今天在 GitHub Trending 上看到一个有意思的项目：OpenJarvis，一句话概括它的核心价值——把"个人 AI"的智能重新放回你自己的设备里，默认本地运行，只在真正必要时才调用云端。
一、项目概述
个人 AI Agent 正快速普及，但绝大多数方案依然把"智能"路由到云端 API：你的"个人"AI，实际上依旧依赖别人的服务器。OpenJarvis 正是要打破这个局面——它是一个本地优先（local-first）的个人 AI 框架，由斯坦福 Hazy Research 与 Scaling Intelligence Lab 主导开发，出自 “Intelligence Per Watt”（每瓦智能）研究计划。
其团队此前的研究表明：本地语言模型已经能处理 88.7% 的单轮对话与推理请求，且从 2023 到 2025 年，智能效率提升了 5.3 倍。模型与硬件渐趋成熟，缺的是一套让本地优先个人 AI 真正落地的软件栈——OpenJarvis 就是这套栈。
它围绕三个核心思想构建：
- 共享原语（Shared Primitives）：用于在端侧设备上构建 Agent 的基础构件；
- 以能效为第一约束的评测（Energy-aware Evaluations）：把能耗、FLOPs、延迟、美元成本与准确率同等对待；
- 基于本地轨迹的学习闭环（Learning Loop）：用本地 trace 数据持续改进模型。
其目标很清晰：构建默认本地运行、仅在必要时才上云的个人 AI Agent；同时它既可作为研究平台，也可作为本地 AI 的生产级底座，愿景对标 PyTorch 在深度学习中的地位。
二、技术原理
架构分层：执行模式 + 内置 Agent + 技能系统
OpenJarvis 把 Agent 抽象为三种执行模式：on-demand（按需）、scheduled（定时）、continuous（持续），并在其上内置了八个 Agent：
| Agent | 执行模式 | 作用 |
|---|---|---|
morning_digest | Scheduled | 聚合邮件、日历、健康、新闻的每日语音简报（含 TTS） |
deep_research | On-demand | 跨网页与本地文档的多跳研究，带引用 |
monitor_operative | Continuous | 长程监控，带记忆、压缩与检索 |
orchestrator | On-demand | 多轮推理，自动选择工具 |
native_react | On-demand | ReAct（Thought-Action-Observation）循环 |
operative | Continuous | 带状态管理的持久自主 Agent |
native_openhands | On-demand | CodeAct，生成并执行 Python 代码 |
simple | On-demand | 单轮对话，无工具 |
共享原语与技能（Skills）体系
Skills 是 OpenJarvis 的核心抽象之一——每个技能本身就是一个工具，Agent 从 catalog 中发现它们并按需调用。技能遵循 agentskills.io 开放标准，可从以下来源导入：
- Hermes Agent（约 150 个技能）
- OpenClaw（约 13,700 个社区技能）
- 任意 GitHub 仓库
这种"技能即工具"的设计，让 Agent 的能力可以像软件包一样被安装、同步、优化和基准测试：
# 从公共源安装技能
jarvis skill install hermes:arxiv
jarvis skill sync hermes --category research
# 用任意 Agent 调用技能
jarvis ask "Use the code-explainer skill to explain this Python code: for i in range(5): print(i*2)"
# 基于本地轨迹优化技能
jarvis optimize skills --policy dspy
# 基准测试技能影响
jarvis bench skills --max-samples 5 --seeds 42
以能效为第一约束的评测
从 pyproject.toml 的依赖设计可以看出框架对"生产级可观测性"的重视——它把评测、能耗、学习拆成大量可选依赖组：
energy-amd = ["amdsmi>=6.1"]
energy-apple = ["zeus-ml[apple]"]
energy-all = ["pynvml>=12.0", "amdsmi>=6.1", "zeus-ml[apple]"]
eval-wandb = ["wandb>=0.17"]
eval-sheets = ["gspread>=6.0", "google-auth>=2.0"]
learning-dspy = ["dspy>=2.6"]
learning-gepa = ["gepa>=0.1"]
energy-* 系列直接对接 NVIDIA（pynvml）、AMD（amdsmi）、Apple（zeus-ml）的硬件能耗接口；learning-dspy / learning-gepa 则对应 DSPy、GEPA 等优化策略——这意味着评测不只考虑准确率，还会把"每瓦智能"量化为一等公民。
多通道与多引擎的插件化设计
