YC CEO把自己第二大腦系統開源了：專供OpenClaw與Hermes，全息記憶打造迷你AGI
整理版優先睇
YC CEO Garry Tan 開源 GBrain：一個讓 AI agent 擁有持續成長記憶嘅知識底座
YC 總裁 Garry Tan 最近開源咗佢自己用嘅第二大腦系統 GBrain，呢套系統專門為 OpenClaw 同 Hermes Agent 設計，目標係解決 AI agent 點樣管理大量個人知識嘅問題。Garry 自己已經用佢管理咗超過 10000 個 Markdown 文件、3000 份人物檔案、13 年日曆數據，仲有大量會議記錄同原始想法。佢發現只要畀 agent 一個可以不斷讀取同寫入嘅知識庫，每次對話都可以累積新資訊，令 agent 愈用愈聰明。文章詳細解釋咗 GBrain 嘅核心邏輯、知識模型、搜索機制、部署方式同技能架構，最後仲提供咗 GitHub 開源連結。
GBrain 嘅核心運作係一個循環：當有新信號（會議、郵件、推文等）到來，agent 先識別入面嘅實體（人物、公司、想法），然後讀取知識庫獲取相關背景，帶住完整上下文回答問題，最後將新資訊寫入知識庫並同步索引。呢個循環每轉一圈，知識庫就積累多一層，agent 嘅記憶就會愈來愈豐富。Garry 仲加入咗「夢境循環」，即係喺佢睡覺時 agent 會自動掃描對話、補充缺失實體、修復斷開引用，令知識庫喺佢醒來時更完整。
呢個系統最值得留意嘅係佢嘅實用性同可擴展性。GBrain 用 PGLite（透過 WASM 執行嘅嵌入式 Postgres）做本地儲存，一條命令就可以初始化，完全唔需要 server。當知識庫超出本地能力，可以一鍵遷移去託管 Supa…
- GBrain 係一個可以讓 AI agent 持續累積知識嘅知識庫系統，每次對話都喺已有基礎上增加新資訊。
- 核心係一個循環：信號 → 識別實體 → 讀取知識庫 → 回答 → 寫入新資訊 → 同步索引。
- 對比傳統無記憶嘅 agent，GBrain 令 agent 隨時間愈用愈聰明，差距每日拉大。
- Garry Tan 用「夢境循環」令 agent 喺佢睡覺時自動掃描對談、修復記憶，實現真正嘅自動化知識管理。
- GBrain 開源咗，30 分鐘內可以部署，支援 MCP 協議，可以對接 Claude Code、Cursor 等工具，仲有完整嘅數據接入方案。
GBrain GitHub 項目
Garry Tan 開源嘅 GBrain 系統，MIT 協議，包含完整安裝指南、配置範例同技能文件。
背景與核心循環：點樣令 AI agent 有記憶
YC 總裁 Garry Tan 開源咗佢自己用嘅第二大腦系統 GBrain，專門為 OpenClaw 同 Hermes Agent 設計。佢嘅規模好誇張：管理緊 10000 多個 Markdown 文件、3000 多份人物檔案、13 年日曆數據、280 多份會議記錄同 300 多個原始想法。
GBrain 嘅核心邏輯係一個循環：信號到來（會議、郵件、推文）→ agent 識別實體（人物、公司、想法）→ 先讀取知識庫 → 帶住完整上下文回答 → 將新資訊寫回知識庫 → 同步索引。呢個循環每轉一圈，知識庫就積累一層。
Garry 仲加入咗 「夢境循環」：agent 喺佢睡覺時自動掃描每一次對話，補充缺失實體，修復斷開嘅引用，整合記憶。佢醒來時，知識庫比睡前更完整。
知識模型與混合搜索：點樣揾得準
GBrain 入面每一頁都遵循「已整理事實 + 時間線」嘅結構。分隔線上面係已整理事實，即係你目前對某件事嘅最佳理解，新證據出現時會整體重寫；分隔線下面係時間線，只追加唔修改。已整理事實係答案，時間線係證據。
搜索方面，系統先用 Claude Haiku 做 多查詢擴展，將問題改寫成多種表達方式，同時跑 向量搜索（HNSW 餘弦相似度）同 關鍵詞搜索（tsvector），再用 RRF 融合排名，最後經過四層去重：每頁只保留最優分塊、餘弦相似度超過 0.85 嘅合併、類型多樣性上限 60%、每頁分塊數量上限。
