GBrain

你的 AI 智能体很聪明，但记性很差。GBrain 就是为它装上一颗“大脑”。

由 Y Combinator 总裁兼 CEO 打造，用于运行他本人真实使用的 AI 智能体。目前支撑其 OpenClaw 和 Hermes 部署的生产级大脑数据规模：17,888 页文档、4,383 位人物、723 家公司，21 个定时任务自动运行，12 天完成搭建。 在你睡觉时，智能体就会自动吸收会议、邮件、推文、语音通话和原创想法，为遇到的每一个人物、公司补充信息，夜间自动修复引用、整合记忆。等你醒来，这颗大脑会比你入睡前更聪明。

这颗大脑会自我构建知识网络。每一次写入页面都会提取实体引用，并创建带类型的关联关系（出席、任职、投资、创立、担任顾问），全程无需调用大模型。支持混合检索、自构建知识图谱、结构化时间线、反向链接增强排序。 你可以问“谁在 Acme AI 工作？”或“鲍勃本季度投资了什么？”，得到仅靠向量搜索无法实现的答案。 端到端基准测试结果：在 240 页由 Opus 生成的优质散文语料上，Recall@5 从 83% 提升至 95%，Precision@5 从 39% 提升至 45%，智能体前 5 条检索结果中多命中 30 个正确答案。纯图谱检索 F1 值：86.6%，对比 grep 仅 57.8%（提升 28.8 个百分点）。完整报告

GBrain 将这套模式通用化，内置 26 项能力，30 分钟即可完成安装。你的智能体将接管后续工作。随着加里本人的私人智能体不断进化，你的也会同步变强。

约 30 分钟，即可拥有一颗完整可用的大脑。 数据库 2 秒就绪（基于 PGLite，无需独立服务）。你只需回答几个关于 API 密钥的问题即可。

---

安装

在智能体平台安装（推荐）

GBrain 设计为由 AI 智能体自主安装与运行。如果你还没有运行中的智能体：

• OpenClaw → 在 Render 一键部署 AlphaClaw（需 8GB 以上内存）
• Hermes Agent → 在 Railway 一键部署 模板

将以下内容粘贴给你的智能体：

12
Retrieve and follow the instructions at:https://raw.githubusercontent.com/garrytan/gbrain/master/INSTALL_FOR_AGENTS.md

完成。智能体会克隆仓库、安装 GBrain、搭建大脑、加载 26 项能力并配置定时任务。你只需回答几个 API 密钥相关问题，全程约 30 分钟。

独立 CLI（无需智能体）

bash
1234
git clone https://github.com/garrytan/gbrain.git && cd gbrain && bun install && bun linkgbrain init                     # 本地大脑，2 秒就绪gbrain import ~/notes/          # 索引你的 Markdown 文件gbrain query "我的笔记中出现了哪些主题？"

返回示例：

1234567891011
3 条结果（混合检索，0.12 秒）： 1. concepts/do-things-that-dont-scale（得分：0.94）   保罗·格雷厄姆的观点：非规模化投入能让你了解用户真实需求。   [来源：paulgraham.com，2013-07-01] 2. originals/founder-mode-observation（得分：0.87）   深度参与并非微观管理，前提是它能拓展团队认知边界。 3. concepts/build-something-people-want（得分：0.81）   YC 座右铭。与大脑中 12 个其他页面关联。

MCP 服务（支持 Claude Code、Cursor、Windsurf）

GBrain 通过标准输入输出暴露 30+ 个 MCP 工具：

json
12345
{  "mcpServers": {    "gbrain": { "command": "gbrain", "args": ["serve"] }  }}

添加到 ~/.claude/server.json（Claude Code）、设置 > MCP 服务（Cursor）或你所用客户端的 MCP 配置中。

远程 MCP（支持 Claude Desktop、Cowork、Perplexity）

bash
123
ngrok http 8787 --url your-brain.ngrok.appbun run src/commands/auth.ts create "claude-desktop"claude mcp add gbrain -t http https://your-brain.ngrok.app/mcp -H "Authorization: Bearer TOKEN"

