Революция Memory OS в OpenHuman

В 2026 фокус personal AI смещается с «достаточно ли умна модель?» на «помнит ли agent обо мне». Memory в ChatGPT, project context в Claude, AGENTS.md у coding agents — одна боль: LLM по сути stateless; bullets в system prompt — стикеры, не intelligence. Open-source проект OpenHuman (TinyHumans AI, GPL-3.0) идёт дальше и поднимает «memory» до уровня CPU и scheduler: Memory OS (операционная система памяти) — не vector plugin, а local-first, auditable Memory Tree pipeline. Разберём архитектуру и почему Apple Silicon developers всё чаще держат personal agents 7×24 на Mac mini M4 Cloud Mac.

Зачем Memory OS, а не более длинное context window

Context window с 8K до 1M tokens не меняет факт: после чата в model weights ничего не остаётся. Product «memory» обычно:

• несколько user preferences в system prompt;
• session RAG из vector database;
• plugins, временно монтирующие Notion или Drive.

Это помогает, но нет OS-level abstraction: единый ingest, persistent format, retrieval scopes, lifecycle и human-readable storage. Метафора Memory OS у OpenHuman: Memory Tree — не «ещё один vector wrapper», а deterministic pipeline, превращающая mail, Slack, GitHub, transcripts в Markdown knowledge base, queryable agent'ом и открываемую пользователем. Документация: «You can't trust a memory you can't read.»

Что такое OpenHuman

OpenHuman — local-first personal AI agent desktop от TinyHumans (Rust + Tauri): «memory and doer» цифровой жизни, не просто chat box. В отличие от terminal-first frameworks:

• Memory Tree + Obsidian Wiki для structured long-term memory;
• Auto-fetch периодически тянет новые SaaS data без manual prompt;
• Toolchain: web search, code tools, browser, Cron, multi-agent, voice, Google Meet Agent;
• 118+ OAuth integrations (comparison table — см. актуальную доку).

Около мая 2026 проект получил внимание на GitHub и Product Hunt — differentiator в Memory OS, а не очередной Chat UI.

Ядро Memory OS: deterministic Memory Tree pipeline

По доку Memory Tree каждый dataset идёт по одному hot path:

source adapters (chat / email / document)
        ↓
canonicalize    → normalized Markdown + provenance
        ↓
chunker         → deterministic IDs, ≤3k tokens
        ↓
content_store   → atomic .md files on disk
        ↓
store           → chunks.db (SQLite)
        ↓
score           → signals + embedding + entity extraction
        ↓
source / topic / global trees  → summaries per scope
        ↓
retrieval       → search / drill_down / topic / global / fetch

Три design principles ingest

• Deterministic: chunk IDs content-addressed — repeat ingest не создаёт duplicate rows.
• Fast: hot path без LLM, только cheap heuristics.
• Bounded write: single transaction — no half-finished ingest в DB.

Heavy work — embedding, entity extraction, seal summaries, daily digest — в background job queue (default 3 workers, semaphore ограничивает parallel LLM calls при Auto-fetch spikes).

Три дерева: Source, Topic, Global

«Файловая система» Memory OS — не flat key-value, а три растущих summary tree:

Vector similarity работает внизу, но tree structure даёт compression и navigation — watershed между Memory OS и «pure RAG vector bag». Leaf lifecycle: pending_extraction → admitted → buffered → sealed (или dropped); retrieval может trace provenance без rerun pipeline.

Obsidian Wiki: memory должна быть readable, editable, deletable

Dual-write: chunk попадает в memory_tree/chunks.db и как .md в wiki/ — Obsidian vault compatible, inspired by Karpathy obsidian-wiki workflow. Intelligence page даёт «Open in Obsidian»; search hits jump к source Markdown.

Для developers:

• version control wiki/ через Git (sanitize sensitive data);
• если agent «ошибся в memory», правите .md напрямую;
• compliance audit: plaintext + scores + provenance, не black-box embeddings.

Auto-fetch: Memory OS активно «ведёт учёт»

У большинства agents memory passive — @ file, paste link, manual export. Auto-fetch OpenHuman (~20 minutes) обходит active connections и пишет new mail, messages, PRs в Memory Tree. Scheduler в UTC 0:00 triggers global daily digest и stale buffer flush.

Новый product mindset: утром agent уже имеет «вчерашний context» — как OS page cache, не cold boot mount из cloud drive.

