> 作者：北辰

Garry Tan（YC CEO）最近开源了他的个人 AI 大脑 — GBrain，核心思路简单粗暴：把你人生中所有的会议、邮件、推文、日历、笔记全部灌进一个知识库，让 Agent 每次回答之前先"读脑"。

Karpathy 预言

十天前，Andrej Karpathy（前 OpenAI / Tesla AI 负责人）发了一个叫 LLM Wiki^[1] 的 idea file，迅速获得 5000+ ⭐️ ，核心观点只有一句话：

别再用 RAG 了。让 LLM 增量式地构建一个 persistent wiki — 知识被编译过一次，然后持续维护，而不是每次查询都从头推导。

Karpathy 的意思是：现在多数人使用 LLM 和文档的方式，本质上还是 RAG。 你把一堆文件丢进去，模型在查询时临时检索、临时拼装答案。这个方式能用，但有一个明显问题：

知识不会积累。

每次回答，模型都像重新开工一次。  它可以找到相关 chunk，但它不会在这个过程中逐渐形成一个稳定、持续演化的知识结构。

Karpathy 主张在原始文档和问答之间，加一个由 LLM 持续维护的 wiki 层，新资料进来，不只是被索引，而是会被整合进已有知识结构：

• 人物页更新
• 主题页更新
• 旧结论被修正
• 新矛盾被标记

整个知识库随着输入持续演化。

这是一个非常漂亮的模式设计。如果 Karpathy 的 LLM Wiki 是"论文"，GBrain^[2]  就是"工程实现"，而且实现得相当硬核。

GBrain 到底干了什么？

一句话：给你的 AI Agent 装一个长期记忆。

Garry Tan 在搭建自己的 OpenClaw^[3] / Hermes Agent^[4] 时，开始用 markdown 文件记录一切：每个人一页、每家公司一页。页面结构非常简单但讲究：

• 上半部分（横线以上）
  Compiled Truth — 当前对这个人/公司最准确的认知。每次有新信息，直接重写这部分。
• 下半部分（横线以下）
  Timeline — 只追加、不修改的时间线日志。每个条目记录日期、来源、发生了什么。

当 Agent 被询问：

"现在什么情况？"→ 读上半部分。
"之前发生了什么？"→ 读下半部分。

一周之内，他的"大脑"就有了：

• 📄 10,000+ 个 markdown 文件
• 👤 3,000+ 个人物档案（含完整 dossier）
• 📅 13 年日历数据（全部导入可搜索）
• 📝 5,800+ 条 Apple Notes
• 🎙️ 280+ 场会议录音
• 💡 300+ 条原创想法

然后他把这套系统开源了，就是 GBrain。

架构拆解：三个层次

GBrain 的架构照相比很多记忆系统，十分的简洁：

┌──────────────────┐    ┌───────────────┐    ┌──────────────────┐
│   Brain Repo     │    │    GBrain     │    │    AI Agent      │
│   (git)          │    │  (retrieval)  │    │  (read/write)    │
│                  │    │               │    │                  │
│  markdown 文件   │───>│  Postgres +   │<──>│  每条消息先读脑   │
│  = 事实来源      │    │  pgvector     │    │  再写回新知识     │
│                  │<───│  混合搜索      │    │                  │
│  人能直接编辑     │    │  (向量+关键词)  │    │  实体检测、补全   │
└──────────────────┘    └───────────────┘    └──────────────────┘

• Brain Repo（Markdown 文件）
  人类可读的事实来源，你可以用任何编辑器直接改。这是 source of truth。
• GBrain（检索层）
  内置 PGLite（嵌入式 Postgres + pgvector），做向量搜索、关键词搜索、混合排序（RRF）。零配置，2 秒就绪，不需要装数据库。
• AI Agent（读写层）
  每次对话先 gbrain search 查上下文，对话结束后检测新实体并写回。越用越聪明。

关键设计：人永远有最终控制权。 你直接改 markdown → gbrain sync 同步。Agent 写的东西你看得懂、改得动。

最酷的部分：“梦境循环”

GBrain 最有想象力的功能是 Dream Cycle（梦境循环）。

Agent 在你睡觉时自动执行：

梦境循环：
  Phase 1: 实体扫描
    → 扫描当天所有对话
    → 检测新出现的人名、公司名、想法
    → 没有页面的 → 创建 + 补全信息
    → 页面太薄的 → 自动 enrichment

  Phase 2: 引用修复
    → 找到断裂的交叉引用
    → 修复或标记

  Phase 3: 记忆整合
    → 碎片信息合并到对应页面
    → 更新 Compiled Truth

Garry 的原话：

“I wake up and the brain is smarter than when I went to sleep.”