各客户端使用指南：docs/mcp/。ChatGPT 需要 OAuth 2.1（暂未实现）。

---

26 项核心能力

GBrain 内置 26 项能力，按 skills/RESOLVER.md 进行组织。解析器会告诉智能体不同任务该调用哪项能力。

能力文件本身就是代码。这是完成知识工作最高效的方式。一份能力文件是一份完整的 Markdown 文档，编码了整套工作流：触发条件、检查项、与其他能力的串联方式、质量标准。智能体读取能力文件并执行。能力还可调用 GBrain 内置的确定性 TypeScript 代码（检索、导入、嵌入、同步），处理不适合交给大模型判断的环节。 轻量运行时，厚重能力集：智能核心在能力本身，而非运行环境。

常驻能力

内容导入

大脑运营

运营管理

身份与初始化

通用规范

skills/conventions/ 中的跨领域规则：

• quality.md：引用、反向链接、重要性门槛、来源标注
• brain-first.md：调用外部 API 前的 5 步查询流程
• model-routing.md：不同任务对应使用的模型
• test-before-bulk.md：批量操作前先测试 3–5 条数据
• cross-modal.yaml：校验配对与拒绝路由链

---

工作原理

1234567
信号传入（会议、邮件、推文、链接）  -> 信号检测器捕捉想法 + 实体（并行执行，不阻塞）  -> 大脑操作：优先查询大脑（gbrain search, gbrain get）  -> 结合完整上下文响应  -> 写入：用新信息+引用更新大脑页面  -> 自动关联：每次写入均提取带类型的关系（无需大模型）  -> 同步：gbrain 为下次查询索引变更

每一轮循环都在积累知识。会议后智能体会完善人物页面，下次提及此人时已具备完整上下文。差距会日复一日持续放大。

系统会自主进化。实体增强自动升级：被提及一次的人物会创建简易页面（3 级）；在 3 个不同来源被提及后，自动补充网络与社交信息（2 级）；参与会议或被提及 8 次以上，启动完整增强流程（1 级）。大脑无需指令即可识别重要人物。 确定性分类器通过“失败-优化”循环持续改进，记录所有大模型回退场景，并从失败中生成更优的正则表达式。 gbrain doctor 会展示进化轨迹：“意图分类器：87% 确定性执行，较首周 40% 提升”。

“30 分钟后帮我准备与乔丹的会议” …自动调取档案、共同经历、近期动态、未结事项

“我曾如何看待羞耻感与创始人表现的关系？” …检索你的思考记录，而非互联网内容

---

Minions（子任务）：你的子智能体再也不会丢失任务

大脑内置基于 Postgres 的持久化任务队列。所有长时间运行的智能体任务都会转为可耐受网关重启、实时推送进度、支持中途暂停/恢复/干预的任务，并在 gbrain jobs list 中可见。无需额外基础设施，仅依赖现有大脑。

关键生产数据

以下是我个人 OpenClaw 部署环境：单个 Render 容器，Supabase Postgres 承载 45,000 页大脑，19 个定时任务正常运行，承载真实日常网关负载。 任务：从外部 API 拉取一个月的社交帖子，完整导入大脑并生成结构化页面。

在 19 个定时任务负载下，子智能体启动无法突破 10 秒网关限制。Minions 一秒内完成且零 Token 消耗。 扩展性：36 个月共 19,240 条帖子，单 Bash 循环执行，总耗时约 15 分钟，成本 $0.00。 子智能体方案：最优约 9 分钟，Token 成本 ~$1.08，启动失败率 ~40%。 实验室测试：无限持久化（执行中强制 SIGKILL，10 次均成功恢复），吞吐量提升约 10 倍，分发能力提升约 21 倍且无失败瓶颈，内存占用降低约 400 倍。

完整基准测试：生产环境、实验室。

路由规则

确定性任务（相同输入→相同步骤→相同输出）→ Minions 判断性任务（输入需要评估与决策）→ 子智能体

拉取帖子、解析 JSON、写入大脑页面、执行同步——均为确定性任务，零 Token、耐受重启、毫秒级执行。 收件箱分类、评估会议优先级、判断陌生邮件是否回复——属于判断任务，这才是子智能体的擅长场景。 minion_mode: pain_triggered（默认）自动完成路由。

