openhuman은 사용자가 연결한 계정의 데이터를 주기적으로 동기화해 개인 메모리를 쌓는 구조입니다. 스스로 ‘개인용 AI 슈퍼 인텔리전스’라고 부르는 이 도구를 며칠간 직접 설치해 써보며, 공식 소개에서 내세우는 ‘몇 주 걸릴 맥락을 몇 분 만에’라는 말이 실제로 맞는지 확인해 보았습니다.

미리 요점만 콕 집어보면?

openhuman은 Gmail·GitHub 등 연결한 데이터를 로컬 메모리(SQLite)에 축적하고 SuperContext로 새 대화에서도 이전 맥락을 자동으로 이어가는 개인용 AI 에이전트입니다.
직접 사용해 보니 프로젝트·이메일 맥락을 이어받는 능력과 다양한 서비스의 쉬운 연동은 인상적이었지만, 비공개 GitHub 접근과 응답 속도, 안정성에는 한계가 있었습니다.
‘설정 없이 똑똑한’ 도구보다 ‘쌓을수록 똑똑해지는’ 도구에 가까웠으며, 베타 버전인 만큼 반복 프로젝트에는 시도해 볼 만하지만 속도와 안정성을 중시한다면 정식 버전을 기다리는 편이 적합합니다.

openhuman이란 무엇인가

openhuman은 내 컴퓨터에서 도는 개인용 AI 에이전트입니다. 겉으로는 여느 챗봇과 비슷한 데스크톱 앱이지만, 설계의 무게 중심이 완전히 다른 곳에 있습니다. 대화를 잘하는 것보다 나를 기억하는 것을 먼저 풀려고 만든 도구입니다.

핵심은 로컬 메모리입니다. openhuman은 내 데이터를 마크다운 트리 형태로 압축 및 정리해 내 컴퓨터의 로컬 데이터베이스(SQLite)에 저장하고, 같은 내용을 옵시디언(Obsidian)과 같은 앱에서 열어 직접 확인할 수도 있습니다. 여기에 Gmail과 GitHub 같은 서비스를 연결해 두면, 일정 주기로 데이터를 자동으로 가져와 이 메모리를 스스로 채웁니다. 정리하면, 내 활동이 곧 에이전트의 기억이 되는 구조입니다.

이 발상은 갑자기 나온 것이 아닙니다. openhuman은 안드레이 카파시(Andrej Karpathy)가 말한 ‘LLM 지식베이스’ 개념에서 출발합니다. 안드레이 카파시는 오픈AI 초기 멤버이자 테슬라 AI를 총괄한 딥러닝 연구자로, AI 업계에서 널리 알려진 인물입니다. 모델 자체를 키우는 대신, 모델 옆에 개인의 맥락을 붙여 두어 매번 처음부터 시작하지 않게 하자는 접근입니다.

왜 ‘개인 메모리’가 핵심일까

openhuman을 이해하려면 먼저 에이전트의 오래된 약점을 짚어야 합니다. 여기서는 이 도구가 왜 메모리에 그렇게 공을 들였는지, 그 배경부터 살펴보겠습니다.

1) 매번 처음인 에이전트의 문제

대부분의 AI 도구는 대화가 끝나면 맥락도 함께 사라집니다. 다음에 다시 열면 나에 대해 아무것도 모르는 상태로 돌아갑니다. 이를 흔히 콜드 스타트(cold start), 즉 아무 맥락 없이 차갑게 시작하는 문제라고 부릅니다. 사용자는 매 대화를 프롬프트로 데우는 일을 반복하게 됩니다.

2) openhuman의 해법

openhuman은 이 문제를 뒤집습니다. 대화를 시작할 때 맥락을 채우는 대신, 평소에 맥락을 쌓아 두었다가 대화가 시작되는 순간 자동으로 꺼내 옵니다. 새 대화의 첫 턴에 관련 맥락을 알아서 붙여 주는 기능을 이 도구는 SuperContext라고 부릅니다. 사용자가 “지난번 그 프로젝트”라고만 해도, 그 프로젝트가 무엇인지 이미 알고 있는 상태에서 답이 시작되는 것을 목표로 합니다.

3) 연결이 곧 기억이 되는 구조

이 메모리는 손으로 채우는 것만은 아닙니다. openhuman은 100개가 넘는 서비스와 원클릭으로 연동되고, 연결해 둔 데이터를 일정 주기로 동기화해 메모리에 반영합니다. 이메일이나 문서가 쌓일수록 에이전트가 아는 내 맥락도 함께 늘어나는 셈입니다.

직접 설치하고 써봤습니다

지금까지는 openhuman이 어떤 도구인지 살펴봤습니다. 이제부터는 제가 직접 설치해 며칠간 써보면서 느낀 점을 이야기해보겠습니다.