純關鍵詞搜索會漏概念性匹配，例如「無視常規做法」搜唔到標題叫「天才嘅公交車票理論」嘅文章；純向量搜索喺精確短語會表現變差。RRF 融合兩者兼顧，多查詢擴展則覆蓋你諗唔到嘅表達方式。
部署簡單，數據接入齊全
起步只需一條命令：gbrain init，預設用 PGLite（透過 WASM 執行嘅嵌入式 Postgres 17.5），唔需要 Supabase、Docker 或者連接字符串。當知識庫超出本地能力（1000 個文件以上），可以 gbrain migrate --to supabase 一鍵遷移到託管 Postgres。
GBrain 支援三種使用路徑：獨立命令行（直接喺終端用 gbrain query）、MCP 伺服器（對接 Claude Code、Cursor 等）、遠端 MCP 伺服器（透過 Supabase Edge Functions，可以從任何設備訪問）。
{
"mcpServers": {
"gbrain": {
"command": "gbrain",
"args": ["serve"]
}
}
}數據接入方面，GBrain 自帶多種集成：Voice-to-Brain（電話通話）、Email-to-Brain（Gmail）、X-to-Brain（推文）、Calendar-to-Brain（Google 日曆）、Meeting Sync（Circleback 會議記錄）。全部由 agent 讀取配置後向你索取 API 密鑰並自動配置。
技能文件：唔係硬編碼，而係行動手冊
GBrain 嘅 agent 行為透過 技能文件 定義，本質上係一批 Markdown 文檔，話畀 agent 點用知識庫，而唔係將邏輯硬編碼入二進制文件。技能文件包括：ingest（如何導入內容）、query（三層搜索）、maintain（定期健康檢查）、enrich（從外部 API 補充內容）、briefing（每日簡報）、migrate（從 Obsidian 等遷移）。
Garry 強調：工具本身唔夠，agent 仲需要行動手冊——幾時讀取，幾時寫入，點樣識別實體，點樣將所有內容關聯埋一齊。
項目已經喺 GitHub 開源，採用 MIT 協議。如果你都想令你嘅 AI agent 有持續成長嘅記憶，不妨試下。
YC CEO 開源咗佢自己搭建嘅OpenClaw/Hermes Agent配置GBrain，如果你希望嘅話，你嘅OpenClaw或者Hermes Agent可以完美記住曬所有10000幾個Markdown檔案，GBrain可以幫到你。
YC總裁Garry Tan啱啱開源咗佢嘅第二大腦系統GBrain，簡單來講，GBrain解決嘅係點樣用AI管理你個腦入面嘅知識。
呢套系統嘅核心思路係：讓AI agent擁有一個持續成長嘅知識庫，喺每次回答問題之前先讀取佢，對話結束之後再寫入新內容。
GBrain係咩？
GBrain係一個AI agent嘅知識底座。佢將你嘅會議記錄、電郵、推文、日曆事件、語音通話、原始想法全部匯入一個可以檢索嘅知識庫，agent喺每次回答之前會先讀取呢個知識庫，對話結束之後再寫入新資訊。每一輪對話都令agent變得更加聰明啲。
由安裝到完整運行，大約需要30分鐘。數據庫初始化只需要2秒，用PGLite，唔需要任何伺服器。
Garry Tan本人嘅部署規模：10000多個Markdown檔案、3000多份人物檔案、13年嘅日曆數據、280多份會議記錄、300多個原始想法。
目前支援Claude Opus 4.6同GPT-5.4 Thinking，唔適合喺細模型上面運行。
複利效應
GBrain嘅核心邏輯係一個循環：
信號嚟到（會議、電郵、推文、連結）→ agent識別實體（人物、公司、想法）→ 先讀取知識庫 → 帶住完整上下文回答 → 將新資訊寫返知識庫 → 同步索引，俾下次檢索使用
呢個循環每轉一圈，知識庫就積累一層。你同某人開咗個會，agent同佢建一個檔案頁，關聯到佢嘅公司，打上相關標籤。下個星期另一個人喺完全唔同嘅話題入面提到呢間公司，agent已經有咗完整背景：你同邊個傾過、傾咗啲咩、仲有邊啲未處理嘅線索。你咩都唔使做。
