Skip to content

The fastest, cheapest, most efficient open-source agent harness. Run more than 500 agents on a $10 VPS.

25.2 KB
Raw Blame

OpenHuman

最速、最安、最も効率的なオープンソースのエージェントハーネス。月10ドルのVPS1台で500以上のエージェントを動かせます。
一般の方にはデスクトップアプリ。開発者にはRustライブラリ。

Early Beta 最新リリース GitHub Stars ライセンス 公開ベンチマーク

ドキュメント · Rust クイックスタート · ベンチマーク · ディスカッション · Discord · Reddit · X · @senamakel(作者)

OpenHuman デスクトップアプリの紹介

tinyhumansai%2Fopenhuman | Trendshift OpenHuman on Product Hunt OpenHuman on Product Hunt

🇺🇸 English | 🇸🇦 العربية | 🇨🇳 简体中文 | 🇯🇵 日本語 | 🇰🇷 한국어 | 🇩🇪 Deutsch | 🇹🇷 Türkçe | 🇵🇰 اردو

[!NOTE] 🎉 公開から1週間以内に、OpenHuman は9日連続で GitHub のトレンド1位のリポジトリ になりました。

早期ベータ版。 OpenHuman は活発に開発中のため、荒削りな部分があります。


インストール

一番簡単なのは、tinyhumans.ai/openhuman または最新リリースからデスクトップアプリをダウンロードする方法です。macOS 用は .dmg、Windows 用は .msi または .exe、Linux 用は .deb または .AppImage です。

ターミナルを使いたい方へ。インストールスクリプトが環境に合ったパッケージを選び、チェックサムを確認してからインストールします。

# macOS and Linux
curl -fsSL https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.sh | bash
# Windows (PowerShell)
irm https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.ps1 | iex

macOS と Linux のスクリプトが何を行うかを事前に確認するには、コマンドの末尾に bash -s -- --dry-run を付けます。その他のオプションとトラブルシューティングは INSTALL.md にあります。


なぜ OpenHuman なのか

多くのエージェントハーネスは、エージェントごとに重いプロセスを1つ動かし、呼び出しのたびに大きなプロンプトを送り直します。OpenHuman は同じ仕事をはるかに少ない資源でこなします。機能が豊富で、大規模なエージェント群のために作られた唯一のオープンソースハーネスです。月10ドルのサーバー1台に500のエージェントが収まります。

速い

ベンチマーク結果 · コールドスタートの数値

コーディングタスクを約20秒で終えます。テストした7つの AI エージェントツールの中で最速です。起動は0.1秒です。

安い

コストとトークンのデータ · 圧縮のしくみ

一般的なエージェントツールよりトークン使用量が2.6分の1で、テストでの合計費用も最も低くなりました。

大規模でも効率的

エージェント群の計測 · 測定方法

一般的なエージェントツールに比べ、メモリと CPU の使用量は約8分の1です。月10ドルのサーバーで500以上のエージェントを動かせます。

開発者のために

Rust クイックスタート · 組み込みガイド · サンプル

Rust ライブラリとして使えます。エージェントを普通の関数のように呼び出すことも、小さなサーバー1台でエージェント群をまるごと動かすこともできます。

Hermes と OpenHuman の比較

同じプロンプトを並べて比較: 「エージェントハーネスについての物語をアニメ風に書いて、HTML ページにして開いてください。」
OpenHuman は20秒で完了し、15kトークン、$0.0054でした。Hermes は9分40秒かかり、37kトークン、$0.0082でした。


主なイノベーション

多くのエージェントハーネスは単純なループです。すべてをモデルに送り、待ち、これを繰り返します。エージェントが1つならこれで動きますが、すぐに遅く高くなり、数百を動かすと破綻します。

OpenHuman は、最もコストのかかる部分を見直しました。AI が読むテキストの量、適切なツールの見つけ方、機能の読み込み方、全体に必要なマシンの大きさです。以下の6つの工夫が、上で紹介した速さと節約の源です。詳しく知りたい場合は、各カードからドキュメントに進めます。

RLM によるトークン圧縮

RLM の論文 · しくみ

Recursive Language Models に基づいています。大きなツールの結果は、AI が読む前に圧縮されます。非常に大きいものは、AI が全部を読む代わりに検索できるハンドルを受け取ります。捨てられる情報はありません。

Jev: 即座で正確なツール検索

Jev · 計測結果

Jev は、1,215個の中から適切なツールを見つける小さなモデルです。正解が上位候補に入る割合は86.8%で、キーワード検索の70.5%を上回ります。

統一された Rust バス

プラグインのしくみ

検索、ドキュメント、音声などの機能はすべて、1本の Rust バスにつながります。これは Linux のシステムバスから借りた考え方です。機能は必要なときだけ読み込まれ、1つが止まっても他は動き続けます。