1) 설치와 첫 실행

먼저 openhuman을 내려받습니다. openhuman은 오픈소스로 공개돼 있어, 공식 배포처의 릴리즈 페이지에서 자신의 운영체제에 맞는 설치 파일을 받으면 됩니다.

openhuman은 러스트(Rust)와 타입스크립트로 만든 타우리(Tauri) 기반 데스크톱 앱입니다. 위 화면처럼 macOS는 dmg, 윈도우는 exe나 msi, 리눅스는 AppImage 형태의 설치 파일이 제공됩니다.

첫 실행에서는 몇 가지를 고르는 온보딩을 거칩니다. 먼저 에이전트를 어디에서 돌릴지(런타임)를 정하고, 이어서 실행 방식을 선택합니다.

설치하면서 특별히 막힌 지점은 없었습니다. 굳이 팁을 더하자면, 첫 실행 온보딩에서 ‘추천’이라고 표시된 선택지를 그대로 고르면 별다른 고민 없이 빠르게 설치를 마칠 수 있었습니다. 로그인은 이후 GitHub 연동을 조금 더 편리하게 하려고 GitHub 계정으로 처리했습니다.

2) 서비스 연동과 자동 동기화

첫 실행을 끝내면 어떤 서비스를 연결할지 정하게 됩니다. 연결한 데이터가 곧 에이전트의 기억이 되다 보니, 무엇을 연결하느냐에 따라 쓸모가 꽤 달라졌습니다.

저는 개발자들에게 익숙한 GitHub와 자주 쓰는 이메일인 Gmail을 연동해봤습니다. 방법은 어렵지 않았는데요, 사이드바의 ‘연결’을 누른 뒤 검색창에 Gmail과 GitHub를 각각 입력하면 됩니다.

앞서 GitHub 계정으로 로그인해 두었기 때문에 GitHub 연동은 버튼 한 번으로 끝납니다. Gmail도 크롬을 쓰고 있다면 로그인된 이메일로 자동 연결돼, 버튼 한 번, 10초 남짓이면 연동이 마무리됩니다.

연동할 때 권한을 확인하는 화면이 뜨는데, 이때 필요한 권한만 골라서 선택할 수 있습니다.

3) 메모리와 SuperContext는 실제로 통했을까

가장 궁금했던 부분은 결국 이것이었습니다. 미리 쌓아 둔 맥락을 정말 제때, 제대로 꺼내오는가?

맥락을 이어받는 능력은 꽤나 괜찮았습니다. 한 대화에서 ‘예전에 만든 특정 리포지토리를 수정하려 한다’고만 적어둔 뒤, 완전히 새 대화를 열어 ‘내가 수정하려는 리포지토리를 설명해줘’라고 물었더니, 앞 대화에서 언급했던 그 리포지토리를 곧바로 찾아냈습니다. 새로운 대화인데도 이전 맥락을 스스로 끌어온 것입니다. 메일도 마찬가지로, 받은 메일뿐 아니라 보낸 메일까지 근거로 삼아 내가 누구와 무엇을 주고받았는지 잘 짚어 주었습니다.

물론 모든 경우에 통하지는 않았습니다. GitHub의 비공개 리포지토리 정보는 잘 읽어 오지 못했고, 뒤에서 이야기할 속도와 요청 제한 때문에 맥락을 아예 가져오지 못하는 경우도 있었습니다. 성공과 실패를 가른 건 대체로 ‘데이터에 실제로 접근할 수 있느냐’였습니다. 공개된 활동이나 메일처럼 바로 읽히는 데이터는 잘 잡았지만, 접근이 막히거나 요청이 몰려 제한에 걸리면 맥락을 놓치게 되었습니다.

4) 기존 도구와 비교하면

평소에는 유료로 쓰는 Claude Code를 주력으로 삼고, 간단한 질문은 무료인 ChatGPT로 처리해 왔습니다. 이 둘과 비교하면 openhuman은 어땠을까요?

맥락을 잡는 감각만 놓고 보면 openhuman이 꽤 좋았습니다. 다만 비교를 위해 다른 도구도 같은 방식으로 시험해 보니 결과가 생각보다 팽팽했습니다.

ChatGPT는 평소에 주제가 바뀌면 새 채팅을 열어 쓰다 보니 이전 맥락을 얼마나 기억하는지 가늠하기 어려웠는데, 이번에 새 채팅을 열고 ‘내가 저번에 너한테 무슨 말 했었지?’라고 단순하게 물어보니 이전 대화를 꽤 잘 기억하고 있었습니다. 한두 달, 길게는 석 달 전 내용까지도 무리 없이 떠올렸습니다. Claude Code는 결이 조금 다른데, 스킬과 훅으로 요구사항이나 작업 흐름을 미리 기록해 두는 방식이라 맥락을 놓쳤다고 느낀 적이 드물었습니다.