解决的问题

六大日常痛点——任务风暴、智能体无响应、任务丢失、执行中网关崩溃、失控子任务、调试混乱——全部源于“用推理模型做确定性工作”的错误设计。 Minions 从根源解决问题：限制最大子任务数、超时设置+终止信号、子任务完成收件箱、完整任务溯源、Postgres 持久化与停滞检测、递归级联取消。 同时支持幂等键、附件校验、自动清理、gbrain jobs smoke 半秒验证安装。

bash
1234
gbrain jobs smoke                        # 验证安装gbrain jobs submit sync --params '{}'    # 提交后台任务gbrain jobs stats                        # 健康监控面板gbrain jobs work --concurrency 4         # 启动工作进程（仅 Postgres）

阅读 skills/minion-orchestrator/SKILL.md 了解父子任务依赖、结果聚合、收件箱干预等功能。

Minions 对子智能体后台任务的提升并非渐进式，而是本质性的。 753 毫秒 vs 网关超时；零成本 vs Token 消耗；100% 成功 vs 无法启动。 如果你的智能体需要定时执行确定性工作，现在起交给 Minions。

---

Skillify：能力树不再是黑盒

Hermes 等同类智能体框架会在后台自动生成能力，但久而久之你将无法知晓智能体实际执行了什么。清单失效、测试漂移、解析规则过时。六个月后，你会得到一堆无人阅读、无人测试、不知是否可用的“能力”。

GBrain 提供同等能力，但始终让人类掌握控制权。

• /skillify：将原始代码转为标准化能力：SKILL.md + 确定性脚本 + 单元测试 + 集成测试 + 大模型评估 + 解析触发规则 + 触发规则评估 + 端到端校验 + 大脑归档。共 10 项，全部必填。
• gbrain check-resolvable：遍历整颗能力树，检查可达性、不重叠性、冗余违规、缺口检测、孤立能力，异常时非零退出。
• scripts/skillify-check.ts：机器可读审计，--json 用于 CI，--recent 查看近 7 天文件。

由你决定时间与内容，工具保证流程规范。

为何这是 OpenClaw 的正确方案

自动生成的能力一旦出错就是隐患。问题出在能力？测试？触发规则？评估？你无从知晓，因为从未阅读过。调试黑盒全靠猜测。

Skillify 让黑盒变得透明。树中每一项能力都有：契约（SKILL.md）、验证契约的测试、评估大模型输出的标准、用户可触发的解析规则、校验路由正确性的测试。一旦出错，可精准定位问题层级。check-resolvable 会提示过期内容。

实际效果：零孤立能力，所有功能均附带测试+评估+触发规则+触发校验。质量持续积累，而非混乱不断叠加。

bash
12345678
# 审计功能的能力完整性（10 项清单）bun run scripts/skillify-check.ts src/commands/publish.ts # CI 流程：新功能未标准化则构建失败bun run scripts/skillify-check.ts --json --recent # 上线前校验整颗能力树gbrain check-resolvable

Skillify 并非锦上添花，而是让能力树在长期迭代中保持可用的核心组件。 阅读 skills/skillify/SKILL.md 查看完整 10 项清单与可识别的反模式。

---

数据导入

GBrain 内置集成模板，由智能体自动配置。每个模板会告知智能体需要的凭证、校验方式与注册的定时任务。

数据研究模板可从邮件中提取结构化数据到可追踪大脑页面，内置投资人周报（MRR、ARR、现金流、人数）、支出追踪、公司指标模板。使用 gbrain research init 自定义模板。