冇呢個循環，agent每次都從零開始。有咗佢，每次對話都喺已有基礎上累積。差距每日都喺度拉大。
GBrain答得到嘅問題例子：
• 邊個同時識Pedro同Diana，適合邀請嚟一齊食晚飯？（喺3000多個人物檔案構成嘅社交圖譜入面交叉檢索） • 我之前點樣看待「羞恥感同創始人表現之間嘅關係」？（搜你自己嘅思考記錄，唔係搜互聯網） • 30分鐘之後要同Jordan開會，幫我準備一下。（提取檔案、共同歷史、最近動態、未完事項）
呢套嘢係點樣嚟嘅
Garry Tan喺配置自己嘅OpenClaw agent嗰陣，開始維護一個Markdown知識庫：每人一頁，每間公司一頁，頂部係已整理嘅核心資訊，底部係只追加唔修改嘅時間線。隨住持續寫入，agent變得越來越有用，佢就不斷餵佢。
一個禮拜之內，佢就建立咗10000多個檔案。
佢嘅agent喺佢瞓覺嗰陣都喺度運行。所謂「夢境循環」：掃描每一次對話，補充缺失嘅實體，修復斷開嘅引用，整合記憶。佢醒嚟，知識庫比佢瞓前更加完整。詳細嘅定時任務配置見 https://github.com/garrytan/gbrain 入面嘅cron schedule指南。
知識模型
GBrain入面每一頁都跟「已整理事實 + 時間線」嘅結構：
分隔線上面係已整理事實，即係你目前對某件事嘅最佳理解，新證據出現嗰陣會整體重寫。分隔線下面係時間線，只追加，永遠唔修改。
已整理事實係答案，時間線係證據。
搜索點樣運作
問一個問題嗰陣，系統先用Claude Haiku做多查詢擴展，將呢個問題改寫成多種表達方式，然後同時跑向量搜索（HNSW餘弦相似度）同關鍵詞搜索（tsvector），再用RRF融合排名，最後經過四層去重：每頁只保留最優分塊、餘弦相似度超過0.85嘅合併、類型多樣性上限60%、每頁分塊數量上限。
純關鍵詞搜索會漏咗概念性匹配。例如「無視常規做法」搜唔到標題叫「天才嘅公交車票理論」嘅文章，但呢篇文章嘅核心啱啱就係講呢件事。純向量搜索喺精確短語上面表現會變差。RRF融合兩者兼顧，多查詢擴展就覆蓋咗你諗唔到嘅表達方式。
唔需要伺服器起步
gbrain init 默認用PGLite，呢個係經WASM運行嘅嵌入式Postgres 17.5。唔需要Supabase賬號，唔需要Docker，唔需要連接字符串。一條命令就得到完整嘅Postgres知識庫，包含pgvector、混合搜索同全部37個操作。
當知識庫規模超出本地能力（1000個檔案以上），gbrain migrate --to supabase 一鍵遷移到託管Postgres。Supabase免費層（500MB）裝唔到大規模知識庫，需要Pro版（25美元/月，8GB）。
以7500頁規模嘅知識庫為例，總存儲大約750MB，其中嵌入向量134MB，HNSW索引開銷270MB。初始嵌入成本大約4到5美元（經OpenAI text-embedding-3-large）。
三種使用方法
唔一定非要配合OpenClaw或者Hermes Agent，GBrain支援三種接入方式：
獨立命令行：全域安裝之後直接喺終端使用，gbrain query 就可以檢索筆記。
MCP伺服器：對接Claude Code、Cursor、Windsurf等，GBrain經stdio暴露30個MCP工具，包括get_page、put_page、search、query、add_link、traverse_graph、sync_brain等。配置方式：
{
"mcpServers": {
"gbrain": {
"command": "gbrain",
"args": ["serve"]
}
}
}遠端MCP伺服器：部署到Supabase Edge Functions之後，可以從任何設備、任何AI客戶端訪問，支援Claude Desktop、Perplexity、Cowork等。ChatGPT嘅OAuth 2.1支援尚未實現，自託管方案（Tailscale Funnel、ngrok）喺文檔入面有說明。
數據接入
GBrain自帶多種集成方案，由agent讀取配置文件之後向你索取API密鑰並自動完成配置：
