SQLite + Markdown/Obsidian | Persistent memory + sessionsökning + användarmodell | | Datainsamling | Automatisk synk från anslutna tjänster | Agenten lär främst genom arbete, samtal och verktyg | | Skills | Stort skill- och integrationslager | Kan skapa och förbättra egna skills | | Automation | Visuella, triggerbaserade workflows | Cron och agentdrivna jobb | | Exekvering | Verktyg, browser, kodning och agentgrafer | Mycket stark terminal- och verktygsexekvering | | Multi-agent | Inbyggd orkestrering med agentgrafer | Underagenter och parallella arbetsflöden | | Användargränssnitt | UI-first desktop | CLI/TUI samt desktop och messaging | | Deployment | Desktop/local-first med lokala och hanterade alternativ | Lokal dator, VPS, Docker, SSH, GPU och serverless | | Licens | GNU GPL | MIT |

Skillnaden är alltså inte längre "minne mot agent"

Det vore för enkelt att säga att OpenHuman är hjärnan och Hermes är arbetaren.

Hermes har i dag både permanent minne och ett omfattande skill-system. Samtidigt har OpenHuman utvecklats till betydligt mer än en minnesdatabas och innehåller egna verktyg, underagenter, workflows och agentorkestrering.

Den verkliga skillnaden ligger snarare i hur systemen bygger sitt sammanhang och hur de är tänkta att användas.

OpenHuman försöker först skapa en bred bild av användarens digitala värld och därefter använda det sammanhanget för research, automation och agentarbete.

Hermes börjar mer som en kompetent exekverande agent och bygger successivt upp kunskap, skills och minne genom de arbetsuppgifter den utför.

De kan faktiskt komplettera varandra

Det kanske mest intressanta är därför att OpenHuman och Hermes inte nödvändigtvis behöver konkurrera.

OpenHumans egen dokumentation beskriver möjligheten att koppla externa agentharnesses, där Hermes uttryckligen nämns, till OpenHumans orkestreringslager.

En möjlig arkitektur blir då:

Dina tjänster och dokument → OpenHuman Memory Tree → OpenHuman orkestrering → Hermes Agent → terminal, kod, API:er och andra verktyg.

I ett sådant upplägg kan OpenHuman fungera som ett omfattande kontext- och orkestreringslager medan Hermes används som en specialiserad agent för själva exekveringen.

För avancerade användare som redan arbetar med flera AI-agenter är den kombinationen sannolikt mer intressant än frågan om vilket av projekten som ensamt är "bäst".

Vem är OpenHuman till för?

OpenHuman är framför allt intressant för personer som har information utspridd över många system och vill att en AI ska kunna använda den utan att allt måste förklaras på nytt i varje konversation.

Det kan exempelvis vara:

• utvecklare med många repositories och tekniska dokument,
• företagare som arbetar i mejl, Slack, kalender och projektsystem,
• research- och analysteam,
• personer som använder flera AI-agenter samtidigt,
• och användare som vill experimentera med ett mer transparent, lokalt AI-minne.

För en vanlig användare som endast vill ställa frågor till en AI är systemet däremot sannolikt mer avancerat än nödvändigt.

Viktigt: projektet är fortfarande Early Beta

OpenHuman markerar själv projektet som Early Beta och varnar för att användare ska förvänta sig problem och ojämnheter.

Det är viktigt eftersom flera av funktionerna är ambitiösa: kontinuerlig datainsamling, långsiktigt minne, lokala modeller, integrationslager, agentorkestrering, workflows och kontroll över externa tjänster innebär en betydligt större teknisk och säkerhetsmässig yta än en vanlig AI-chatt.

OpenHuman beskriver sig som local-first och lagrar bland annat Memory Tree och det läsbara minnet lokalt. Projektet erbjuder även ett Privacy Mode för lokal inferens. Samtidigt finns hanterade tjänster och modell-/integrationsalternativ, vilket gör det viktigt att kontrollera exakt vilka datavägar som används i den konfiguration man väljer.

Slutsats

OpenHuman är ett av de mer ambitiösa försöken att flytta AI från "en chatbot jag frågar saker" till "ett system som kontinuerligt känner till min digitala arbetsmiljö".

Det mest intressanta är kombinationen av ett läsbart långtidsminne, automatisk informationsinhämtning, agentgrafer och visuella workflows.

Hermes Agent har däremot en annan styrka: dess fokus på självförbättring, skills och praktisk exekvering över många olika miljöer.

För användare som bara vill välja en agent beror valet därför på arbetsflödet. Vill man framför allt ha en agent som arbetar, programmerar och automatiserar är Hermes mycket starkt. Vill man bygga ett bredare personligt AI-lager som samlar kontext från många delar av ens digitala liv är OpenHuman särskilt intressant.

Och för den som bygger ett större agentsystem kan den mest spännande lösningen vara att använda båda.