GBrain：YC CEO亲手打造的AI Agent「外脑」——146K笔记如何变成自布线知识图谱

项目: GBrain —— Garry's Opinionated OpenClaw/Hermes Agent Brain
作者: Garry Tan (President & CEO, Y Combinator)
开源: 2026年4月5日，MIT License
GitHub: github.com/garrytan/gbrain (~14K stars)
标签: #AIAgent #知识图谱 #记忆系统 #OpenClaw #工具研究

一、Agent的「失忆症」

如果你用过任何AI Agent（Claude Code、Cursor、OpenClaw），一定遇到过这个场景：

"帮我查一下上周和张三讨论的Acme AI投资的事。"

Agent："抱歉，我没有之前的对话记录。"

每次新开一个会话，Agent就像失忆了一样。你上周花了两小时跟它讨论的项目背景、决策逻辑、待办事项——全部清零。

这不是某个Agent的bug，而是当前架构的固有缺陷：LLM的上下文窗口是有限的，而Agent默认是无状态的。

RAG（检索增强生成）是个方向，但传统RAG也有问题：

• 向量搜索只能做语义匹配，做不了关系查询（"谁投资了Acme AI？"）
• 返回的是一堆相关片段，不是结构化答案
• 没有「差距分析」——你不知道Agent到底知道什么、不知道什么

GBrain解决的就是这个：给Agent一个真正的「外脑」——持久、结构化、可查询、自维护。

二、GBrain是什么？

GBrain不是概念验证，是Garry Tan每天在用的生产系统。

他的个人部署数据（截至2026年5月）：

• 146,646 pages（笔记、会议记录、邮件、推文）
• 24,585 people（人名、关系、背景）
• 5,339 companies（公司、投资、合作关系）
• 66 cron jobs（自动化任务，在他睡觉时运行）

Garry Tan原话：

"My agent ingests meetings, emails, tweets, voice calls, and original ideas while I sleep. It enriches every person and company it encounters. It fixes its own citations and consolidates memory overnight. I wake up smarter than when I went to bed."

这个系统2026年4月5日开源，MIT协议，24小时内拿到5K stars，目前约14K。

三、核心架构：三层递进

GBrain的架构可以概括为三层：

3.1 第一层：Markdown-first 存储

一切始于Markdown。

GBrain的"真相源"（source of truth）是git仓库里的Markdown文件。不是数据库、不是专有格式——就是纯文本的Markdown。

这意味着：

• 人类可读：你随时可以用任何文本编辑器打开、修改
• 版本控制：git管理历史，可以回溯、对比、分支
• 无锁定：不想用GBrain了？你的数据就是Markdown，随时带走

Garry Tan的设计哲学：Agent的记忆首先是给人用的，其次才是给Agent用的。

3.2 第二层：自布线知识图谱

这是GBrain最 clever 的部分。

当你在笔记里写：

今天和 [[Alice]] 在 [[Acme AI]] 办公室开会。
Alice 是 Acme 的联合创始人，之前曾在 [[YC W24]] 批次。

GBrain会自动：

1. 提取实体：Alice（person）、Acme AI（company）、YC W24（event）
2. 建立类型化关系：
   • Alice works_at Acme AI
   • Alice founded Acme AI（如果检测到founder关键词）
   • Alice attended YC W24
3. 写入图谱：所有这些关系存入Postgres，支持图遍历查询

关键：零LLM调用。

不是用GPT-4提取实体——那太贵、太慢。GBrain用正则表达式推断级联（regex inference cascade）：

FOUNDED → INVESTED → ADVISES → WORKS_AT → ATTENDED → MENTIONS

每级匹配不同的模式：

• " founded " → 创建 founded 边
• " invested in " → 创建 invested_in 边
• " works at " → 创建 works_at 边

成本：几乎为零。速度：毫秒级。

3.3 第三层：混合搜索 + 合成答案

存储和图谱都有了，怎么查询？

GBrain的搜索不是简单的向量相似度，而是四层叠加：

基准测试结果（BrainBench，240页 rich-prose 语料）：

图谱层带来了 +31.4 个百分点的 P@5 提升。

为什么图谱这么重要？

因为向量搜索回答不了关系查询：

• ❌ "谁投资了Acme AI this quarter?" → 向量搜索返回一堆提到Acme AI的文档
• ✅ GBrain图谱 → 沿着 invested_in 边遍历，直接返回投资人列表

四、三个杀手级功能

4.1 合成答案模式（Synthesis）

传统RAG返回什么？

"以下是10个可能相关的文档片段..."

