还记得之前那个特别火的 GStack 吗？Y Combinator 现任总裁兼 CEO Garry Tan 开源的那套专门给 AI 写代码用的 Skill 工作流，目前 7 万+ Star。

苏米注：Garry Tan 确实是 AI Agent 领域的先行者。他的 GStack 项目我每天也在用，现在 GBrain 补齐了记忆短板，这套组合拳很有杀伤力。

就在前几天，他又甩出来一个新项目，叫 GBrain。

这次解决的是另一个老大难：AI Agent 的金鱼脑问题——解决每次开聊都从零开始的问题，昨天告诉它的事今天就当没发生过。

GBrain 干的事就一句话：给你的 AI Agent 装一个能持续变聪明的长期记忆。

这个项目 4 月初开源，十几天就拿了 9K+ Star。作者本人就用它跑自己日常的真实 Agent：目前里面已经有 17888 个页面、4383 个人物、723 家公司、21 个定时任务全自动运转。

整套东西他只用了 12 天就搭出来了。

开源项目简介

GBrain 是给 AI Agent 用的长期记忆系统。你的 Agent 接入它之后，会在你睡觉的时候自己变聪明。

自动消化你的会议记录、邮件、推特、语音通话和你随手记下的想法，顺手帮你补全每个出现过的人和公司的资料，还会自己修复坏掉的引用、整理凌乱的记忆。

第二天你起床，这个脑子已经比你昨晚睡前更聪明了。

开源地址：github.com/garrytan/gbrain

和之前的 GStack 什么关系？

GStack 教 Agent 怎么写代码，GBrain 教 Agent 怎么记事和思考。

两个项目可以独立用，也能合体。开源项目里有个 hosts/gbrain.ts 就是那座桥，装上之后 GStack 的编码 Skill 在动手写代码前会先查一下脑子，看看你之前是不是讨论过、决定过什么。

如果你已经在用 GStack，装上 GBrain 基本就拼出 Garry Tan 自己那套完整工作流了：一个管手，一个管脑。

4 个核心亮点

亮点一：25 个 Skill 即插即用

GBrain 自带 25 个 Skill，装上就能用，按用途分了几类。

里面有两个是永远在线的：

• signal-detector：每条新消息进来都会顺手起一个便宜的小模型在后台跑，把你随口说的观点和提到的人/公司都抓出来。脑子是在你不知不觉中长大的。
• brain-ops：Agent 回答之前会先去脑子里查一遍，查不到再去调外部 API。这就解决了 AI 经常瞎编的问题：查不到它会直接告诉你脑子里没这个信息，而不是给你胡诌一段。

剩下的还有内容摄入类（会议、邮件、推特、PDF、视频、GitHub 仓库全吃）和运维类（cron 调度、每日简报、引用自检、过期页面巡检），完全是一套自治系统。

亮点二：Compiled Truth + Timeline 知识模型

这个设计挺顶的，值得单独拎出来讲。

每个 brain page 分两层：

• Compiled Truth：当前最佳理解，可以被随时改写。比如你对某个朋友的认知，会随着新的接触不断刷新。
• Timeline：只追加不删除，记录每条原始证据。

为啥这么设计？因为既要让认知能进化，又不能丢历史。AI 之前的笔记类工具要么覆盖式更新，要么纯追加，查的时候一团乱，GBrain 这个分层算是把两边的好处都拿了。

亮点三：混合搜索 + 实体自动升级

搜索这块用的是向量 + 关键词 + RRF 融合 + 多查询扩展 + 4 层去重。

简单讲：关键词搜索能精准命中原话，向量搜索能找到意思相近的内容，两个一起上再融合排序，基本不会漏。

更有意思的是它的实体自动升级机制：

• 同一个人在你的资料里被提到 1 次，只生成一个 stub 页面
• 提到 3 次以上，系统自动联网补料，从 LinkedIn、Twitter、公司主页等地方拉信息回来
• 提到 8 次以上，或者你跟他开过会，直接走完整管线，生成一份详细 dossier

脑子自己学谁重要，不需要你手动标。

它还有个 fail-improve 循环：每次 LLM 兜底分类的时候都会被记录下来，系统自动从这些记录里生成更好的正则，意图分类器从第一周的 40% 确定性涨到了 87%。脑子自己在变得更便宜更准。

亮点四：能打电话的脑子

这个功能听起来有点科幻，但配方就在仓库里。

集成 Twilio + OpenAI Realtime，你打电话进去，AI 接起来的时候已经从脑子里把对方的全部上下文拉出来了：你们上次聊了啥、之前合作过什么项目、还有哪些未结的话题。

通话结束之后，自动生成一个 brain page，里面有完整转录、自动识别的实体、和已有页面的交叉引用。下次再聊到这个人的时候，脑子已经记住了这通电话。

如何部署

GBrain 设计的时候就是要让 AI Agent 自己装的，所以官方最推荐的方式是把一段 prompt 丢给你的 Agent 让它自己搞。

路线 A：让 Agent 自己装

如果你已经在跑 OpenClaw 或 Hermes Agent，直接把下面这段贴进去：

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

剩下的 Agent 自己来：克隆仓库、装 GBrain、建脑子、加载 25 个 Skill、配好定时任务。你只需要回答几个 API Key 的问题，大概 30 分钟搞定。

路线 B：本地 CLI 玩玩

不想搞这么重，先在本地体验一下也行：

# 克隆项目
git clone https://github.com/garrytan/gbrain.git && cd gbrain && bun install && bun link

# 初始化本地脑子，2 秒拉起
gbrain init

# 把你的笔记导进去
gbrain import ~/notes/

# 查询分析
gbrain query "我的笔记里反复出现的主题是什么？"

默认用 PGLite，也就是嵌入式 Postgres，不用启服务、零配置。

等你的脑子长大了，超过 1000 个文件，或者要多设备同步，一条 gbrain migrate --to supabase 就能把所有东西迁到 Supabase 上。

路线 C：接入 Claude Code / Cursor

GBrain 自带 30+ 个 MCP 工具，通过 stdio 暴露，直接接进 Claude Code、Cursor、Windsurf 都行。

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

接完之后，你在 Claude Code 里写代码的时候，Claude 就能直接读你脑子里的内容了。比如你之前关于某个架构决策的讨论、某个人提到的偏好、某次会议的结论，都能被随手调出来。

总结与启发

GBrain 最值得借鉴的其实不是代码，而是它背后的设计哲学，叫 Thin Harness，Fat Skill：意思是把智能放在 Skill 里，Runtime 越薄越好。

这条思路最近在 Claude Code 圈子里讨论很多，Garry Tan 自己也发过一条推说 Skill 文件就是代码，是目前做知识工作最强的载体。

GStack 和 GBrain 这两个项目都是这条哲学的实践，一个用 Skill 实现编码工作流，一个用 Skill 实现记忆和运营，Runtime 都很轻。

苏米注：Garry Tan 那条"Skill files are code"的推文，值得专门去翻一下。理解了这句话再回头看 GBrain，会觉得每个 Skill 的设计都对得上。这套"薄 Runtime+ 厚 Skill"的架构，可能是未来 AI Agent 的标准范式。