执行 gbrain integrations 查看状态。

---

GBrain + GStack

GStack 是引擎，GBrain 是扩展模块。

• GStack：编码能力（开发、评审、质检、排查、办公、复盘），7 万+ Star，日均 3 万开发者使用。智能体自主迭代时使用 GStack。
• GBrain：其他所有能力（大脑运营、信号检测、导入、增强、定时、报告、身份）。智能体记忆、思考、执行时使用 GBrain。
• hosts/gbrain.ts：桥梁，告知 GStack 编码能力在开发前先查询大脑。

gbrain init 会检测 GStack 是否安装并报告模块状态，未安装时会给出安装指引。

---

架构

1234567891011
┌──────────────────┐    ┌───────────────┐    ┌──────────────────┐│   大脑仓库       │    │    GBrain     │    │    AI 智能体     ││   (git)         │    │  （检索层）   │    │  （读写执行）   ││                  │    │               │    │                  ││  Markdown 文件   │───>│  Postgres +   │<──>│  26 项能力      ││  = 事实数据源    │    │  pgvector     │    │  定义大脑使用方式││                  │<───│               │    │                  ││  人类可直接     │    │  混合检索      │    │  RESOLVER.md     ││  读写编辑       │    │ （向量+关键词 │    │  意图路由至能力  ││                  │    │   + 排序融合）│    │                  │└──────────────────┘    └───────────────┘    └──────────────────┘

仓库是事实来源，GBrain 是检索层，智能体通过两者读写，人类始终拥有最高权限……编辑任意 Markdown 文件后执行 gbrain sync 即可同步变更。

---

知识模型

所有页面遵循“核心结论 + 时间线”模式：

markdown
1234567891011121314
---type: concepttitle: 做非规模化的事tags: [创业, 增长, pg-文章]--- 保罗·格雷厄姆的观点：创业早期应做非规模化的事。核心洞见：非规模化投入能让你了解用户真实需求，这是其他方式无法实现的。 --- - 2013-07-01：发布于 paulgraham.com- 2024-11-15：在 W25 批次启动演讲中引用

--- 上方：核心结论，当前最优认知，新证据出现时可重写。 下方：时间线，只追加不修改，作为证据链留存。

---

知识图谱

页面不只是文本。每提及一个人物、公司、概念，都会在结构化图谱中生成带类型的链接，大脑自我组网。

12345678910
写入提及爱丽丝与 Acme AI 的会议页面  -> 自动从内容提取实体引用（无需大模型）  -> 推断关系类型：     会议页面+人物引用 → `attended（出席）`     “X 的 CEO” 句式 → `works_at（任职）`     “invested in” → `invested_in（投资）`     “advises/advisor” → `advises（担任顾问）`     “founded/co-founded” → `founded（创立）`  -> 清理过期链接：编辑后移除不再出现的关联  -> 反向链接提升关联紧密实体的检索排名

bash
12
gbrain graph-query people/alice --type attended --depth 2# 返回爱丽丝间接见过的人

图谱可回答纯向量搜索无法解决的问题：“谁在 Acme AI 工作？”“鲍勃投资了什么？”“爱丽丝与卡罗尔有什么关联？”。 单条命令补全已有大脑关联：

bash
12
gbrain extract links --source db        # 为现有 2.9 万页面建立关联gbrain extract timeline --source db     # 从 Markdown 时间线提取日期事件

之后即可执行图谱查询，或观察检索排名提升。 基准测试：Recall@5 从 83% 提升至 95%，Precision@5 从 39% 提升至 45%，前 5 条结果多命中 30 个正确答案，纯图谱 F1 达 86.6%，对比 grep 57.8%（+28.8 百分点）。 详见 docs/benchmarks/2026-04-18-brainbench-v1.md。

---

检索

混合检索：向量 + 关键词 + 排序融合 + 多查询扩展 + 四层去重。

12345678
查询  -> 意图分类（实体？时间？事件？通用？）  -> 多查询扩展（Claude Haiku）  -> 向量检索（HNSW 余弦）+ 关键词检索（tsvector）  -> 排序融合：得分 = sum(1/(60 + 排名))  -> 余弦重打分 + 核心结论权重提升  -> 四层去重 + 核心结论保底  -> 返回结果

纯关键词遗漏概念匹配，纯向量遗漏精确短语，排序融合兼顾两者。 检索质量可基准测试与复现：gbrain eval --qrels queries.json 计算精确率、召回率、平均倒数排名、归一化折损累计增益。部署前可 A/B 测试配置变更。