그래서 맥락 이해 하나만으로 openhuman이 앞선다고 말하기는 조심스러웠습니다. 오히려 openhuman의 강점은 다른 곳에 있었습니다. 바로 ‘연결’ 탭이었습니다. 다양한 서비스를, 그것도 아주 손쉽게 붙일 수 있다는 점은 터미널이나 설정 파일에 익숙하지 않은 비개발자가 쓰기에 특히 좋아 보였습니다. 기존 도구들이 대화 자체의 똑똑함으로 승부한다면, openhuman은 내 여러 서비스를 한데 모아 맥락으로 삼는다는 점에서 결이 달랐습니다.

위의 내용을 아래에 표로 정리해 보았는데요. 객관적인 지표라기보다 제 나름의 기준으로 매겨 본 주관적인 평가라는 점을 감안해 주세요.

실무에서 쓸 때의 활용법과 주의점

써본 경험을 실무 관점으로 정리하면, openhuman은 몇 가지 조건에서 특히 쓸모가 있었습니다.

첫째, 맥락이 길게 이어지는 작업일수록 이점이 컸습니다. 하루짜리 단발적인 질문보다는, 며칠에 걸쳐 이어지는 긴 프로젝트에서 ‘매번 다시 설명하지 않아도 되는’ 효과가 두드러졌습니다.

둘째, 로컬 우선 설계이기 때문에 민감한 데이터를 다룰 때 부담이 상대적으로 덜했습니다.

1) 이렇게 쓰면 더 좋습니다

특히 Slack이나 Discord와 같은 실무에서 쓰는 채팅 도구도 손쉽게 연동된다는 점이 눈에 들어왔습니다.

바빠서 미처 못 읽었거나 잔뜩 쌓인 대화를 openhuman에 요약해 두면 흐름을 한눈에 정리할 수 있고, 그 내용을 openhuman이 기억하기 때문에 이후 어떤 질문을 던져도 앞선 대화와 이어서 답해 줄 수 있습니다. 매번 상황을 다시 설명하지 않아도 된다는 점에서, 채팅으로 협업하는 팀일수록 쓸모가 클 것으로 보입니다.

물론 감수해야 할 점도 있었습니다.

우선 전반적으로 응답이 느렸습니다. 간단한 질문이라도 응답 속도가 다른 AI들에 비해 눈에 띄게 느렸죠. 또 GitHub에서는 비공개 리포지토리 정보를 잘 읽어오지 못했고, 요청이 몰리면 데이터를 가져오지 못하는 경우도 종종 있었습니다. GitHub 관련 작업에서는 접근해도 되는지 매번 승인을 다시 물어봐서 번거롭기도 했습니다. 도입을 고민한다면 이 속도와 안정성, 그리고 반복되는 승인 절차는 미리 감안하는 편이 좋습니다.

정리하면, openhuman은 ‘설정 없이 똑똑하다’기보다 ‘쌓을수록 똑똑해지는’ 도구에 가까웠습니다. 초기에 어느 정도 연결과 사용을 쌓아 두는 투자가 필요했고, 그 투자를 한 뒤에야 콜드 스타트를 줄여 주는 효과가 드러났습니다.

마치며

openhuman을 써보며 확인한 것은, 개인 AI 에이전트의 승부처가 모델의 똑똑함만이 아니라 나에 대한 맥락을 어떻게 다루느냐로 옮겨 가고 있다는 점이었습니다. openhuman은 ‘내 맥락을 아는 개인 비서’라는 방향성만큼은 분명하게 보여 주었고, 여러 서비스를 손쉽게 연결해 두면 새 대화에서도 내 상황을 알아서 짚어 주는 경험은 꽤 매력적이었습니다.

이번엔 하루에 여섯 시간 가까이 붙잡고 써봤지만, 이 도구의 진짜 강점까지는 확인하기 어려웠습니다. 공식 설명과 여러 사용기가 공통으로 꼽는 핵심은, openhuman이 20분마다 내 계정을 자동으로 따라잡아 다음 날 아침이면 밤사이에 쌓인 메일이나 팀원의 커밋까지 이미 알고 있다는 점입니다. 내가 말해 준 것만 기억하는 ChatGPT·Claude와 달리 시간이 지날수록 내 실제 데이터를 스스로 최신 상태로 유지한다는 것인데, 이 효과는 며칠에 걸쳐 써야 드러나는 특성이기 때문에 장시간 써 봐야 체감할 수 있을 것 같습니다.

다만 속도와 안정성, 비공개 데이터 접근과 같은 부분은 아직 다듬어질 여지가 있어, 지금은 가능성을 확인하는 단계에 가깝다고 느꼈습니다. 무엇보다 아직 베타 빌드 버전이기 때문에 미흡한 부분이 있다는 점도 감안할 필요가 있습니다. 뒤집어 말하면, 정식 버전으로 배포된다면 충분히 기대해 볼 만하다는 뜻이기도 합니다. 반복적인 프로젝트에서 맥락을 이어가는 것이 중요하다면 지금도 충분히 시도해 볼 만하고, 속도와 안정성이 더 중요하다면 정식 버전을 기다리는 편이 나아 보입니다.

<참고>

openhuman 공식 GitHub 저장소