// 01 GBrain 是什么
由 YC 总裁开源的 AI Agent 长期记忆系统
GBrain 是 Garry Tan 在 GitHub 上开源的生产级 AI 记忆系统。Garry Tan 是 Y Combinator 的总裁兼 CEO，他在项目说明中明确表示，GBrain 是为自己的 OpenClaw 和 Hermes Agent 部署而构建的“brain layer”。这意味着它不是普通笔记应用，也不是单纯的向量数据库封装，而是一个已经用于真实个人工作流的 Agent 知识底座。
它面向的用户主要是 AI Agent 开发者、创业者、投资人、知识工作者，以及需要让 Claude Code、Codex、OpenClaw、Hermes 等 Agent 长期记住资料、关系和历史判断的人。GBrain 要解决的问题很直接：很多 Agent 代码能力越来越强，但对代码以外的长期事实、会议记录、人脉关系、项目背景和个人观点仍然“健忘”。
它解决的问题
普通搜索只能返回原始页面，普通 RAG 往往只能做片段召回，而 GBrain 的目标是让 Agent 能够综合、遍历关系、发现知识缺口，并给出更接近“答案”的结果。它把 Markdown 文件作为可读、可编辑、可 Git 管理的知识源，再通过检索层、图谱关系和 Skill 机制让 Agent 自动维护这些知识。
这种设计特别适合“知识会长期增长”的场景。比如投资人需要记住多年会议、人脉、公司动态和历史判断；创始人需要管理产品想法、客户反馈和团队决策；研究者需要持续整理论文、引用和主题脉络。GBrain 不是替你写一段内容，而是让 AI Agent 有一个可持续演化的外部大脑。
核心能力
- 以 Markdown 文件作为核心知识源，便于人类直接阅读、编辑和用 Git 管理版本。
- 支持混合检索，将关键词检索、语义向量检索和 RRF 融合排序结合起来。
- 支持图谱遍历、实体关系和 gap analysis，让 Agent 不只查片段，还能发现上下文缺口。
- 支持 PGLite 作为默认嵌入式引擎，也可扩展到 Postgres 和 pgvector 以支持更大规模数据。
- 官方文档提到可作为团队共享大脑使用，并通过登录范围隔离不同成员可见的数据。
- 项目文档展示了生产部署经验，包括上万级 brain files、多技能包和持续运行的 cron jobs。
- 提供面向 Agent 的文档入口和 Skillpack，用于教 Agent 进行知识摄入、富化、调度、身份和访问控制。
如何使用
GBrain 是开源开发者工具，不是网页注册型产品。开发者可以从 GitHub 克隆仓库，按 README 使用本地方式初始化自己的 brain repo。轻量使用可以从 PGLite 起步；如果需要多设备同步或团队使用，则可以配置 Postgres 与 pgvector。
- 从 GitHub 克隆 garrytan/gbrain 仓库。
- 按项目说明安装运行环境，并初始化本地 brain。
- 导入已有 Markdown 笔记、会议记录、人物资料或项目文档。
- 通过 gbrain query、search、lookup 等能力查询知识库。
- 将 GBrain 接入 Claude Code、Codex、OpenClaw 或 Hermes，让 Agent 在回答和执行任务前先读取长期记忆。
典型使用场景
在投资和创业关系管理中，GBrain 可以保存人物、公司、会议、投资线索和历史互动。Agent 在会前查询某个人或某家公司时，不只是返回一条笔记，而是综合关系、时间线和已有判断。
在个人知识库场景中，用户可以把多年 Markdown、Apple Notes、会议转录和原创想法迁移进去，让 AI 帮助维护主题关系、补全引用和发现旧观点之间的联系。
在团队知识管理中，GBrain 可以作为 company brain 的雏形。每个成员拥有自己的数据范围，团队查询时只看到被授权的信息，这比简单共享一个向量库更接近真实组织知识管理。
与同类工具的差异
GBrain 与 Mem0、LlamaIndex、Pinecone 这类工具的差异在于层级不同。Mem0 更偏个性化记忆层，LlamaIndex 更偏数据框架，Pinecone 更偏向量数据库；GBrain 则更像面向 Agent 的完整记忆系统，把文件源、检索、图谱、技能和后台维护流程组合在一起。
如果团队只需要给应用加一个向量搜索，传统向量数据库更简单。如果目标是让 Agent 长期维护一个可读、可追踪、可演化的知识大脑，GBrain 的设计更匹配。
价格与使用成本
GBrain 仓库采用 MIT License，公开信息中没有商业订阅价格。它本身免费开源，但真实成本来自部署、数据整理、嵌入模型、数据库和 Agent 运行。个人轻量使用可以从本地文件和 PGLite 起步；团队或大规模数据使用则需要评估 Postgres、pgvector、同步、权限和运维成本。
真实优势与局限
GBrain 的优势在于它不是概念 Demo，而是围绕真实 Agent 长期记忆痛点构建：Markdown 可读、检索可扩展、图谱可连接、Skill 可运维，并且能服务个人和团队两类场景。
局限也很明显。它更适合技术用户和 Agent 开发者，不适合完全不想碰命令行、数据库、Git 或本地配置的普通用户。数据质量也决定最终效果，如果原始笔记混乱、实体命名不一致，GBrain 仍需要清洗和维护。对于想要开箱即用云端知识库的人，它不是最省事的选择；对于想给 Agent 建长期记忆系统的人，它很值得研究。
