OpenJarvis: обзор локального персонального ИИ-агента от Stanford
OpenJarvis — это фреймворк для персонального ИИ, который по умолчанию работает на вашем устройстве и обращается к облаку только когда это действительно нужно. Разбираем, как он устроен, что умеет и кому подходит.
OpenJarvis — открытый фреймворк персонального ИИ от лабораторий Стэнфорда (Hazy Research и Scaling Intelligence Lab), который строит агентов вокруг локальных моделей, а не вокруг облачных API. Он бесплатный, работает под Apache-2.0 и уже собрал 10 539 звёзд на GitHub. Главная идея: приватность и предсказуемая стоимость без потери качества — за счёт декомпозиции стека на пять независимо настраиваемых примитивов.
10 539
Звёзды GitHub
снято 04.10.2026
Apache-2.0
Лицензия
открытый код, Python
8
Встроенных агентов
в трёх режимах работы
02.2026
Первый релиз
активная разработка
01Кратко: что это и для кого
OpenJarvis — это стек для локально-ориентированного персонального ИИ. В отличие от облачных ассистентов, которые маршрутизируют почти каждый запрос на чужие сервера (часто вместе с чувствительными локальными данными), OpenJarvis выполняет инференс на вашем устройстве и обращается к облаку только тогда, когда это оправдано.
Проект развивается как часть исследовательской инициативы Intelligence Per Watt, изучающей энергоэффективность ИИ-систем. Это одновременно исследовательская платформа и производственная основа: авторы прямо сравнивают задумку с ролью PyTorch для локального ИИ.
Карточка проекта
РазработчикСтэнфорд: Hazy Research и Scaling Intelligence Lab (SAIL)
Моделилокальные через Ollama + облачные движки (гибрид)
Как проверялись данные
Все числа взяты из открытых источников: GitHub API (звёзды, форки, даты — снято 04.10.2026), официальной документации проекта и научной статьи arXiv:2605.17172. Оценки Qantcore по осям — редакционные, методика та же, что и для остальных продуктов каталога.
02Какую проблему он решает
Авторы статьи arXiv:2605.17172 формулируют проблему так: современные персональные ИИ-стеки (OpenClaw, Hermes Agent и подобные) устроены вокруг конкретной облачной модели — вместе с агентными промптами, описаниями инструментов, памятью и настройками рантайма. Просто подставить локальную модель вместо облачной не работает: замена Claude Opus 4.6 на Qwen3.5-9B роняет точность на 25–39 процентных пунктов на персональных задачах (PinchBench, GAIA).
Самостоятельная оптимизация промптов закрывает лишь около 5 пунктов разрыва с облаком — этого мало. Поэтому OpenJarvis предлагает «декомпозированный» стек: отдельные примитивы, которые можно настраивать по отдельности и совместно, и LLM-guided spec search — процедуру, в которой облачная модель предлагает правки спецификации, но принимаются только те, что не ухудшают результат, а на инференсе всё выполняется уже целиком на устройстве.
Что это даёт на практике
По данным авторов, on-device-конфигурации догоняют или превосходят облако на 4 из 8 бенчмарков и отстают в среднем всего на 3,2 п.п. от лучшего облачного бейзлайна, при этом маргинальная стоимость API снижается примерно в 800 раз, а сквозная задержка — в 4 раза.
03Метрики и оценки
Звёзды GitHub: ориентиры по открытым проектамснято 04.10.2026, разные категории и возраст проектов
Прямое сравнение некорректно: это ориентир по масштабу сообщества. OpenJarvis — молодой проект (создан в феврале 2026) рядом со зрелыми фреймворками.
Оценки Qantcore по осям
Редакционные оценки Qantcore: зрелость ниже, потому что проект новый и API ещё меняется.
Восемь встроенных агентов по режимам работы
Распределение по данным официального README проекта.
04Как устроен: пять примитивов
Архитектура OpenJarvis — это типизированная спецификация из пяти примитивов. Каждый из них можно редактировать независимо, а стек целиком оптимизируется и измеряется по точности, стоимости и задержке.
Пять примитивов стека
Схема-слои: от выбора модели до обучения на собственных данных.
Путь запроса
05Встроенные агенты
Проект поставляет восемь готовых агентов в трёх режимах работы. Их можно вызывать напрямую или использовать как основу для своих сценариев.
Агент
Режим
Что делает
morning_digest
Scheduled
Утренний брифинг из почты, календаря, здоровья и новостей, с озвучкой
deep_research
On-demand
Многошаговое исследование со ссылками по вебу и локальным документам
monitor_operative
Continuous
Долгий мониторинг с памятью, сжатием и поиском по контексту
orchestrator
On-demand
Многошаговые рассуждения с автоматическим выбором инструментов
native_react
On-demand
Классический цикл ReAct: мысль—действие—наблюдение
operative
Continuous
Постоянный автономный агент с управлением состоянием
native_openhands
On-demand
CodeAct: генерирует и исполняет код Python
simple
On-demand
Одношаговый чат без инструментов
Состав и назначение агентов — по официальному README репозитория.
