智東西

作者｜江宇

編輯｜漠影

智東西4月13日報道，昨日，YC總裁Garry Tan開源的「AI記憶外掛」——GBrain，迎來新一輪更新，版本迭代至0.9.0。自4月10日發布後短短數天，該項目已在GitHub狂攬約7.1k星。

藉助這套系統，用戶的筆記、開過的會議、收發的郵件、刷過的社交平台記錄，乃至通話記錄，都可以被持續寫入同一套系統，並完成結構化整理與索引。

當這些信息積累到一定規模後，再次提問時，AI可以直接調取過往記錄參與判斷。常見用法包括回溯某個人的歷史往來、梳理一段持續演進的思考脈絡，或在會議前自動聚合相關背景信息。

這正好踩在當前AI的一個共識問題上：容易「失憶」。Agent側的memory主要記錄偏好和配置，大模型的上下文又有長度邊界，一旦跨任務、跨時間，信息往往難以延續。GBrain補充上的，正是這一層長期、可累積的數據能力，尤其適合已經在使用OpenClaw、Hermes這類持續運行Agent的用戶。

它將原本分散在各處的數據，整理為一套可以被讀取、寫入並持續更新的「長期記憶層」。Garry Tan也直言，這套系統的目標，是讓Agent具備「對上萬份文檔的完整記憶能力」。

他在分享這一項目時提到：「如果你希望你的Agent能夠完整記住上萬份文檔，GBrain就是為此準備的」，並補充稱，「希望它能幫你搭建屬於自己的mini AGI」。

在最新版本中，GBrain新增多項確定性命令與生產級技能，包括知識反向鏈接檢查、自動修復LLM生成錯誤、結構化報告生成以及大文件分層上傳等能力，同時進一步強化知識圖譜構建與長期維護機制。

如果已經部署了OpenClaw、Hermes Agent等持續運行的Agent，用戶只需將指令交給Agent執行，安裝、配置與數據導入等流程即可自動完成。一個基礎版本的「腦庫」（即圍繞用戶自身信息建立起來的長期記憶庫），通常在30分鐘左右可以跑通，本地數據庫也可以在幾秒內初始化完成。

開源地址：github.com/garrytan/gbrain

一、脫胎於卡帕西的「大模型維基百科」，進化出「自進化的知識庫」

GBrain並不是一個啱啱冒出來的新項目。早在4月10日，Garry Tan就已在X上密集披露這一項目，並正式對外開源。他將其定義為一套「可被Agent直接讀寫的長期記憶系統」，核心目標是解決AI在個人數據層面的「失憶問題」。

按照Garry Tan的說法，這套方案提供了一種「the easiest, best, guided way（最簡單、最好且帶引導的方式）」來複現個人AI系統。

這套系統已在Garry Tan的個人環境中長期運行，管理過超10000份Markdown文件、3000+人物檔案、13年日曆數據以及5800條Apple Notes記錄，並持續接入會議、郵件、社交信息與原始想法等多類數據，形成一個可被Agent持續調用與更新的個人知識「腦庫」。

4月12日，Garry Tan還進一步放出Skillpack配方、語音接入方案以及完整部署路徑。此版本能在15分鐘以內，完成基礎搭建，並以更接近「Personal AI software（個人AI軟件）」的形態產出——由Agent根據個人數據與需求動態生成與演化，而非一款固定功能的工具。

同時，他也公開展示了GBrain在語音交互、數據接入與知識沉澱等場景中的實際運行方式。

而這一項目的思路，也與AI大神卡帕西（ndrej Karpathy）提出的LLM Wiki一脈相承，可看作「大模型維基百科」的一次延展。

在4月5日，這一項目的雛形首次被提及。Garry Tan當時提到，他此前基於Karpathy提出的LLM Wiki範式，構建了一套以Markdown為核心的個人知識系統。但隨着數據規模快速增長，這一體系很快觸及瓶頸——其知識庫已膨脹至約2.3GB，Git管理方式開始變得低效甚至「喫不消」。

在這一背景下，他開始引入數據庫與向量檢索能力，對原有結構進行重構，逐步演化出GBrain這一方案。GBrain在底層加入了Postgres與pgvector等組件，使其能夠支撐更大規模的數據檢索與結構化查詢。