技能檔案
GBrain嘅agent行為經技能檔案定義，本質上係一批Markdown文檔，話俾agent知點樣用知識庫，而唔係將邏輯硬編碼入二進制檔案：
• ingest：點樣導入會議、文檔、文章，更新已整理事實，追加時間線，建立交叉引用 • query：三層搜索（關鍵詞 + 向量 + 結構化），帶來源引用，唔知嘅事直接話唔知 • maintain：定期健康檢查，發現矛盾內容、過期已整理事實、孤立頁面、失效連結 • enrich：由外部API補充頁面內容 • briefing：每日簡報，包含今日會議與會者背景、活躍交易同截止日期、近期變化 • migrate：由Obsidian、Notion、Logseq等遷移過嚟
工具本身唔夠，agent仲需要行動手冊：幾時讀取，幾時寫入，點樣識別實體，點樣將所有內容關聯埋一齊。
項目地址：
https://github.com/garrytan/gbrain ，
MIT協議開源。
--end--
最後記得⭐️我，每日都喺更新：如果覺得文章仲唔錯嘅話可以點贊轉發推薦評論
/...@作者：你講得完全正確（YAR師）
YC CEO 開源自己搭建OpenClaw/Hermes Agent 配置GBrain，如果你希望你的 OpenClaw 或 Hermes Agent 能夠完美地記住所有 10,000 多個 markdown 文件，GBrain 可以幫到你。
YC總裁Garry Tan剛剛開源了他的第二大腦系統GBrain，簡單來說GBrain 解決的是怎麼用 AI 管理你腦子裏的知識。
這套系統的核心思路是：讓AI agent擁有一個持續成長的知識庫，在每次回答問題前先讀取它，對話結束後再寫入新內容。
GBrain是什麼
GBrain是一個AI agent的知識底座。它把你的會議記錄、郵件、推文、日曆事件、語音通話、原始想法統統匯入一個可檢索的知識庫，agent在每次回答前會先讀取這個知識庫，對話結束後再寫入新信息。每一輪對話都讓agent變得更聰明一些。
從安裝到完整運行，約需30分鐘。數據庫初始化只需2秒，使用PGLite，無需任何服務器。
Garry Tan本人的部署規模：10000多個Markdown文件、3000多份人物檔案、13年的日曆數據、280多份會議記錄、300多個原始想法。
目前支持Claude Opus 4.6和GPT-5.4 Thinking，不適合在小模型上運行。
複利效應
GBrain的核心邏輯是一個循環：
信號到來（會議、郵件、推文、連結）→ agent識別實體（人物、公司、想法）→ 先讀取知識庫 → 帶着完整上下文回答 → 把新信息寫回知識庫 → 同步索引，供下次檢索使用
這個循環每轉一圈，知識庫就積累一層。你跟某人開了個會，agent給他建一個檔案頁，關聯到他的公司，打上相關標籤。下週另一個人在完全不同的話題裏提到這家公司，agent已經有了完整背景：你跟誰談過、談了什麼、還有哪些待處理的線索。你什麼都不用做。
沒有這個循環，agent每次都從零開始。有了它，每次對話都在已有基礎上累積。差距每天都在拉大。
GBrain能回答的問題示例：
• 誰同時認識Pedro和Diana，適合邀請來一起吃晚飯？（在3000多個人物檔案構成的社交圖譜裏交叉檢索） • 我之前怎麼看待"羞恥感和創始人表現之間的關係"？（搜索你自己的思考記錄，不是搜互聯網） • 30分鐘後要跟Jordan開會，幫我準備一下。（調取檔案、共同歷史、最近動態、未完事項）
這套東西是怎麼來的
Garry Tan在配置自己的OpenClaw agent時，開始維護一個Markdown知識庫：每人一頁，每家公司一頁，頂部是已整理的核心信息，底部是隻追加不修改的時間線。隨着持續寫入，agent變得越來越有用，他也就一直在餵它。
一週內，他就建起了10000多個文件。
他的agent在他睡覺時也在運行。所謂"夢境循環"：掃描每一次對話，補充缺失實體，修復斷開的引用，整合記憶。他醒來，知識庫比他睡前更完整。詳細的定時任務配置見 https://github.com/garrytan/gbrain 中的cron schedule指南。
