openrecall
OpenRecall 是一款完全开源、隐私优先的数字记忆工具,旨在为用户提供微软 Windows Recall 或 Rewind.ai 等专有方案的替代选择。它通过定期截取屏幕快照,利用本地 AI 技术对画面中的文字和图像进行光学字符识别(OCR)与语义分析,将您的数字足迹转化为可搜索的历史记录。用户只需输入关键词,即可快速回溯过往操作,或通过时间轴手动浏览,从而有效提升记忆力与工作效率。
该工具主要解决了用户在享受“数字时光机”便利时,对数据隐私泄露和厂商锁定的担忧。不同于依赖云端或特定硬件的商业软件,OpenRecall 坚持数据完全本地存储,无需联网,甚至支持加密存储至移动磁盘,确保信息主权牢牢掌握在用户手中。
OpenRecall 适合注重隐私安全的普通办公族、需要跨平台工作流的设计师,以及希望审计代码安全性的开发者和研究人员。其核心亮点在于真正的跨平台兼容性(支持 Windows、macOS 和 Linux)以及对硬件无特殊限制,任何设备均可运行。凭借透明的开源架构和本地优先的 AI 处理能力,OpenRecall 让每个人都能在不牺牲隐私的前提下,自由掌控自己的数字记忆。
使用场景
资深数据分析师李明正在复盘一个两周前参与的关键项目,急需找回当时在多个应用间切换时参考过的特定代码片段和会议结论。
没有 openrecall 时
- 记忆断层难以弥补:只记得大概是在周三下午查阅过某个 GitHub 仓库,但完全想不起具体是在浏览器哪个标签页或哪份文档中看到的,导致检索范围如大海捞针。
- 跨平台记录割裂:工作流分散在 Windows 写代码、macOS 开会上,不同设备的浏览历史和聊天记录无法统一关联,难以还原完整的决策路径。
- 隐私顾虑阻碍尝试:虽然羡慕微软 Recall 或 Rewind.ai 的“时光倒流”功能,但担心敏感的代码库和客户数据被上传至云端或受限于厂商的黑盒策略,不敢轻易启用。
- 硬件门槛限制:现有的高性能 Linux 工作站和部分旧款 Mac 不支持专有软件的特定芯片要求,无法享受智能历史回溯带来的便利。
使用 openrecall 后
- 语义搜索精准定位:只需在 openrecall 中输入“用户认证逻辑优化”等自然语言关键词,本地 AI 即刻通过 OCR 和语义分析,从数万张历史截图中锁定包含该代码的具体时刻。
- 全平台无缝回溯:无论是在 Linux 还是 macOS 上的操作,openrecall 都能统一记录并建立索引,让李明能像看电影一样流畅回放跨设备的完整工作流。
- 数据主权完全掌控:所有截图和分析数据仅加密存储在本机硬盘,无需联网,李明确认源码开源无后门后,放心地将其用于处理机密项目。
- 硬件兼容零门槛:openrecall 直接运行在李明现有的各类设备上,无需更换昂贵的认证硬件,立即实现了低成本的数字化记忆增强。
openrecall 让开发者在绝对隐私安全的前提下,拥有了随时“穿越”回任意工作瞬间的能力,将碎片化的数字足迹转化为可检索的核心资产。
运行环境要求
- Windows
- macOS
- Linux
未说明
未说明

快速开始
____ ____ ____
/ __ \____ ___ ____ / __ \___ _________ _/ / /
/ / / / __ \/ _ \/ __ \/ /_/ / _ \/ ___/ __ `/ / /
/ /_/ / /_/ / __/ / / / _, _/ __/ /__/ /_/ / / /
\____/ .___/\___/_/ /_/_/ |_|\___/\___/\__,_/_/_/
/_/
喜欢这个项目吗? 请给它点个赞支持一下!⭐️ 谢谢!
加入我们的 Discord 和/或 Telegram 社区,及时获取最新动态!