深く統合されたメモリ

メモリのしくみ · メモリエンジン

メモリは最初から組み込まれています。毎ターンの前に、OpenHuman はトークンの予算内で重要なものだけを選び、出典付きで AI に渡します。そのまま使え、設定を変えるだけで別のメモリエンジンに切り替えられます。

ブラウザとデスクトップの即時操作

ブラウザとコンピューターの操作 · Jev

エージェントは実際のブラウザとデスクトップアプリを使います。Jev は画面上のボタンから次のクリックを選ぶので、スクリーンショットは不要です。支払いの前には必ず止まります。

プログラムできる Rust コア

Rust クイックスタート · パフォーマンス

ハーネス全体が1つのプロセスで動くコンパイル済みの Rust なので、0.1秒で起動し、軽いままです。コーディングタスクでのピークは68 MBでした。同じコアがライブラリにもなります。自分の Rust コードからエージェントを呼び出すことも、小さなサーバー1台で数百のエージェントを並べて動かすこともできます。


ベンチマーク

SWE-bench Verified の実行 swe-x86-1: OpenHuman と他の6つのハーネスを10のパネルで比較

7つのハーネスを、同じモデル、同じ API キー、同じコンテナで同じ SWE-bench のタスクに対して実行し、すべての呼び出しを計測しました。セットアップと結果は openhuman-benchmarks で公開しているので、誰でも再実行できます。最新の実行は swe-x86-1 で、タスク数は10です。

OpenHuman は、中央値の半分未満の時間でタスクを終え、トークンは2.6分の1、メモリと CPU は8分の1でした。モデル呼び出しは114回で、他は134回から212回でした。実行全体の費用は$0.05で、他は$0.08から$0.35でした。

勝因は、1ステップあたりの仕事が少ないことです。コアは Node や Python ではなく、1つのプロセスで動くコンパイル済みの Rust なので、メモリ使用量が小さく、モデル呼び出しの合間の CPU 使用もほぼありません。20個のツールを含めても4.6kトークンと、7つの中で最小のプロンプトを送るので、1回の呼び出しが安く、応答も速くなります(中央値1.65秒で、これも最速です)。答えにたどり着くまでの呼び出し回数も少なく、節約の大部分はここから生まれます。

解決したタスクあたり OpenHuman(中央値との比較) 他の6つの中央値 他の6つの最良値
所要時間(p50) 19.8 s(2.3倍速い) 46.5 s 28.4 s (OpenCode)
トークン 167k(2.6分の1) 435k 370k (Codex)
コスト $0.0077(-36%) $0.012 $0.0077(OpenCode、同値)
ピークメモリ 68 MB(7.7分の1) 523 MB 123 MB (Codex)
CPU 時間 1.3 s(8分の1) 10.4 s 2.9 s (DeepSeek Harness)
システムプロンプト 4.6k トークン(-40%) 7.7k 6.2k (DeepSeek Harness)

利用者向け

Claude Code、Codex、OpenClaw、Hermes を使ったことがあれば、基本の考え方はご存じのはずです。ツールを使うエージェントループ、MCP、スキル、BYOK モデル、メモリです。OpenHuman はそのすべてを、デスクトップアプリ、ターミナルアプリ、ヘッドレスサーバーで提供します。

機能 OpenHuman が提供するもの
設定できるメモリ ファイル、リポジトリ、フィード、アプリにわたる組み込みメモリ。選んだメモリエンジン上で、毎ターンの前に出典付きで呼び出されます
音声エージェント 話の途中で割り込めるライブ音声エージェント、音声入力、音声での返答
コンピューターとブラウザの操作 実際の Chrome ブラウザとデスクトップアプリを操作します。元に戻せない操作の前には確認します
検索 検索エンジンと検索エージェント: Exa と Gemini は標準搭載、Brave、Tavily、Parallel などは自分のキーで利用できます。出典付きの根拠ある回答と Deep Research にも対応
ツール ネイティブツール: シェルとコーダー、スクレイパー、ドキュメント、画像・動画の生成、cron
MCP とスキル MCP サーバーとスキルバンドル
OAuth 連携 Composio 経由の119個のアプリ。何かが起きたときにエージェントを起動するトリガーに対応
モデル ローカルモデル(Ollama、LM Studio、MLX)と26プロバイダーの BYOK、さらに自動モデルルーティング
チャネル エージェントの窓口となる14のメッセージングチャネル: Telegram、Discord、iMessage、メールなど
ワークフロー 永続的なワークフローグラフ: cron、イベント、手動のトリガー、承認ステップ、一時停止後の再開
安全性 承認ゲート、サンドボックス実行(OS のジェイルまたは Docker)、ローカルのみで動かすプライバシーモード、秘密情報は OS のキーリングに保存
使用量の追跡 呼び出しごとのコストとトークン使用量、再生できる実行ジャーナル