配套还有 20+ 个定时任务（cron jobs），覆盖邮件监控、Twitter 收集、会议同步、日历导入……整个系统像一个有生命的器官，24 小时不停运转。

记忆机制比较：各有千秋

在开始使用 GBrain 之前，得先搞清楚 OpenClaw 和 Hermes 自带的记忆系统是什么样的。因为 GBrain 的定位不是替代它们，而是在它们之上叠加一层世界知识。

OpenClaw 的记忆：Markdown 文件 + 自动整理

OpenClaw 的记忆系统非常直觉 — 就是文件：

Agent 有两个工具操作记忆：memory_search（语义搜索，即使措辞不同也能找到）和 memory_get（读取特定文件）。

搜索支持混合模式 — 向量相似度（语义）+ 关键词匹配（精确术语如 ID、代码符号）。只要配了 OpenAI / Gemini / Voyage 等任一 embedding key 就自动启用。

更厉害的是 OpenClaw 的 Memory Wiki 插件 — 把持久记忆编译成一个知识库 wiki，包含：

• 结构化的 claims 和 evidence
• 矛盾检测和新鲜度追踪
• 生成仪表盘和编译摘要
• wiki_search、wiki_get、wiki_apply、wiki_lint等专用工具

还有自动记忆冲洗（Flush）：在对话被压缩（compaction）之前，自动提醒 Agent 把重要上下文写入文件，防止上下文丢失。

梦境系统（刚刚实验性引入）：后台扫描短期信号，评分后将合格项提升到长期记忆。支持阈值过滤、频率门控、多样性检查，结果写入 DREAMS.md 供人工审阅。

Hermes 的记忆：精简但自进化

Hermes 的记忆哲学不同 — 有意识地限制容量，迫使 Agent 只记住最重要的东西，这防止了记忆内容随着使用时间越来越长，占用 LLM 上下文：

存储在 ~/.hermes/memories/，每次会话开始时作为冻结快照注入系统提示词。Agent 在会话中可以增删改记忆（通过 memory 工具的 add / replace / remove），修改立即持久化到磁盘，但要到下次会话才会出现在系统提示词中。

容量限制是刻意的 — 记忆满了，Agent 就得整合或替换旧条目，给新信息腾位置。这迫使记忆始终保持高信噪比。

与 Openclaw 相比，Hermes 将 Skills 拓展成了一种程序性记忆。Agent 在完成复杂任务后会自主创建技能，使用过程中自我改进。搭配 FTS5 会话搜索（跨历史对话检索 + LLM 摘要），以及 Honcho 辩证用户建模，形成一个自我进化的学习闭环。

三种记忆的对比

差异总结：

• OpenClaw
   的记忆像一个勤奋的秘书 — 帮你记笔记、整理文件、自动冲洗
• Hermes
   的记忆像一个精明的学徒 — 记得少但记得准，而且会自己学新技能
• GBrain
   的记忆像一个全知的百科全书 — 关于你认识的所有人、所有事，它都知道

GBrain 在其中的角色：外挂大脑

GBrain 并不是来替代 Agent 原生记忆的。它是一个额外的层次：

三层各管各的，Agent 调用时全部检查：

1. 先查 GBrain — 有关于这个人的事实吗？
2. 再查 Memory — 我之前做过什么决定？
3. 最后看 Session — 当前对话的上下文是什么？

使用示例

假设你在 OpenClaw / Hermes 中配置了 GBrain，以下是真实的一天：

🌅 早上 8:00 — 晨间简报

Agent 自动运行，检查你的日历：

gbrain search "Jordan meeting" --type people
gbrain query "最近跟 Jordan 相关的讨论"

然后给你推送：

“今天 10:00 有和 Jordan 的会议。上次聊的是 A 轮融资条款，他当时对估值有些保留意见。建议今天先确认他的最新想法。”