整體來看，GBrain是一套圍繞「個人長期記憶」的完整Agent架構。從個人筆記、日程、社交關係到會議與原始想法，所有數據被持續寫入、索引與回讀，形成一個可被Agent調用的知識系統。

二、先別急着談「記憶」，GBrain先把一套「腦子」搭出來

AI Agent也許已經很聰明，但它並不了解你的生活。會議、郵件、推文、日曆事件、語音通話、原始想法，這些真正構成個人上下文的信息，過去大多散落在不同工具和不同賬號裏，模型每次對話都只能「臨場發揮」，很難持續積累。

GBrain要做的，就是把這些數據統一流入一個可搜索的知識庫，讓Agent在每次回應前先讀，在每次對話後再寫，久而久之，這個系統逐漸形成對你個人世界的長期理解。

這一點也是GBrain的核心價值所在——長期記憶，其管理的是「world knowledge」，也就是人物、公司、會議、概念、交易和用戶自己的想法。

Agent自身的memory_search更偏向操作狀態，比如偏好、決策和配置；當前會話則負責處理即時上下文。以上兩層分工之後，再由GBrain來承擔「長期記憶」這一層。

三、30分鐘上「腦」，部署、擴展和遷移一條路打通

如果用戶已經有OpenClaw、Hermes Agent或其他持續運行的Agent，只需要把指令塊丟進去，剩下的流程由Agent自己讀文檔、執行安裝、詢問API key並完成配置。

一套基礎版「腦庫」大約30分鐘可以跑通，其中本地數據庫PGLite在2秒內就能初始化，後續的schema建立、文檔導入、embeddings生成和各類集成配置，則根據「腦庫」大小不同，大約需要15到30分鐘。

GBrain默認使用PGLite作為本地數據庫方案。用戶執行gbrain init之後，就能得到一個嵌入式的Postgres「腦庫」，不需要單獨購買服務器，也不要求先準備外部數據庫，屬於「零配置啓動」。

如果後續「腦庫」繼續增長，比如超過1000份文件、需要多設備訪問，或者要通過遠程MCP給別的AI客戶端調用，再用gbrain migrate –to supabase遷移到託管版Postgres。

這套方案既保留了本地部署的低門檻，也給大規模使用留出了升級空間。

此外，其搜索能力在不接OpenAI和Anthropic API key的情況下也能運行，但只能做關鍵詞檢索；接入OpenAI之後，才能啓用向量搜索；補齊Anthropic之後，則可以進一步獲得多查詢擴展和更好的搜索質量。

目前，GBrain主要針對Claude Opus 4.6和GPT-5.4 Thinking這類frontier model測試，小模型大概率撐不起整套方案。

四、郵件、日曆、電話都能往裏灌，化身「個人腦庫」

如果說本地Markdown和數據庫是GBrain的底座，讓這套系統真正活起來的，是GBrain持續「進數據」的配方體系——「Getting Data In」。

GBrain提供了一組recipes，讓Agent自己讀取安裝說明、向用戶索要憑據、校驗授權並完成接入。從目前提供的方案看，GBrain已經覆蓋了幾個最核心的數據入口。

1、通過Credential Gateway可以接入Gmail和Google Calendar，把郵件和日曆流入「腦庫」；

2、通過X-to-Brain可以持續同步X上的timeline、提及和刪除記錄；

3、通過Meeting Sync可以將Circleback生成的會議轉錄寫入人物和會議頁面；

4、Voice-to-Brain則更進一步，允許用戶通過Twilio和OpenAI Realtime搭一個真正能接電話的AI號碼。電話打進來之後，Agent先讀取來電者相關背景，再在通話結束後自動生成包含轉錄、實體識別和交叉引用的新頁面。這套語音能力已經能在真實號碼上運行，未知來電也可以被篩選。

這套接入機制最關鍵的地方，是它讓記憶系統不再停留在一批靜態文本上。郵件、會議、社交記錄和電話，Agent每處理一次互動，就會把相關信息重新寫回「腦庫」。對用戶來說，這種體驗和傳統知識管理軟件或許已經不太一樣了。