框架把推理后端、记忆、通道、沙箱都做成了可选 extras。例如推理引擎可切换 inference-mlx（Apple MLX）、inference-vllm、inference-cloud、inference-google、inference-litellm 等；通信通道覆盖 Telegram、Discord、Slack、Line、WhatsApp、XMPP、Twitch、Nostr 等近 20 种。这种组合式（composable）设计正是其"共享原语"理念在工程上的落地。
三、安装与快速开始
OpenJarvis 的安装尽量做到"一条命令"：每个安装脚本会一并处理 uv、Python venv、Ollama 与起步模型，宽带环境下约 3 分钟。
# macOS · Linux · WSL2
curl -fsSL https://open-jarvis.github.io/OpenJarvis/install.sh | bash
# Native Windows
irm https://open-jarvis.github.io/OpenJarvis/install.ps1 | iex
# 桌面 GUI：从 Releases 下载 .exe / .dmg / .deb / .rpm / .AppImage
安装完成后运行 jarvis 即可启动（Rust 扩展与更大模型会在后台继续下载，jarvis doctor 可查看状态）。若未激活虚拟环境，可在命令前加 uv run 或先 source .venv/bin/activate。
环境要求：Python >= 3.10 且 < 3.14（3.14 因缺失 Windows 预编译 numpy wheel 被暂时封顶）；Python 3.10–3.13 均已通过 classifiers 验证。
四、使用方法与实战
OpenJarvis 通过 preset（预设） 快速切换开箱即用的配置：
jarvis # 开始聊天（默认 chat-simple）
jarvis init --preset <name> # 切换到某个起步配置
常用预设一览：
| 预设 | 作用 |
|---|---|
morning-digest-mac / morning-digest-linux / morning-digest-minimal | 来自邮件、日历、健康、新闻的语音每日简报 |
deep-research | 跨索引文档、带引用的多跳研究 |
code-assistant | 具备代码执行、文件 I/O 与 shell 访问的 Agent |
scheduled-monitor | 带记忆、按计划的持久 Agent |
chat-simple | 轻量对话，无工具 |
一个完整的"晨间简报"实战示例：
jarvis init --preset morning-digest-mac
jarvis connect gdrive # 一次 OAuth 同时覆盖 Gmail / Calendar / Tasks
jarvis digest --fresh # 生成并播放你的第一份简报
对于开发者，贡献者模式基于 uv + maturin（含 Rust 扩展）构建：
git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis
uv sync --extra dev
uv run pre-commit install
uv run pytest tests/ -v
Makefile 还镜像了 CI 流程，让本地 make test 与 GitHub Actions 保持一致。
五、常见问题与解决方案
1. 安装卡在 Rust 扩展 / 大模型下载
安装脚本完成后，jarvis 即可使用；Rust 扩展与更大模型会在后台异步下载。用 jarvis doctor 查看下载进度与状态，无需等待完成再使用基础功能。
2. Python 3.14 上依赖解析失败
pyproject.toml 显式将 requires-python 限制在 <3.14，因为 numpy 2.2.x 在 Windows 上无 cp314 预编译 wheel，会导致源码编译失败。请使用 Python 3.10–3.13。
3. 无法连接 Google 等外部服务
通道类扩展（如 channel-gmail）需要对应的 API 凭据。以 jarvis connect gdrive 为例，一次 OAuth 即可同时授权 Gmail / Calendar / Tasks，按提示完成授权即可。
4. 评测/学习相关命令报错
energy-*、eval-wandb、learning-dspy 等属于可选 extras，未 uv sync --extra 安装时对应命令不可用。按需在 pyproject.toml 中补齐对应 extra 再执行。
5. 本地模型推理性能不足
按需启用对应推理后端：Apple 芯片用 inference-mlx，NVIDIA 用 inference-vllm；并通过 energy-* 依赖组监控能耗/延迟，找到能效与准确率的平衡点。
六、总结
OpenJarvis 不是一个又一个"套壳云端 API"的 Agent 框架，而是试图把个人 AI 的主权交还给用户：默认本地运行、以能效为第一约束、用本地数据自我进化。它背后有斯坦福顶级实验室的研究支撑与清晰的论文/榜单/路线图体系，工程上又以"共享原语 + 技能即工具 + 可选 extras"的组合式设计为开发者留足扩展空间。
如果你相信"个人 AI 应当跑在个人设备上"，OpenJarvis 值得 clone 下来亲自跑一遍——尤其适合想要把邮件、日历、健康、研究自动化，却又不希望数据全部外泄到云端的场景。
项目地址：github.com/open-jarvis/OpenJarvis 文档：open-jarvis.github.io/OpenJarvis 论文：arXiv 2605.17172