GBrain开源：让Agent拥有持久记忆的三层架构方案

当大语言模型Agent能够推理、工具调用和代码生成时，一个根本性的缺陷却始终困扰着整个行业——「失忆」。无论是用LangGraph构建的复杂Agent，还是简单叠加向量数据库的方案，每次对话都像初次见面，无法记住「上次你女儿叫什么名字」与「三个月前那笔投资」之间的关联。这种记忆割裂正在成为AI Agent落地的最大瓶颈。

三层架构：突破传统记忆瓶颈

2026年，YC总裁Garry Tan将其运行了13年的「第二大脑」正式开源。GBrain这个项目承载了17,888页笔记、4,383个人脉、723家公司的完整知识体系，上线24小时即获得5000颗GitHub星标，目前已达14,000+。它不仅是一个记忆工具，更验证了「Agent记忆可以作为独立服务通过标准协议接入」这一模式。

零LLM调用的自布线知识图谱

GBrain采用三层架构设计，每层解决一类问题，共同构成完整的记忆系统。 第一层是Brain Repo（真值源），底层不是数据库，而是Markdown文件。每个实体——人、公司、概念、会议——都对应一个.md文件，全部用Git做版本控制。每个文件包含两种内容区：Compiled Truth（当前认知摘要）写在最上面，是对该实体最准确的理解，新信息进来会被重写；Timeline（追加式时间线）写在下面，只追加不修改，保留每条信息的原始证据和时间戳。这层的核心设计理念是人类和AI共享同一份真值源，你可以用Obsidian打开、用grep搜索、用Git回溯。 第二层是Retrieval Index（混合检索引擎），这是GBrain的技术核心。默认使用PGLite（运行在WASM里的嵌入式Postgres），初始化仅需两秒，零配置。查询管线包括：用户查询先经过可选的Claude Haiku生成2个替代表述进行查询扩展，然后并行执行HNSW向量搜索（1536维，cosine相似度）和PostgreSQL tsvector全文搜索（title权重>A>compiled>B>timeli

夜间记忆巩固：Dream Cycle机制

GBrain最惊艳的设计在于其自布线知识图谱。每次往Brain Repo写入页面时，系统自动提取实体和关系——完全使用正则和字符串匹配，零次LLM调用。提取的关系类型包括：attended（参加某会议）、works_at（在某公司工作）、invested_in（投资某公司）、founded（创立某公司）、advises（担任某公司顾问）。这意味着你可以直接问「谁投资了跟Alice有关的那家数据库公司？」——纯图谱查询即可回答，不需要LLM去猜。 更值得注意的是知识图的自我进化机制。一个实体首次被提及时，GBrain创建Tier 3存根页（仅含名字和来源）；跨三个不同来源出现则升级为Tier 2，自动进行web搜索和社交充实；参加过会议或跨八个来源出现则升级为Tier 1，运行完整充实管线。Garry Tan本人形容：「The brain learns who matters without being told.」

GBrain借鉴人脑睡眠记忆巩固过程，设计了Dream Cycle夜间循环机制。白天，Signal Detector全天候并行捕获信号（邮件、推文、日程等），不阻塞Agent响应；每个信号处理时，brain-ops先查询脑区了解「以前知道些什么」，响应完成后新信息写入脑页并自动提取实体关系。晚上，Minions（GBrain的任务队列）运行确定性批量任务——拉取标记帖子、补充引用、去重合并、重建索引——全部归零LLM token成本。实测对比：Minions执行仅需753毫秒、0美元，而子Agent方式直接网关超时。Garry Tan的brain运行着21个cron job全天候自动化运转——用户睡觉时，Agent正在整理记忆。

如有侵权，请联系删除。