---

成功关键：多策略协同

大脑并非单一技巧。每个检索请求都会经过约 20 层确定性技术叠加。没有单点魔法，胜利来自层层互补。

12345678910111213141516171819202122232425262728293031323334353637
问题  │  ├─ 导入（每次页面写入）  │    ├─ 递归 Markdown 分块（或语义/大模型引导）  │    ├─ 编辑时嵌入缓存失效  │    └─ 幂等导入（内容哈希去重）  │  ├─ 图谱提取（自动关联，零大模型）  │    ├─ 实体引用正则（Markdown 链接+路径）  │    ├─ 代码块过滤（避免代码内误判路径）  │    ├─ 类型推断 cascade（创立→投资→顾问→任职）  │    ├─ 页面角色先验（合作方介绍→投资关系）  │    ├─ 页面内去重（同一目标合并为单链接）  │    ├─ 过期链接清理（编辑同步移除）  │    └─ 多类型链接约束（同一人可任职+顾问）  │  ├─ 检索流程（每次查询）  │    ├─ 意图分类（实体/时间/事件/通用，自动路由）  │    ├─ 多查询扩展（轻量模型改写 3 种问法）  │    ├─ 向量检索（OpenAI 嵌入 HNSW 余弦）  │    ├─ 关键词检索（Postgres 全文检索）  │    ├─ 排序融合（多源排名加权求和）  │    ├─ 余弦重打分（按真实查询嵌入重排）  │    ├─ 核心结论权重（结论高于时间线噪音）  │    ├─ 反向链接权重（关联紧密排名更高）  │    └─ 源去重（单页面仅保留一条核心结论）  │  ├─ 图谱遍历（关系查询）  │    ├─ 递归查询+防环（访问数组校验）  │    ├─ 类型过滤（任职、出席等）  │    ├─ 方向控制（入/出/双向）  │    └─ 深度限制（远程 MCP ≤10，防滥用）  │  └─ 智能体工作流（图谱优先混合模式）       ├─ 优先图谱查询（高精度结构化答案）       ├─ 图谱无结果时回退关键词       └─ 图谱结果优先进入 Top-K（提升精确率与召回率）

在 BrainBench v1 语料库（240 页优质文本，PR #188 前后对比）端到端测试：

另通过 5 项能力校验（身份解析、时间查询、万页级性能、异常输入鲁棒性、MCP 契约），全部通过。完整报告。

核心逻辑：每种技术覆盖其他技术的盲区。向量遗漏路径引用，关键词补足；关键词遗漏语义匹配，向量补足。排序融合取两者最优。核心结论权重过滤噪音。自动关联构建图谱提升排名。图谱遍历解决检索盲区。智能体图谱优先保证精度，关键词回退保证召回。全程确定性、协同工作、可量化。

---

语音功能

拨打一个电话号码，你的 AI 会接听。它知道来电人身份，从大脑调取完整上下文，像熟悉你所有事务的人一样对话。通话结束后，自动生成带转录、实体识别、交叉引用的大脑页面。

查看演示

语音方案随 GBrain 内置：Voice-to-Brain。WebRTC 可在浏览器标签页零配置使用，真实电话号码可选。

---

引擎架构

12345678910111213141516
CLI / MCP 服务     （轻量封装，操作一致）              |      大脑引擎接口（可插拔）              |     +--------+--------+     |                  |PGLite 引擎       Postgres 引擎 （默认）          （Supabase）     |                  |~/.gbrain/           Supabase Pro（$25/月）brain.pglite         Postgres + pgvector内嵌 PG 17.5      gbrain migrate --to supabase|pglite         （双向迁移）

PGLite：内嵌 Postgres，无独立服务、零配置。当大脑超过本地容量（1000+ 文件、多设备），执行 gbrain migrate --to supabase 无缝迁移。

---

文件存储

大脑仓库会积累二进制文件，GBrain 支持三阶段迁移：

bash
1234
gbrain files mirror <dir>       # 复制到云端，本地保留gbrain files redirect <dir>     # 本地替换为 .redirect 指针gbrain files clean <dir>        # 删除指针，仅云端存储gbrain files restore <dir>      # 下载回本地（撤销）