知識模型
GBrain裏每一頁都遵循"已整理事實 + 時間線"的結構：
分隔線上方是已整理事實，即你當前對某件事的最佳理解，新證據出現時會整體重寫。分隔線下方是時間線，只追加，永不修改。
已整理事實是答案，時間線是證據。
搜索怎麼工作
查詢一個問題時，系統先用Claude Haiku做多查詢擴展，把這個問題改寫成多種表達方式，然後同時跑向量搜索（HNSW餘弦相似度）和關鍵詞搜索（tsvector），再用RRF融合排名，最後經過四層去重：每頁只保留最優分塊、餘弦相似度超過0.85的合併、類型多樣性上限60%、每頁分塊數量上限。
純關鍵詞搜索會漏掉概念性匹配。比如"無視常規做法"搜不到標題叫"天才的公交車票理論"的文章，但這篇文章的核心恰好就是講這件事。純向量搜索在精確短語上表現會變差。RRF融合兩者兼顧，多查詢擴展則覆蓋你沒想到的表達方式。
不需要服務器起步
gbrain init 默認使用PGLite，這是通過WASM運行的嵌入式Postgres 17.5。無需Supabase賬號，無需Docker，無需連接字符串。一條命令就能獲得完整的Postgres知識庫，含pgvector、混合搜索和全部37個操作。
當知識庫規模超出本地能力（1000個文件以上），gbrain migrate --to supabase 一鍵遷移到託管Postgres。Supabase免費層（500MB）裝不下大規模知識庫，需要Pro版（25美元/月，8GB）。
以7500頁規模的知識庫為例，總存儲約750MB，其中嵌入向量134MB，HNSW索引開銷270MB。初始嵌入成本約4到5美元（通過OpenAI text-embedding-3-large）。
三種使用路徑
不一定非要配合OpenClaw或Hermes Agent，GBrain支持三種接入方式：
獨立命令行：全局安裝後直接在終端使用，gbrain query 即可檢索筆記。
MCP服務器：對接Claude Code、Cursor、Windsurf等，GBrain通過stdio暴露30個MCP工具，包括get_page、put_page、search、query、add_link、traverse_graph、sync_brain等。配置方式：
{
"mcpServers": {
"gbrain": {
"command": "gbrain",
"args": ["serve"]
}
}
}遠程MCP服務器：部署到Supabase Edge Functions後，可以從任何設備、任何AI客戶端訪問，支持Claude Desktop、Perplexity、Cowork等。ChatGPT的OAuth 2.1支持尚未實現，自託管方案（Tailscale Funnel、ngrok）在文檔中有說明。
數據接入
GBrain自帶多種集成方案，由agent讀取配置文件後向你索取API密鑰並自動完成配置：
技能文件
GBrain的agent行為通過技能文件定義，本質上是一批Markdown文檔，告訴agent如何使用知識庫，而不是把邏輯硬編碼進二進制文件：
• ingest：如何導入會議、文檔、文章，更新已整理事實，追加時間線，建立交叉引用 • query：三層搜索（關鍵詞 + 向量 + 結構化），帶來源引用，不知道的事直接說不知道 • maintain：定期健康檢查，發現矛盾內容、過期已整理事實、孤立頁面、失效連結 • enrich：從外部API補充頁面內容 • briefing：每日簡報，包含今日會議參與者背景、活躍交易及截止日期、近期變化 • migrate：從Obsidian、Notion、Logseq等遷移過來
工具本身不夠，agent還需要行動手冊：何時讀取，何時寫入，如何識別實體，如何把所有內容關聯起來。
項目地址：
https://github.com/garrytan/gbrain ，
MIT協議開源。
--end--
最後記得⭐️我，每天都在更新：如果覺得文章還不錯的話可以點贊轉發推薦評論
/...@作者：你說的完全正確（YAR師）