Критерий
OpenJarvis
Облачные ассистенты
Локальные UI-обёртки
Инференс по умолчанию
на устройстве
в облаке
на устройстве
Данные уходят в облако
только при необходимости
почти всегда
нет
Открытый код
да, Apache-2.0
как правило нет
частично
Стоимость API
≈0 при локальном запуске
по тарифу провайдера
≈0
Оптимизация под ваши задачи
есть (обучение на трейсах)
промптами
обычно нет
Зрелость экосистемы
новая (2026)
высокая
высокая
Сравнение по ключевым для персонального ИИ критериям.
Возможности и лимиты облачных сервисов уточняйте на официальных сайтах вендоров — они меняются.
06Скиллы и совместимость
Скиллы в OpenJarvis — это инструменты, которые агент находит в каталоге и вызывает по требованию. Они следуют открытому стандарту agentskills.io, поэтому проект умеет импортировать готовые наборы: около 150 скиллов из Hermes Agent и большую библиотеку сообщества OpenClaw.
terminalbash
jarvis skill install hermes:arxiv
jarvis skill sync hermes --category research
jarvis ask "объясни этот код"
jarvis optimize skills --policy dspy
Плюс для тех, кто уже что-то настроил
Скиллы можно оптимизировать прямо на своей истории трейсов, а затем измерить эффект бенчмарком. Это редкость: большинство персональных ассистентов не дают такой петли обучения локально.
07Плюсы и минусы
Плюсы
Инференс по умолчанию локальный: данные не уходят в облако без необходимости
Открытый код под Apache-2.0 — можно проверить и доработать
Восемь готовых агентов в трёх режимах и петля обучения на своих трейсах
Качество близко к облачному: в среднем 3,2 п.п. отставания от лучшего бейзлайна по данным авторов
Совместим со стандартом agentskills.io и готовыми каталогами скиллов
Минусы
Проект молодой: API и структура ещё меняются
Сложнее облачных ассистентов в первичной настройке
Требует локальных ресурсов: модель занимает место и нагружает железо
Русскоязычной документации нет — только английская
Что учесть перед запуском
Нужен Python 3.10+ и место под локальные модели; для графического интерфейса — Node.js 22+. В России сам фреймворк скачивается свободно, но загрузка моделей с некоторых зеркал может требовать обхода — проверьте доступность источников моделей заранее.
08Кому подходит
OpenJarvis стоит смотреть тем, кто работает с чувствительными данными и не хочет отдавать их в облако, а также тем, кто хочет предсказуемые расходы на инференс и готов потратить время на настройку. Если вам нужен «поставил и забыл» ассистент или важна зрелая экосистема из коробки — пока лучше подойдут облачные решения; для локального кодинга есть более простые точечные инструменты.
OpenJarvis — открытый фреймворк для персонального ИИ от лабораторий Стэнфорда, который по умолчанию запускает инференс на вашем устройстве и подключает облако только при необходимости. Лицензия Apache-2.0, основной язык — Python.
OpenJarvis — это бесплатно?
Сам фреймворк бесплатный и открытый (Apache-2.0). Расходы возможны только на железо/электричество либо на облачные движки, если вы их подключаете; их тарифы уточняйте на официальных сайтах провайдеров.
Работает ли OpenJarvis в России?
Да: это открытый код, который не требует зарубежной подписки. Для загрузки локальных моделей может понадобиться доступный источник моделей — проверьте его заранее. Оплата зарубежных облачных движков из РФ решается отдельно, об этом — в разделе об оплате AI-сервисов.
Какие модели поддерживает OpenJarvis?
Проект работает с локальными моделями через Ollama, а также умеет подключать облачные движки по схеме гибрида. Список поддерживаемых моделей меняется — смотрите официальную документацию.
Чем OpenJarvis отличается от облачных ассистентов?
Ключевое отличие — место инференса: OpenJarvis выполняет запросы на устройстве и обращается к облаку только когда локальной модели не хватает. По данным авторов, это снижает маргинальную стоимость API примерно в 800 раз и задержку в 4 раза, а точность отстаёт от лучшего облачного бейзлайна в среднем на 3,2 п.п.
Исследовательская инициатива, частью которой является проект
Вердикт Qantcore
8,2/ 10
OpenJarvis — один из самых внятных ответов на запрос «персональный ИИ без облака»: открытый код, продуманная архитектура из пяти примитивов и качество, близкое к облачному. Минус — молодость проекта и настройка не для новичка. Берите, если важны приватность и контроль расходов; для «просто чата» хватит более простых инструментов.
Сравнить всех агентов в каталоге
Единая методика оценки, фильтры по цене и возможностям, все обзоры — в одном месте.