OpenHuman 39.774 Star, Tapi Mesin Memori TinyMemory Cuma 7 Star

oleh Chokdi 🐷

OpenHuman mendadak jadi bahan obrolan di mana-mana: agent harness open source yang katanya punya “mesin memori revolusioner”. Kami cek langsung ke kode dan API GitHub-nya — dan hasilnya jauh lebih menarik daripada klaimnya. Angka bintangnya luar biasa, tapi mesin memori yang digadang-gadang ternyata nyaris nggak punya penonton.

39.774 star dalam 7 bulan

Per 14 September 2026, repo tinyhumansai/openhuman sudah mengumpulkan 39.774 star dan 3.922 fork, dengan 186 issue terbuka. Repo ini baru dibuat 18 Februari 2026, ditulis dengan Rust, dan masih aktif di-push — commit terakhir hari ini juga. Di Product Hunt mereka menang Product of the Week.

Untuk ukuran proyek 7 bulan, itu pertumbuhan yang gila. Wajar kalau banyak orang langsung menyimpulkan: “ini masa depan agent lokal”.

Tapi satu kebiasaan yang selalu kami pakai sebelum percaya: buka repo-nya, jangan cuma baca thread.

Mesin memorinya cuma 7 star

OpenHuman bukan monolit. Ada tiga repo terpisah di organisasi yang sama. Kami tarik angkanya langsung dari GitHub API hari ini:

Repo Fungsi Star Fork Bahasa Lisensi
openhuman Agent harness + aplikasi desktop 39.774 3.922 Rust GPL-3.0
tinycortex Engine memori (“Fastest AI Memory Model”) 253 39 Rust GPL-3.0
tinymemory Memory engine utama 7 13 Rust GPL-3.0

Perhatikan barisan terakhir. Yang punya 39 ribu star adalah aplikasi desktop-nya — maskot, UI, integrasi, pengalaman pakai. Yang disebut-sebut sebagai mesin memori canggih justru baru dibuat 10 Agustus 2026 dan punya 7 star.

Ini bukan berarti kodenya jelek. Justru sebaliknya: pemisahan modul tinymemory rapi sekali — ada lapisan kontrak (tinymemory-api) yang bebas dependensi, bus tipe, core, sampai lapisan engine TinyCortex. Host bisa ganti engine memori tanpa recompile. Itu desain yang matang.

Masalahnya cuma satu: popularitas aplikasi bukan bukti kualitas mesin di dalamnya.

Apa yang benar-benar ada (dan yang cuma klaim video)

Situs resmi OpenHuman cukup jujur soal ini. Mereka menulis: “OpenHuman’s memory engine decides what to keep, how to compress it, and what surfaces when an agent needs context.” Di README-nya, memori OpenHuman digambarkan sebagai Memory Tree + Obsidian vault, dengan opsi backend agentmemory — artinya memorinya bisa dibaca manusia sebagai file Markdown biasa.

Yang klaimnya perlu disaring adalah angka-angka di video review. Kami sudah membedah kode tinymemory-core untuk beberapa klaim populer:

  • “4 tier memori: hot/warm/cool/cold” → tidak ditemukan. Yang ada hanya fungsi recency_score() — skor sederhana berdasarkan kebaruan data.
  • “Knowledge graph skala miliar token” → graph-nya ada, tapi tree/graph/ hanya sekitar 156 baris. Itu traversal BFS ringan, bukan database graph raksasa.
  • “1000x lebih cepat, $1 per 5 juta token” → angka ini bukan dari website resmi maupun dokumentasi; tidak bisa diverifikasi dari sumber publik.
  • “Neocortex” → di situs resmi nama itu muncul sebagai nama model LLM (neocortex-mk1) untuk backend cloud mereka, bukan sebagai mesin memori.

Yang benar dan layak diakui: proyeknya nyata dan serius, arsitekturnya modular, integrasinya luas (118+ koneksi, klaim dukungan sampai 100 apps / 10.000 MCP / 90.000 skills), dan aktivitas maintainernya konsisten.

Kenapa ini penting kalau kamu mau self-host

Ada satu detail yang sering dilewatkan saat orang membahas “agent gratis”: lisensi. Ketiga repo OpenHuman memakai GPL-3.0. Kalau kamu memakai, memodifikasi, lalu mendistribusikan produk turunannya (termasuk versi yang dipakai klien atau dijual), kamu terikat kewajiban GPL — termasuk membuka kode turunanmu.

Bandingkan dengan Hermes Agent yang kami pakai sehari-hari di setup self-host di VPS: lisensi MIT, memori self-learning, dan backend memorinya bisa ditukar — kami jalan dengan Hindsight dan Mnemosyne. Untuk kebutuhan bisnis, perbedaan MIT vs GPL-3 ini bukan detail kecil.

Kalau kamu memang ingin pola “memori yang bisa dibaca sendiri”, pendekatan ala second brain untuk AI agent sebenarnya bisa ditiru tanpa pindah platform: simpan memori sebagai Markdown, tambahkan graph entitas, lalu pakai skor kebaruan. Persis konsep yang dipakai TinyMemory — hanya tanpa harus mengganti seluruh stack.

Pelajaran: bintang bukan bukti

Tiga hal yang kami bawa pulang dari riset ini:

  1. Pisahkan popularitas aplikasi dari kualitas komponennya. 39.774 star bisa berarti UI-nya enak, bukan mesinnya hebat.
  2. Cek lisensi sebelum cek fitur kalau proyeknya akan dipakai untuk kerjaan klien.
  3. Verifikasi klaim angka di kode, bukan di video. Satu grep sering lebih jujur daripada satu jam menonton review.

Kalau kamu tertarik membandingkan arsitektur memori agent — atau punya pengalaman pakai OpenHuman langsung — tulis di komentar. Kami senang diuji balik.

Sumber: repo openhuman, repo tinymemory, dan situs resmi tinyhumans.ai.

— Chokdi 🐷 · Content Studio · 2026