Was ist OpenHuman? 2026 Einsteiger-Guide — persönlicher AI Agent, Memory Tree, lokale Wissensbasis & Datenschutz

1. Drei Schmerzpunkte: Warum „noch eine KI-App“ Ihren Alltag nicht abdeckt

1. Kontext bricht ab: Neue Sitzung, neues Modell — Hintergrund neu erklären. E-Mail- und Chat-Ergebnisse landen nicht in der „Langzeit-Erinnerung“ der KI.
2. Versteckte Kosten: Ganze Ordner in den Prompt — Token-Rechnung und Wartezeit steigen. Ohne Kompressionsschicht ist Dauer-Sync kaum tragbar.
3. Berechtigungs-Angst: OAuth mit einem Klick ist bequem — aber unklar, was lokal bleibt, was die Cloud sieht, was Sie widerrufen können. Produktions-Mail traut man sich nicht an.

2. In einem Satz: Was ist OpenHuman?

Alltagssprache: Nach dem Verbinden von Gmail, GitHub, Slack usw. holt die App im Hintergrund etwa alle 20 Minuten neue Daten, wandelt sie in Markdown-Fragmente und schreibt sie in lokales SQLite plus einen Obsidian-kompatiblen wiki/-Ordner. Bei Fragen sucht der Agent gezielt Zusammenfassungen und Ausschnitte — nicht den kompletten E-Mail-Posteingang auf einmal.

Bild: ChatGPT ist ein Berater auf Abruf; OpenHuman ist ein Berater, der zuerst Ihr Büroregal sortiert — er kann noch „die Zentrale“ (Cloud-Modell) anrufen, aber das Regal steht vor allem auf Ihrem Schreibtisch (lokale Erinnerung).

Für Sie heißt das: Der Mehrwert liegt bei persönlichem Kontext + einsehbarer lokaler Wissensbasis, nicht bei „intelligenter als GPT-5“.

3. Missverständnisse ausräumen

1. Kein direkter Ersatz für ChatGPT / Claude. Allgemeiner Chat bleibt sinnvoll; OpenHuman punktet bei „Ihre Arbeitswelt merken“.
2. Nicht standardmäßig 100 % offline. README: Memory Tree, Markdown-Vault und Workspace-Konfiguration lokal — Standard-Managed-Pfad nutzt OpenHuman-Backend (Konto, Routing, Such-Proxy, Composio OAuth …).
3. Keine Installations-Magie. Early Beta; Integrationen variieren; Mascot, Sprache, Google Meet nur nach aktueller Doku einplanen.
4. „118+ Integrationen“ ≠ 118 vollständige Memory-Tree-Syncs. Manche Einträge sind Tool-Proxy oder nur OAuth-Einstieg — Tiefe je Version prüfen.

4. Warum plötzlich viel Aufmerksamkeit (ohne Dauer-Hype)

Mehrere Faktoren: Personal Agents auf GitHub Trending; Ermüdung durch „jedes Mal Projekt neu erklären“; Daten verteilt über Gmail, Notion, Slack, GitHub; langer Kontext teuer und langsam. OpenHuman setzt auf Auto-Fetch + Memory Tree + TokenJuice-Kompression.

Stand 25.05.2026: öffentliches Repo ~27.354 Stars, ~2.534 Forks, letztes stabiles Release v0.54.0 (19.05.2026). Trending kann schwanken — „lokal prüfbares Gedächtnis + Agent-Werkzeugkasten“ ist trotzdem ein eigenes Thema, ohne Reife für Produktion vorauszusetzen.

5. Drei Bilder im Kopf

• Sekretär, der mit sortiert: Holt periodisch von verbundenen Konten Neues und normalisiert zu Markdown-Fragmenten (offiziell ~≤3k Token pro Stück).
• Persönliche Wissensbasis: memory_tree/chunks.db als Index, wiki/ als in Obsidian öffnbarer Vault — Sie sehen, was die KI „weiß“.
• KI-Kollege mit Werkzeugkiste: Neben Chat: Websuche, Scraping, Code-Tools (Dateien, git, Tests …) plus Routing mit hint:reasoning / hint:fast usw.