五、記憶開始「滾雪球」，Agent用得越久信息越完整

在項目中，Garry Tan將一道機制稱為「The Compounding Thesis（複利式記憶機制）」。

當新的信息進入系統後，Agent會先識別其中涉及的人物、公司和概念，再優先到「腦庫」中檢索相關內容，結合已有上下文完成回應，隨後把這次新增的信息寫回腦庫，並同步更新索引。

這個「讀取—寫入—更新」的循環不斷重複之後，系統逐漸形成連續的上下文積累，Agent也不再依賴單次對話的信息，而是可以調動歷史數據完成判斷。

Garry Tan也給出了一些典型使用場景。比如，「我該邀請誰來喫飯，同時認識Pedro和Diana？」，背後依賴的是數千個人物頁面及其關係網絡的交叉調用。

再比如，「我過去是怎麼談‘羞恥感與創始人表現之間關係’的？」，檢索範圍來自用戶自身過往的記錄和思考。

在更貼近日常使用的場景中，如果30分鐘後要與Jordan見面，系統可以提前整理該人物的資料、過往互動記錄、近期動態以及未完成事項，生成一份會前brief。此類能力依賴的是前期持續沉澱的數據，在需要時被重新調取和組合。

為了讓這套機制能夠穩定運行，GBrain在知識組織結構上也做了相應設計。每個頁面被劃分為「compiled truth」和「timeline」兩部分。前者記錄當前階段對某個人、公司或概念的綜合理解，後者按時間順序追加事件、來源與變化軌跡。

Garry Tan對此稱：「綜合結論是答案，時間線是證據」。這一設計讓系統在不斷更新認知的同時，也保留了信息來源和演變路徑。對於長期記憶系統來說，這種結構更有利於持續修正與覆盤，而不是簡單疊加記錄。

六、30個工具之外，「怎麼用」尤為重要

GBrain是一個開源倉庫，包含CLI、MCP server、TypeScript庫，以及一整套命令與接口。但進一步展開可以發現，這個項目的重點並不只在工具本身，還包括一整套明確的使用方式。

其中，GBRAIN_SKILLPACK.md被放在覈心位置。相比列出有哪些能力，這份文檔更多在規定Agent的行為方式，包括什麼時候讀取「腦庫」、什麼時候寫入信息、如何做數據富化，以及如何維護整個系統的狀態。

這一設計讓GBrain和常見的功能型項目有所區分。項目中不僅提供了30多個MCP工具，還將brain-agent loop、實體檢測、會議寫入、來源追蹤、定時巡檢以及夜間「dream cycle」等運行邏輯一併寫入Skillpack中。

具體來看，系統要求Agent在每次消息到來時優先進行brain-first lookup，對新出現的人物、公司和概念進行實體捕捉，並以固定周期執行數據同步與embedding更新。同時，還設定了每日更新檢查與夜間批處理流程，用於補全實體、修復引用並整理已有記憶。

在這一套機制下，GBrain將一整套長期運行的流程固化下來，讓Agent在使用過程中持續積累、整理並更新信息。

也正因為如此，GBrain更接近一套Agent基礎設施。它既可以獨立作為CLI工具使用，也支持通過MCP接入Claude Code、Cursor、Windsurf等客戶端，並可通過遠程MCP服務實現跨設備訪問。

對於OpenClaw或Hermes這類持續運行的Agent，它承擔的是長期知識層的角色；對於其他MCP客戶端，則提供一個可查詢、可修改、可擴展的個人知識庫。

從整體結構來看，Garry Tan此次開源的GBrain是一套圍繞「個人長期記憶」構建的完整實現框架。

結語：長期記憶有了新方案，但門檻還在

在現有體系中，大模型負責生成，Agent負責執行，但跨任務、跨時間的信息積累，一直缺乏穩定方案。上下文會被截斷，memory更多停留在偏好與配置層，很多信息難以自然延續。

GBrain提供了一種相對完整的方法：把分散數據持續寫入、結構化整理，並在後續反覆調用。這套機制本身並不「輕量」，對模型能力、數據規模和系統運行都有一定要求。

從這個角度看，長期記憶這件事已經有了可以運行的版本，但距離「隨手可用」的形態，還有一段距離。對更廣泛的用戶來說，一個更輕量、更易部署的方案，可能仍然是接下來需要被解決的問題。