掌控你的数字记忆
OpenRecall 是一款完全开源、以隐私为先的替代方案,可取代微软的 Windows Recall 或 Limitless 的 Rewind.ai 等专有解决方案。借助 OpenRecall,你可以轻松访问自己的数字历史记录,从而增强记忆力和工作效率,同时绝不牺牲隐私。
它能做什么?
OpenRecall 通过定期截取快照来记录你的数字历史,这些快照本质上就是屏幕截图。系统会对截图中的文本和图像进行分析,并使其可被搜索,这样你只需在 OpenRecall 中输入相关关键词,就能快速找到所需信息。此外,你还可以手动回溯历史记录,重温过去的活动。
https://github.com/openrecall/openrecall/assets/16676419/cfc579cb-165b-43e4-9325-9160da6487d2
为什么选择 OpenRecall?
与闭源替代方案相比,OpenRecall 具备多项关键优势:
- 透明性:OpenRecall 是 100% 开源的,你可以自行审计源代码,确保不存在后门或侵犯隐私的功能。
- 跨平台支持:OpenRecall 支持 Windows、macOS 和 Linux,让你可以在自己偏好的操作系统上自由使用。
- 隐私优先:你的数据仅存储在本地设备上,无需联网或使用云端服务。此外,你还可以选择将数据加密后存放在可移动磁盘中,以进一步提升安全性,具体操作请参阅我们的指南。
- 硬件兼容性:OpenRecall 设计用于兼容广泛的硬件,而专有解决方案可能需要特定的认证设备。
功能特性
- 时光穿梭:在 Windows、macOS 或 Linux 上无缝回顾和探索你过去的数字活动。
- 本地优先的 AI:OpenRecall 利用本地 AI 处理能力,确保你的数据始终处于私密和安全的状态。
- 语义搜索:先进的本地 OCR 技术能够解读你的历史记录,提供强大的语义搜索功能。
- 完全掌控存储:数据完全存储在本地,你对数据的管理和安全性拥有完全的控制权。
对比
| 特性 | OpenRecall | Windows Recall | Rewind.ai |
|---|---|---|---|
| 透明度 | 开源 | 闭源 | 闭源 |
| 支持硬件 | 全部 | 需要 Copilot+ 认证的 Windows 硬件 | M1/M2 Apple Silicon |
| 操作系统支持 | Windows、macOS、Linux | Windows | macOS |
| 隐私 | 数据本地存储,自托管 | 适用 Microsoft 的隐私政策 | 需连接 ChatGPT |
| 成本 | 免费 | Windows 11 的一部分(需专用硬件) | 每月订阅 |
快速链接
- 路线图,你也可以投票选出你最喜爱的功能
- 常见问题解答
开始使用
前提条件
- Python 3.11
- MacOSX/Windows/Linux
- Git
安装方法:
python3 -m pip install --upgrade --no-cache-dir git+https://github.com/openrecall/openrecall.git
运行方法:
python3 -m openrecall.app
打开浏览器访问: http://localhost:8082,即可使用 OpenRecall。
参数
--storage-path(默认值:对应操作系统的用户数据路径):允许你指定存储截图和数据库的路径。我们建议创建一个加密卷来存放你的数据。
--primary-monitor-only(默认值:False):仅录制主显示器的画面(而不是为其他显示器单独截图)。
卸载说明
要卸载 OpenRecall 并删除所有存储的数据:
卸载软件包:
python3 -m pip uninstall openrecall删除存储的数据:
- 在 Windows 上:
rmdir /s %APPDATA%\openrecall - 在 macOS 上:
rm -rf ~/Library/Application\ Support/openrecall - 在 Linux 上:
rm -rf ~/.local/share/openrecall
- 在 Windows 上:
注意:如果你曾经使用 --storage-path 参数指定了自定义存储路径,请务必一并删除该目录。
参与贡献
作为开源项目,我们欢迎社区成员的参与和贡献。如果你想帮助改进 OpenRecall,请提交拉取请求或在我们的 GitHub 仓库中提出问题。
联系维护者
许可证
OpenRecall 根据 AGPLv3 许可证发布,确保其始终保持开放和可供所有人使用。
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备