TL;DR
- GBrain 是 YC 总裁 Garry Tan 开源的 Agent 记忆系统,三层架构(Brain Repo + 混合检索 + 34 技能工作流),已获 14,000+ GitHub Stars
- 核心差异化:Markdown + Git 作为人类与 AI 共享的真值源,自布线知识图谱(零 LLM 调用),Dream Cycle 夜间记忆巩固机制
- 通过 MCP 协议可在 30 分钟内接入 Python Agent;本文提供完整
- Python 接入代码,可直接复用
先看一个数字:P@5 49.1%,R@5 97.9%。这是 GBrain 在 240 页知识库上的混合检索成绩——比纯向量搜索高出 31.4 个百分点。
说人话就是:你问 Agent "我之前说的那个项目叫什么来着",它能找到了。而不是给你一段语义相近但完全无关的内容。
YC 总裁 Garry Tan 上个月把他跑了 13 年的"第二大脑"开源了。17,888 页笔记、4,383 个人脉、723 家公司、21 个 cron job 全天候自动运转——全都装在一个 MIT 开源的仓库里。上线 24 小时就拿了 5000 颗星,现在 14,000+。
这件事为什么重要?因为 Agent 的"失忆"问题正在成为整个行业最大的瓶颈。你用 LangGraph 搭了个 Agent,它能推理、能调工具、能写代码——但每次对话都像第一次见你。给它加个向量数据库,它还是记不住"上次你女儿叫什么名字"跟"三个月前你聊过的那笔投资"之间有什么关系。
GBrain 做的事,就是把 Agent 记忆从一个"外挂硬盘"升级成一个真正的"大脑"。
01三层架构:为什么"向量数据库 + 聊天记录"不够
GBrain 的架构分三层。每一层解决一类问题,三层合起来才构成完整的记忆系统。
Layer 1:Brain Repo(真值源)
最底层不是数据库,是 Markdown 文件。每个实体——人、公司、概念、会议——一个 .md 文件,全部用 Git 做版本控制。
每个文件有两种内容区:
- Compiled Truth(当前认知摘要):写在最上面,是对这个实体目前最准确的理解。新信息进来后会被重写。
- Timeline(追加式时间线):写在下面,只追加、不修改,保留每条信息的原始证据和时间戳。
这层的关键设计理念是:人类和 AI 共享同一份真值源。你能用 Obsidian 打开看、用 grep 搜索、用 Git 回溯。数据库崩了?从 Git 重建就是。
Layer 2:Retrieval Index(混合检索引擎)
这层是 GBrain 真正的技术核心。默认用 PGLite(一个跑在 WASM 里的嵌入式 Postgres),初始化两秒钟,零配置。
查询管线长这样:
用户查询 → [可选] Claude Haiku 生成 2 个替代表述(查询扩展) → 并行搜索: ├─ HNSW 向量搜索(1536-dim,cosine 相似度) └─ PostgreSQL tsvector 全文搜索(title A权重 > compiled B权重 > timeline C权重) → RRF 融合(score = Σ(1/(60+rank))) → 四层去重(每页保留最佳 3 片段,Jaccard > 0.85 阈值) → Backlink 加权排序(被其他页面链接的页面加分) → 返回 Top-K 结果向量搜索解决"意思相近",关键词搜索解决"精确匹配"。两者融合后再用 backlink 加权——一个被反复引用的页面自然比孤立的页面更重要。这就是为什么它能比纯向量搜索高出 31.4 个百分点。
Layer 3:34 个 Skills 工作流
GBrain 的设计哲学叫 "Thin Harness, Fat Skills"——运行时代码很薄,智能全在 34 个 Markdown 技能文件里。
这 34 个技能分五类:
- Always-on:signal-detector、brain-ops,全天候监听和调度
- 内容摄入:ingest、meeting-ingestion、media-ingest,把邮件/会议/推文变成结构化的脑页
- 研究综合:research-synthesizer,跨多个脑页抽取主题
- 脑区运维:enrich(充实实体信息)、maintain(去重合并)、citation-fixer(修正引用链)
- 身份设置:soul-audit(审视自己的知识盲区)、setup、briefing
每个技能文件就是一个 Markdown,规定了"什么时候触发 → 读取什么 → 写什么 → 写到哪 → 质量标准"的完整工作流。Agent 读这些文件就知道怎么做。
02最惊艳的设计:零 LLM 调用的知识图谱
每次往 Brain Repo 写一个页面,GBrain 会自动提取实体和关系——用的是正则和字符串匹配,零次 LLM 调用。
提取的关系类型包括:
attended(参加了某会议)works_at(在某公司工作)invested_in(投资了某公司)founded(创立了某公司)advises(担任某公司顾问)
这就意味着,你可以问 GBrain "谁投资了跟 Alice 有关的那家数据库公司?"——纯图谱查询就能回答,不需要 LLM 去猜。
而且这层图谱有一种自我进化机制。一个实体第一次被提及时,GBrain 给它建一个 Tier 3 存根页——只有名字和基本来源。跨三个不同来源再次出现?升级到 Tier 2,自动做 web 搜索和社交充实。参加过会议或跨八个来源出现?Tier 1,跑完整充实管线。
用 Garry Tan 自己的话说:"The brain learns who matters without being told."
03晚上睡觉时,你的 Agent 在做这些事
GBrain 有一个叫 "Dream Cycle" 的夜间循环机制——灵感直接来自人脑的睡眠记忆巩固过程。
具体流程:
- 白天:Signal Detector 全天候并行捕获信号(邮件、推文、日程……),不阻塞
- Agent 响应每个信号时,brain-ops 先查脑区——"这事我以前知道些什么?"
- 响应完成后,新信息被写入脑页,实体关系自动提取
- 晚上:Minions(GBrain 的任务队列)跑确定性批量任务——拉取标记的帖子、补充引用、去重合并、重建索引——全部归零 LLM token 成本
Minions 是这个循环里最被低估的设计。它把"拉帖子、解析 JSON、写页面、同步索引"这些确定性活从 LLM 手里抢过来,用原生 TypeScript 代码跑。对比用子 Agent fan-out 做同样的事:Minions 753 毫秒、0 美元;子 Agent 方式直接网关超时。
Garry T…