6. Memory Tree: Wie langfristiger Kontext entsteht

Kein „alle Chats vektorisieren und reingießen“. Laut Beschreibung eine deterministische Pipeline: Daten rein → Markdown → Chunks → SQLite + Markdown-Repo → gestufte Summaries → nach Quelle / Thema / global → Abruf bei Bedarf.

Warum mehr als einfache Vektorsuche? Quellenbaum, thematische Bäume pro Entität, täglicher Global-Digest — beim Antworten eher Summaries und kuratierte Snippets als 500 E-Mails im Prompt. Frage „Was beschäftigt Kunden gerade am meisten?“ → gebautes Gedächtnis, kein Ad-hoc-Export.

Obsidian Wiki: Warum lokales Markdown zählt

Chunks landen auch im Obsidian-kompatiblen wiki/. In der UI oft „In Obsidian öffnen“. Für Sie: Erinnerung ist transparent, backup-fähig, von Hand korrigierbar — weniger Blackbox als „die KI erinnert sich“.

7. Vergleich: OpenHuman vs. Chatbot vs. Agent vs. manuelles Obsidian

8. Datenschutz: Local-first ≠ vollständig offline

Nach der Installation: welche Connector aktiv sind prüfen. Ohne lokales Modell und Direkt-Integration gehen Inhalte an Modelle typischerweise noch aus dem Rechner heraus.

9. TokenJuice, 118+ Integrationen & Modell-Routing

TokenJuice: Kontext-Kompressor

Vor dem LLM: HTML→Markdown, kürzere URLs, weniger Duplikat-Output. Offiziell bis zu ~80 % Kosten- und Latenz-Einsparung als Obergrenze — nicht jede Aufgabe spart 80 %. Ohne das wird „200 Gmail-Syncs“ teuer; mit Kompression wird Dauer-Gedächtnis realistischer.

118+ Integrationen & Auto-Fetch

Gmail, GitHub, Slack, Notion, Calendar, Drive per OAuth; Kern etwa alle 20 Minuten über aktive Verbindungen. Szenario Solo-Entwickler: Gmail + GitHub + Slack — Frage „Die drei häufigsten Nutzer-Themen diese Woche?“ idealerweise aus Summaries, nicht aus manuellem CSV-Export.

Modell-Routing

hint:reasoning, hint:fast, hint:vision, hint:summarize … Sie müssen kein Modell-Admin sein — aber verschiedene Tasks können verschiedene Cloud-Modelle nutzen (Kosten im Abo oder eigene API-Keys).

Mascot, Sprache & Co.

Desktop-Mascot, Sprache (STT + ElevenLabs TTS), Google Meet usw. stehen in der Vision — unter Early Beta als veränderlich behandeln; aktuell GitBook lesen.

10. Sieben Schritte zum Start

1. Pfad wählen: Zuerst offizielles DMG / Windows-Installer; fortgeschritten curl -fsSL …/install.sh | bash nur nach Skript-Review.
2. Anmelden: Standard OpenHuman-Hosting — nicht voll offline.
3. 1–2 risikoarme Quellen: z. B. Calendar + GitHub, nicht sofort Produktions-Mail.
4. Ersten Auto-Fetch abwarten: wiki/ in Obsidian oder im Finder stichprobenartig prüfen.
5. Konkret testen: „Meetings nächste Woche?“ / „Merged PRs im Repo?“ — Antwort mit nachvollziehbaren Snippets?
6. Datenschutz: Composio/OAuth-Liste; unnötige Connector trennen.
7. (Optional) aus Quellcode: Git, Node.js 24+, pnpm 10.10+, Rust 1.93+, CMake, Ninja, ripgrep — Getting Set Up & README (Versionen ändern sich).

Zahlen vor Veröffentlichung nochmal prüfen: Stars ~27k · v0.54.0 · Release 19.05.2026 · Auto-Fetch ~20 Min. · Integrationen 118+ (Marketing) · TokenJuice-Obergrenze ~80 % · Lizenz GPL-3.0.

11. Für wen lohnt es sich — und für wen nicht

Kurz: Gelegentliche Nutzer mussten nicht wechseln. Wer täglich mit KI über viele Quellen arbeitet und Hintergrund wiederholt erklärt, kann klein starten — zuerst Berechtigungen, dann „vollautomatisch“.