Harness 与 Agent 工程 · 上下文与记忆 · 2026-06-05

YC 点名 Company Brain:企业做 AI,先要补一套会工作的组织记忆

让AI从“会回答”到“会做事”,关键在于构建一个能理解组织隐性规则的“公司脑”。

核心内容:

  1. AI自动化公司面临的核心瓶颈:领域知识的缺失与分散
  2. 构建“公司脑”的关键:将分散知识结构化,转化为可执行的技能
  3. GBrain的实践:作为AI Agent的“脑层”,将组织记忆转化为工作台

YC 最新一轮 Request for Startups 里,有一条很适合放进管理层周会。

它没有把问题继续推给模型能力,也没有停在“多建几个 AI 应用”。它说,AI 自动化公司最大的阻塞,已经变成了 domain knowledge。

翻译成人话就是:模型越来越会干活,但它不知道你公司到底怎么干活。

退款怎么批,价格例外谁能拍板,客户投诉什么时候升级,事故响应谁先看日志、谁通知客户、谁给老板同步,这些东西往往不在一份漂亮文档里。它们散在老员工脑子里、Slack 线程里、邮件里、工单里、会议纪要里。

公司就靠这些“大家大概记得”的东西运转。

人可以这么过日子,Agent 不行。

所以 YC 在 Company Brain 这一条里说得很清楚:如果每家公司都要跑在 AI 自动化上,就需要一个新原语,一个公司脑。

GBrain 切进来的位置就在这里。

GBrain 表面上是 Garry Tan 开源的 AI agent memory 系统;往深一点看,它其实是在回答一个更管理化的问题:

企业到底要把什么交给 AI,AI 才能从“会回答”变成“会做事”?

一、公司脑不只是知识库升级

很多公司一听“公司脑”,第一反应是知识库升级。

把飞书、企业微信、Notion、工单、CRM、客服记录都接进来,再套一个 RAG,员工可以问:“某客户上次怎么处理的?”这当然有用,但还不够。

YC 对 Company Brain 的表述里有一个关键动作:把分散知识抽出来、结构化、保持更新,再转成 AI 可以执行的 skills file。

这个词很要命。

它关心的不只是资料能不能被搜到,更是 AI 能不能知道这家公司处理事情的方式。

比如客服退款,光找到退款政策还不够,系统还要知道:

这些问题已经进入组织运行层了。

过去,组织靠老员工口口相传来解决。新人问前辈,前辈翻聊天记录,实在不行开个会。AI 进来以后,这套方式会露出一个很现实的短板:如果一件事必须靠“某个人记得”,Agent 就没有办法稳定接手。

AI 不怕流程复杂,怕流程只存在于人情世故里。

二、GBrain 的切口,是把“记忆”变成 Agent 的工作台

GBrain 的 README 里有一组很夸张的自述数据:Garry Tan 用它跑自己的 Agent,里面有 146,646 pages、24,585 people、5,339 companies,还有 66 个 cron jobs 在自动运转。

这个数字不一定是普通企业第一天要追的目标,但它说明了一件事:GBrain 不是那种“能搜笔记”的玩具。

它想做的是 Agent 的脑层。

它和普通知识库的差别,可以用一个会议准备场景解释。

你问普通系统:“我明天见 Alice 前要知道什么?”很多工具会返回几篇相关页面:Alice 的人名页、上次会议纪要、客户档案、价格讨论记录。页面找到了,但活儿还在你手里。

GBrain 想返回的是一段已经综合过的答案:Alice 负责什么、上次谈到哪里、还有哪几件事没闭环、哪些信息已经过期、哪些渠道它没看到。

这里有三个能力最要紧:

第一,它做综合,不停在召回。 搜索给你原料,脑层要给你可行动判断。

第二,它带引用和 gap analysis。 一个靠谱的公司脑,不能只说“根据资料判断”。它要告诉你每个结论来自哪里,也要告诉你哪里不知道、哪里可能过期、哪里缺证据。

第三,它把实体关系织成图。 GBrain 的检索架构没有只靠向量相似度,而是叠了 vector、BM25、RRF、knowledge graph traversal 和 reranker。官方评测里,BrainB…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhishiguanli/2026060590638.html