まずははじめにかガイドをご覧ください。


開発者向け

OpenHuman はライブラリ優先のハーネスです。Rust プロジェクトに追加するだけで、エージェントを普通の関数のように呼び出せます。サイドカーやデーモンを動かす必要はありません。1つのランタイムに数百のエージェントを持たせることができ、それぞれが独自のモデル、ツール、メモリ、サンドボックスを持ちます。月10ドルの VPS に500のエージェントが収まるので、顧客ごとに1エージェントを割り当てるプロダクトも、クラスターなしで始められます。

use openhuman_embed::{Access, Harness, Provider, Workspace};

let agent = Harness::builder()
    .provider(Provider::openai_compatible("https://api.openai.com/v1", "sk-...").model("gpt-5"))
    .workspace(Workspace::Ephemeral)
    .access(Access::readonly())
    .build()
    .await?;

let reply = agent.run("Summarize what you can see in this directory.").await?;
println!("{}", reply.reply);

次は、Rust クイックスタート、組み込みガイド、開発者向けドキュメントをご覧ください。


他との比較

多くの人がすでに使っているハーネスと OpenHuman を並べてみます。上の4行は公開ベンチマークの結果で、10個の SWE-bench コーディングタスクを、どのハーネスも同じモデルと同じコンテナで実行したものです。数値はすべて解決したタスクあたりです。残りは機能の比較です。

要するに、他のツールは1人が1つのエージェントと作業する用途にとても向いています。OpenHuman もそれに対応し、さらにライブラリとして組み込み、エージェント群へ拡大できるオープンソースの選択肢でもあります。製品は変化が速いので、決める前に各プロジェクトを確認してください。

Claude Code Codex OpenClaw Hermes Agent OpenHuman
タスク所要時間(中央値) 37.8 s 36.1 s 62 s 58.5 s 🚀 19.8 s
タスクあたり平均トークン 428k 370k 442k 482k 🚀 167k
タスクあたりピークメモリ 231 MB 123 MB 1.57 GB 816 MB 🚀 68 MB
タスクあたり平均コスト $0.04 $0.02 $0.01 $0.0082 🚀 $0.0077
オープンソース 🚫 プロプライエタリ ✅ Apache-2.0 ✅ MIT ✅ MIT ✅ GPL-3.0
エージェント群 ⚠️ エージェントごとにプロセス ⚠️ エージェントごとにプロセス ⚠️ エージェントごとにプロセス ⚠️ エージェントごとにプロセス 🚀 月10ドルの VPS に500エージェント
組み込めるライブラリ ⚠️ CLI の SDK ⚠️ CLI の SDK 🚫 なし ⚠️ Python パッケージ 🚀 型付き Rust API
メモリ ⚠️ メモリファイル ⚠️ メモリファイル ⚠️ プラグイン頼み ✅ 自己学習 🚀 毎ターン出典付きで呼び出し
連携 ✅ MCP ✅ MCP ⚠️ 自前で用意 ⚠️ 自前で用意 🚀 119個の OAuth アプリ、MCP、スキル
メッセージングチャネル 🚫 なし 🚫 なし ✅ 多数 ✅ いくつか ✅ 14(メール含む)
ブラウザとデスクトップ ⚠️ MCP 経由のブラウザ ⚠️ MCP 経由のブラウザ ✅ ブラウザ ✅ ブラウザ ✅ ブラウザとデスクトップアプリ
ワークフロー 🚫 なし 🚫 なし ⚠️ スクリプト ⚠️ スクリプト 🚀 ビジュアル、エージェントが下書き
モデルの選択 ⚠️ Anthropic のモデル ⚠️ OpenAI 優先 ✅ 任意 ✅ 任意 ✅ 任意、ルーティング内蔵

コントリビュート

CONTRIBUTING.md をお読みください。または、このプロンプトを使って AI コーディングエージェントに案内してもらうこともできます。

  1. Git、Node.js 24+、pnpm 10.10.0、Rust 1.99.1(rustfmt と clippy を含む)、CMake、Ninja、ripgrep、そしてお使いのプラットフォームのデスクトップビルドに必要なものをインストールします。
  2. リポジトリをフォークしてクローンします。git submodule update --init --recursive を実行し、続けて pnpm install を実行します。
  3. UI の作業には pnpm dev、デスクトップアプリには pnpm dev:app を実行します。PR を開く前に、pnpm typecheck、pnpm format:check、cargo check --manifest-path Cargo.toml を実行してください。

詳しくは環境構築、AGENTS.md、crates の概要をご覧ください。OpenHuman の多くの部分は vendor/ 配下の独立したリポジトリにあり、そちらへの貢献も歓迎します。

コントリビューターには、無料のグッズと Discord での特別なアクセスを提供します。

スター履歴

スター履歴のチャート

コントリビューター

OpenHuman のコントリビューター