OpenHuman локальный ИИ: память и Privacy Mode

По запросу «OpenHuman локальный ИИ» легко решить, что приложение полностью работает без сети. На деле граница проходит в другом месте. OpenHuman хранит Memory Tree и читаемое Markdown-представление памяти на компьютере пользователя. Стандартный режим при этом разрешает облачные вызовы моделей, backend-брокеринг OAuth и hosted-функции. Чтобы запретить внешний inference, нужно отдельно включить local_only.

OpenHuman представляет собой персональный AI и agent harness с памятью, оркестрацией и исследовательскими инструментами. README на 26 августа 2026 года помечает проект как Early Beta и предупреждает о возможных недоработках. Подключать к такой версии почту, календарь, рабочие документы или историю сообщений стоит только после теста на несекретных данных.

Что подтверждено на дату проверки

Проверка привязана к commit be6e7f6abbc3b5c79af277688767ea1597ede4fc. Если README изменится, состояние проекта на момент подготовки статьи всё равно можно будет восстановить.

Номер версии быстро устаревает. Актуальный релиз лучше смотреть на странице GitHub Releases, а не подставлять значение из статьи в install script.

Что OpenHuman хранит локально

Memory Tree описан как локальная база знаний. OpenHuman приводит подключённые источники к Markdown, разбивает их на фрагменты, добавляет provenance metadata и сохраняет в SQLite. Рядом лежит vault из обычных Markdown-файлов. Его можно открыть в Obsidian или файловом менеджере.

Такую память проще проверять, чем закрытое хранилище без читаемого представления. Но локальный файл, summary и ответ модели не равнозначны. Сжатое дерево помогает найти контекст, а не подтверждает истинность вывода.

В Memory Tree есть source, topic и global trees. Фоновая очередь занимается извлечением сущностей, scoring, summaries и daily digest. При настроенном Local AI model-bound операции могут выполняться на устройстве. В остальных конфигурациях они идут через выбранный inference route.

Где local-first заканчивается

First-party privacy documentation разделяет хранение и сетевую обработку.

Поэтому установка локальной модели ещё не превращает весь продукт в offline-систему. В руководстве по local и BYOK routes отдельно перечислены sign-in, managed OAuth, billing и hosted features: они могут обращаться к backend, даже когда inference выполняется локально.

Как работает Privacy Mode

В конфигурации есть три режима.

• standard включён по умолчанию и разрешает managed cloud, BYOK и local providers.

• local_only запрещает внешние inference providers на уровне Rust core. Разрешены Ollama, LM Studio, MLX и локальные OpenAI-compatible endpoints.

• sensitive задуман как основа будущего PII-aware режима, но текущая документация говорит, что пока он работает как standard.

Из этого следует простой выбор. Для жёсткого запрета cloud inference нужен local_only, а не sensitive. Нельзя считать, что sensitive уже автоматически находит, скрывает и маршрутизирует персональные данные по строгой policy.

Local-only setup зависит и от железа. Текстовая модель не получит vision capability из-за одного параметра, а embeddings должны иметь ожидаемую размерность. First-party guide перечисляет ограничения моделей и известные несовместимости presets. Chat, vision и embeddings стоит тестировать как разные workloads до переноса постоянной памяти.

Память, агенты и workflow

OpenHuman работает не только с chat history. README и architecture docs описывают checkpointed agent graphs, несколько агентов и визуальные workflow. Предложенный workflow можно просмотреть на canvas до сохранения, а checkpoint позволяет продолжить прерванный запуск.

Документированная архитектура ещё не равна benchmark надёжности, особенно в Early Beta. До выдачи доступа к почте, shell или внешним системам нужно проверить approval gates, права инструментов, журнал действий и восстановление после прерывания.

Для памяти тоже нужны заранее заданные правила: какие источники разрешено индексировать, как удаляется connection, что происходит с сохранёнными chunks и какой текст попадёт в model context. Согласно документации, отзыв connection останавливает следующие sync ticks, но уже записанные локальные chunks остаются у пользователя.

Установка и доступные платформы

Публичная документация считает готовым пользовательским релизом desktop для Windows, macOS и Linux. Mobile или web код в репозитории не доказывает поддержку этих платформ.

Основные install routes:

• macOS: Homebrew Cask или DMG;

• Windows: MSI из актуального release;

• Debian/Ubuntu: DEB через apt-get;

• Linux: AppImage публикуется, но installation guide предупреждает о возможных проблемах с Wayland и системными libraries.

Native packages безопаснее команд curl | bash и irm | iex как минимум с точки зрения предварительной проверки. В INSTALL.md указано, что у script path нет отдельной подписи, по которой можно проверить байты до выполнения. Для воспроизводимого review разумнее загрузить native package с official release page и проверить опубликованный рядом integrity artifact, если он предусмотрен для выбранного файла.

Во время проверки GitHub Releases показывал v0.63.12 с DMG, MSI, EXE, AppImage, DEB и Linux core archives. Из этого нельзя вывести SLA, update cadence или будущую platform availability. Проверенные источники таких гарантий не дают.

Лицензия и стоимость запуска

Репозиторий распространяется по GNU GPL v3. Лицензия кода ничего не говорит о цене всех зависимых сервисов.

Managed route, собственные provider keys и local models распределяют расходы по-разному: между подпиской или hosted service, API provider, hardware и electricity. В проверенных материалах нет стабильной таблицы цен для перепечатки. Условия нужно смотреть на official project and provider pages перед подключением.

Кому стоит тестировать OpenHuman

Проект может заинтересовать тех, кому нужна проверяемая локальная память в SQLite и Markdown, desktop-интерфейс и выбор между managed, BYOK и local inference. Публичный код и подробные документы позволяют провести technical review до подключения основных источников.

Если необходимы формальный SLA, неизменяемые APIs, подтверждённая mobile или web support либо готовая compliance guarantee, Early Beta пока не даёт таких доказательств. Открытый репозиторий и Privacy Mode не заменяют собственную проверку threat model, backup, access control и удаления данных.

Первый запуск без лишнего риска

1. Скачайте native package с official project page или GitHub Releases.

2. Сверьте platform и architecture файла, затем проверьте доступный integrity artifact.

3. Создайте отдельный тестовый workspace без чувствительных документов.

4. Выберите standard или local_only до первого model call.

5. Для Local AI отдельно проверьте chat, vision и embeddings model capabilities.

6. Подключите один источник с минимальным OAuth scope и посмотрите, какие chunks появились локально.

7. Проверьте удаление connection и сохранённых локальных данных.

8. После этой проверки решайте, переносить ли постоянные документы и автоматические workflow.

Источники

• Репозиторий OpenHuman

• README на проверенном commit

• Installation guide

• Privacy & Security

• Privacy Mode

• Local models и BYOK

• Memory Tree

• Architecture

• GNU GPL v3

Материал подготовлен OdiRouter как независимая публикация. OdiRouter не заявляет о партнёрстве, интеграции, хостинге, поддержке или одобрении OpenHuman. Отдельный cloud AI route для developer workloads можно изучить на официальном сайте OdiRouter, сверив актуальные возможности и условия.