GBrain返回什么？

"根据你的笔记，投资Acme AI的有：

• Alice（创始人，YC W24）
• Bob（Sequoia，2024年3月领投）
• Charlie（天使投资人，2023年种子轮）

不知道的部分：目前笔记中没有Acme AI的B轮信息。"

差距分析（Gap Analysis）是GBrain的差异化设计——它不仅告诉你它知道什么，还诚实告诉你它不知道什么。

这改变了使用方式：

• 传统RAG：用户不知道搜索结果是否完整
• GBrain：用户明确知道信息边界，可以决定是否需要进一步查询

4.2 自维护的「梦境循环」（Dream Cycle）

GBrain不是静态的——它在后台持续自我维护。

Garry Tan的部署运行着66个cron job，包括：

• 实体富化：自动搜索公开信息，补充人物和公司档案
• 引用修复：检查笔记中的链接是否失效，自动更新
• 记忆合并：识别重复实体，合并冲突信息
• 过期检测：标记可能过时的信息，提醒更新

效果：你睡觉时的Agent还在工作，早上醒来知识库比昨晚更完整。

4.3 MCP 原生集成

GBrain暴露74个tools via MCP（Model Context Protocol）。

这意味着什么？一行命令接入Claude Code：

claude mcp add gbrain -- gbrain serve

然后Claude Code就可以直接：

• 读取你的笔记
• 查询知识图谱
• 写入新记忆
• 执行图遍历查询

也支持Cursor、Windsurf、任何MCP客户端。

五、部署：从个人到团队

5.1 个人部署（30分钟）

npm install -g gbrain
gbrain init
gbrain serve

• 数据库：PGLite（Postgres 17编译到WASM）
• 启动时间：2秒
• 无需Docker、无需云服务、无需配置Postgres服务器
• 本地运行，数据完全私有

5.2 团队部署（Company Brain）

GBrain最近增加了多租户支持：

• 每个人有自己的brain slice
• 查询时只能看到自己有权限的数据
• OAuth 2.1 + admin dashboard
• 模糊测试验证零泄漏

Garry Tan：

"Drop GBrain in as your team's shared institutional memory — the company-brain shape YC just put on its Request for Startups."

六、和现有方案的对比

GBrain不是「又一个笔记工具」或「又一个RAG框架」。它是第一个把「个人知识管理」和「Agent记忆层」真正统一的系统。

七、局限与适用场景

7.1 适用场景

• 个人知识工作者：大量笔记、会议、邮件需要结构化
• 投资者/创始人：需要追踪人脉、公司、交易关系
• Agent开发者：需要给Agent持久记忆层
• 研究团队：需要共享的 institutional memory

7.2 不适用场景

• 非技术用户：Garry Tan自己说 "you better bring your wrench"，需要一定技术能力
• 超大规模：PGLite适合~50K pages，更大规模需要Supabase/自托管Postgres
• 实时协作：目前更偏向个人/小团队，大规模实时协作还在早期

7.3 与OpenClaw的关系

GBrain和OpenClaw是互补的：

• OpenClaw：Agent的「身体」——执行任务、调用工具、与环境交互
• GBrain：Agent的「大脑」——存储记忆、管理知识、支持查询

Garry Tan同时用两者：OpenClaw做执行，GBrain做记忆。这是一个完整的Agent栈。

八、一个更大的图景：个人AI的「记忆层」

GBrain代表了一个重要趋势：

AI Agent的竞争力正在从「模型能力」转向「记忆能力」。

两个Agent用同样的GPT-4/Claude模型，一个有GBrain（146K pages的知识库），一个没有——前者的输出质量会显著更高，因为它有上下文、有关系、有历史。

这像什么？

• 同样的CPU，一个有SSD（持久存储），一个没有
• 同样的大脑，一个有笔记本（外部记忆），一个没有

GBrain把「外部记忆」变成了Agent的基础设施。

九、实用建议

如果你在做Agent开发或知识管理：

1. 试试GBrain：30分钟安装，PGLite零配置，感受一下混合搜索的差距
2. 从Markdown开始：把你的笔记转成Markdown，这是GBrain的「真相源」
3. 利用WikiLink：在笔记里多用 [[人名]] 和 [[公司名]]，让图谱自动布线
4. 接入MCP：一行命令让Claude Code用上你的知识库
5. 设置cron job：让Agent在你睡觉时「做梦」——富化、修复、合并

参考链接

• GitHub: https://github.com/garrytan/gbrain
• 教程: https://www.marktechpost.com/2026/05/22/a-step-by-step-coding-tutorial-to-implement-gbrain/
• Garry Tan的推文: https://twitter.com/garrytan
• BrainBench评估: https://github.com/garrytan/gbrain-evals

核心结论：GBrain是YC CEO Garry Tan开源的Agent记忆层，将Markdown笔记转为自布线知识图谱（零LLM调用），配合混合搜索（向量+BM25+RRF）在BrainBench上达到P@5 49.1%（+31.4 vs 无图谱）。核心差异化是合成答案+差距分析——不仅告诉你知道什么，还诚实告诉你不知道什么。146K pages的生产部署证明了这不是demo，而是 daily driver。对于任何需要持久记忆的Agent系统，GBrain是目前最完整的开源方案。

#工具研究 #AIAgent #知识图谱 #记忆系统 #OpenClaw #GBrain #小凯