Backend agentmemory: shared memory с Cursor и Codex

Если вы self-host agentmemory (npx -y @agentmemory/agentmemory) для Cursor или Claude Code, задайте memory.backend = "agentmemory" в config.toml. OpenHuman становится REST thin client; storage, embedding и hybrid retrieval (BM25 + vector + graph) на agentmemory.

Typical mapping (docs):

• store → POST /agentmemory/remember
• recall → POST /agentmemory/smart-search
• lifecycle: consolidation, retention scoring, auto-forget, graph extraction

Memory Tree chunking/sealing pipeline и trait backend orthogonal — switch на agentmemory не ломает Obsidian wiki document ingest, но agent-side recall идёт через shared library. Migration path: export SQLite → POST to agentmemory → change config restart (no in-place hot migration).

Memory OS vs vector DB vs chat context

Memory difference vs OpenClaw и других agents

OpenClaw (часто в этом блоге) силён в multi-channel routing, daemon health, SSH tunnel vs WSS. Memory обычно через plugins или external DB, не built-in Memory Tree. OpenHuman productizes memory в Intelligence page: storage metrics, entity graph, ingest heatmap, Obsidian entry.

Engineering: оба могут coexist на одном Cloud Mac — OpenHuman как long-term personal knowledge OS, OpenClaw для Telegram/Webhook task orchestration. Разделите OPENHUMAN_WORKSPACE и OpenClaw config dirs, isolate CPU/RAM peaks через launchd или tmux (embedding и gateway peaks не overlap).

OpenHuman на Mac mini M4 Cloud Mac

Desktop agent — зачем Cloud Mac? Три concrete user profiles:

• Windows/Linux primary machine developers: macOS для Tauri OpenHuman + Ollama Metal embedding без покупки Mac — та же логика, что remote Xcode с Windows.
• 7×24 Auto-fetch: laptop sleep прерывает scheduled sync; dedicated M4 node online через SSH/VNC, Memory Tree растёт continuously.
• Large wiki: chunks.db + Obsidian + model caches — 1 TB/2 TB extension см. M4 storage FAQ.

Hardware tiers: 16 GB vs 24 GB и Ollama

Memory Tree fast-score path не ест GPU, но background embedding и summaries вызывают LLM. С Local AI (Ollama) на M4 — как в MLX/Ollama experiments: 16 GB для light sync + small embed model; 24 GB для concurrent workers, larger embed models и IDE open. Disk: from 1 TB для AI + Memory OS.

Deploy steps summary

1. Арендовать Vuncloud Mac mini M4, SSH login, workspace на persistent volume.
2. Install OpenHuman release, configure OAuth integrations.
3. First manual Run ingest, confirm wiki/ и Intelligence metrics growth.
4. (Optional) Ollama + Local AI для on-device embedding.
5. (Optional) agentmemory для shared recall с Cursor workflow.

Купить Mac или арендовать Cloud Mac для Memory OS?

Если Memory Tree — ваш production-grade second brain с work email и code repos, local Mac mini с privacy и zero monthly rent привлекателен — пока не нужен second-site backup или team shared read-only wiki mirror. Short-term validation OpenHuman + agentmemory: weekly dedicated node; long-term high utilization — local vs remote rent TCO. CI teams с GitHub Actions macOS runner часто split parallel rent periods.

FAQ

Что такое Memory OS? OpenHuman metaphor для local Memory Tree + Obsidian wiki + Auto-fetch — memory как OS с ingest, storage, index, scheduler и retrieval APIs.

Где data? Default ~/.openhuman/memory_tree/chunks.db и wiki/ — local SQLite + Markdown.

Shared agentmemory с Cursor? Да — memory.backend = "agentmemory" и local REST service.

Vs RAG vector DB? Source/Topic/Global tree summaries, time digest, editable wiki — не только similarity search.

Mac required? Desktop edition для macOS; 24/7 scenarios часто Cloud Mac.

Conflict с OpenClaw? Not necessarily — separate directories и resource isolation.

Beta stable? Active project, fast iteration — backup chunks.db и wiki/ yourself for production.

Вывод

Memory OS route OpenHuman двигает personal AI от «chat + temporary RAG» к local-first, auditable, syncable knowledge OS. Deterministic ingest, three summary trees и Obsidian dual-write отвечают «почему agent помнит меня» — не bigger context, а structured memory layer. Для Apple Silicon developers: Ollama и agentmemory locally, scale to Cloud Mac для persistent sync — workable 2026 personal AI engineering path.