📧 上午 — 邮件进来

邮件同步（每 30 分钟一次）自动运行：

邮件来源: alex@fund.vc
→ gbrain search "alex@fund.vc"
→ 找到: Alex Chen, Partner at FundVC
→ 更新: 人物页面 timeline 添加新条目
→ 检测: 邮件提到了 "DeepMind" 
→ 联动: 更新 DeepMind 公司页面

🎙️ 下午 — 开完会

会议结束，Agent 自动处理：

1. 拉取会议转录（Circleback / 其他工具）
2. 检测参会人 → 更新各个人物页面
3. 提取关键决策 → 写入相关项目的 Open Threads
4. 检测新提及的实体 → 创建新页面或补全

🌙 晚上 — 梦境循环

你睡了，Agent 没睡：

gbrain dream-cycle
→ 扫描今日所有对话
→ 发现 12 个新实体
→ 5 个需要补全
→ 修复 3 个断裂引用
→ 整合 8 条碎片信息

快速开始（Agent 全自动）

如果你想尝试使用，安装也很简单。

GBrain 的设计是 “Agent 来装，你只管回答问题”。在 OpenClaw 或 Hermes 里贴入下面的指令：

INSTALL:
  git clone https://github.com/garrytan/gbrain.git ~/gbrain
  cd ~/gbrain && curl -fsSL https://bun.sh/install | bash
  export PATH="$HOME/.bun/bin:$PATH"
  bun install && bun link

API KEYS — 问用户要:
  export OPENAI_API_KEY=***          # 向量搜索必须
  export ANTHROPIC_API_KEY=***       # 可选，提升搜索质量

SET UP:
  gbrain init                        # PGLite，2秒就绪
  gbrain import ~/brain/ --no-embed
  gbrain embed --stale

Agent 会自动读文档、建目录结构、导入数据。大约 30 分钟，一个能用的大脑就跑起来了。

六种数据集成（感官系统）

GBrain 不是单纯的静态知识库，按照 Garry 的说法，它有 “感官” 。当前版本下，GBrain 通过集成的6个 recipe 自动从你的数字生活中汲取信息：

每个 recipe 都是一个自包含的安装器 — markdown 文件本身包含了安装指引、验证步骤和 cron 配置。Agent 读完 recipe 就知道该干什么。

谁需要 GBrain？

GBrain 不是给所有人的。它的价值取决于你的素材密度：

🎯 最佳用户画像：

• 投资人 / YC 创始人
  ：每天大量会议、邮件、社交，认识的人比记得住的多 100 倍
• 高管 / 管理者
  ：跨团队、跨公司协调，上下文切换频繁
• 研究员 / 深度工作者
  ：长期积累某个领域的知识，需要跨文档综合
• 已经在用 OpenClaw/Hermes 的玩家
  ：已经有 Agent，只差一个大脑

❌ 不太适合：

• 数字生活比较简单，没什么"素材"可灌的用户
• 期待开箱即用、零配置的人（安装配置还是有一定难度的 + 需要持续喂数据）

局限与下一步

向量搜索 ≠ 人脑记忆

科技博主艾略特（@elliotchen100）提出了一个很尖锐的观察：

人的记忆不是这么工作的。你突然想起一个人，不是因为他的名字跟你刚说的话向量距离近，是因为你们上次见面聊的那个话题跟你今天遇到的事有某种说不清的关联 — 可能是情绪上的，可能是因果上的，可能就是直觉。

GBrain 做到了 “存得多，找得到” 。但人类记忆中的情绪关联、因果推理、直觉跳跃，是向量相似度搜索目前无法捕捉的。

下一步的想象空间： 不需要手动灌 10,000 个文件，模型自己在注意力层直接记住跟你相关的东西，而不是事后去数据库里捞。

数据质量 > 工具质量

GBrain 跑起来的前提是你得先把这些东西灌进去。会议要录，笔记要存，日历要导。Garry 能做到是因为他有足够多的高质量素材可以喂。对大多数人来说这个门槛其实很高。

GBrain 是一个理念验证：当你的 AI Agent 拥有你全部的人生上下文，它就不再是工具，而是越来越懂你的伙伴。 但前提是，你愿不愿意先花功夫"教"它认识你的世界。

-- 完 --

机智流推荐阅读：

1. ‍

2. 

3. 

4.