存储后端：S3 兼容（AWS、R2、MinIO）、Supabase Storage 或本地。

---

命令清单

12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455
初始化  gbrain init [--supabase|--url]        创建大脑（默认 PGLite）  gbrain migrate --to supabase|pglite   双向引擎迁移  gbrain upgrade                        自更新与功能发现 页面操作  gbrain get <slug>                     读取页面（模糊匹配）  gbrain put <slug> [< file.md]         写入/更新（自动版本）  gbrain delete <slug>                  删除页面  gbrain list [--type T] [--tag T]      过滤列表 检索  gbrain search <query>                 关键词检索  gbrain query <question>              混合检索（向量+关键词+融合） 导入  gbrain import <dir> [--no-embed]      导入 Markdown（幂等）  gbrain sync [--repo <path>]           Git 到大脑增量同步  gbrain export [--dir ./out/]          导出为 Markdown 文件  gbrain files list|upload|sync|verify  文件存储操作 嵌入  gbrain embed [<slug>|--all|--stale]   生成/刷新嵌入向量 链接与图谱  gbrain link|unlink|backlinks          交叉引用管理  gbrain extract links|timeline|all     批量补全关联                                        (--source db|fs, --type, --since, --dry-run)  gbrain graph-query <slug>             图谱遍历（--type T --depth N                                        --direction in|out|both） 任务（Minions）  gbrain jobs submit <name> [--params JSON] [--follow]  提交后台任务  gbrain jobs list [--status S] [--queue Q]             过滤任务列表  gbrain jobs get|cancel|retry|delete <id>              任务生命周期管理  gbrain jobs prune [--older-than 30d]                  清理完成/失效任务  gbrain jobs stats                                     任务健康面板  gbrain jobs smoke                                     一键健康检查  gbrain jobs work [--queue Q] [--concurrency N]        启动工作进程 管理  gbrain doctor [--json] [--fast]       健康检查（解析器、能力、数据库、嵌入）  gbrain doctor --fix                   自动修复解析器问题  gbrain stats                          大脑统计  gbrain serve                          MCP 服务（标准 IO）  gbrain integrations                   集成面板  gbrain check-backlinks check|fix      反向链接校验  gbrain lint [--fix]                   大模型痕迹检测  gbrain repair-jsonb [--dry-run]       修复 v0.12.0 双编码 JSONB（Postgres）  gbrain orphans [--json] [--count]     查找零入链孤立页面  gbrain transcribe              音频转录（Groq Whisper）  gbrain research init <name>           创建数据研究模板  gbrain research list                  查看可用模板

执行 gbrain --help 查看完整参考。

---

起源故事

我在搭建 OpenClaw 智能体时，创建了一个 Markdown 大脑仓库。一人一页、一公司一页，上半部分核心结论，下半部分时间线。一周内：10,000+ 文件、3,000+ 人物、13 年日历数据、280+ 会议转录、300+ 原创想法。

智能体在我睡眠时运行，夜间循环扫描所有对话、补全实体、修复引用、整合记忆。我醒来时，大脑已经比入睡前更聪明。

本仓库中的能力，是这套模式的通用化版本。我花 11 天手动搭建的系统，现在作为扩展包，你 30 分钟即可安装使用。

---

文档

智能体使用：

• skills/RESOLVER.md：从这里开始，能力调度中心
• 单个能力文件：25 个独立指令集
• GBRAIN_SKILLPACK.md：传统参考架构
• Getting Data In：集成模板与数据流
• GBRAIN_VERIFY.md：安装验证

人类使用：

• GBRAIN_RECOMMENDED_SCHEMA.md：大脑仓库目录结构
• Thin Harness, Fat Skills：架构理念
• ENGINES.md：可插拔引擎接口

参考：

• GBRAIN_V0.md：完整产品规格
• CHANGELOG.md：版本历史

基准测试：

• BrainBench v1 (PR #188)：240 页文本全面前后对比报告，7 大分类：关系查询、身份解析、时间查询、性能、鲁棒性、MCP 契约。

---

贡献

查看 CONTRIBUTING.md。执行 bun test 运行单元测试，端到端测试需启动带 pgvector 的 Postgres，执行 bun run test:e2e 后销毁。

欢迎提交以下 PR：新增强接口、性能优化、额外引擎后端、遵循 skills/skill-creator/SKILL.md 标准的新能力。

---

开源协议

MIT 许可证