YC CEO 开源个人第二大脑系统：全息记忆打造会成长的 AI Agent

在 AI 时代，我们早已习惯让大模型帮助处理信息，但几乎所有 AI 助手都面临同一个根本性问题：每次对话都是「从零开始」。无论是 ChatGPT 还是 Claude，关闭对话窗口后，它们不会记得我们之前说过什么、讨论过什么、或是做出了什么决定。这种「金鱼记忆」严重制约了 AI 作为个人助手的实用价值。

知识复利：越用越聪明的循环机制

YC 总裁 Garry Tan 近期开源的 GBrain 系统，正是为了解决这一痛点。简单来说，GBrain 是一个为 AI Agent 打造的个人知识底座，它能够将你的会议记录、邮件、推文、日历事件、语音通话、乃至于你的原始思考，全部汇入一个可检索的知识库。Agent 在每次回答前会先读取这个知识库，对话结束后再写入新信息——每一轮对话都让 Agent 变得更聪明一些。

知识模型：已整理事实 + 时间线的双层结构

GBrain 的核心逻辑是一个精妙的「信号-识别-读取-回答-写入-同步」循环：当新信号到来（会议、邮件、推文或链接）时，Agent 会自动识别其中的实体（人物、公司、想法），先读取知识库带着完整上下文回答，然后把新信息写回知识库并同步索引，供下次检索使用。这个循环每运转一圈，知识库就积累一层。 举一个具体例子：本周你与某位投资人开过一次会，Agent 会自动为他建立一个档案页，关联到他的公司，打上相关标签。下周另一个人在完全不同的话题里提到这家公司时，Agent 已经掌握了完整背景——你跟谁谈过、谈了什么、还有哪些待处理的线索。整个过程用户无需任何操作，完全自动化。 这正是 GBrain 最核心的价值：没有这个循环，Agent 每次都从零开始；有了它，每次对话都在已有基础上累积。差距每天都在拉大——这就是知识复利的威力。

搜索机制：混合检索与多查询扩展

GBrain 的知识库采用独特的双层结构：每一页都分为分隔线上方和下方。分隔线上方是「已整理事实」，即你对某件事物的当前最佳理解，当新证据出现时会整体重写；分隔线下方是完全只追加不修改的「时间线」，记录所有变化的证据。这种设计确保了答案的时效性，同时保留了完整的思考轨迹。 在搜索层面，GBrain 采用了相当硬核的技术方案：查询一个问题时，系统先用 Claude Haiku 做多查询扩展，把这个问题改写成多种表达方式，然后同时跑向量搜索（HNSW余弦相似度）和关键词搜索（tsvector），再用 RRF 融合排名，最后经过四层去重。这种混合搜索策略解决了纯关键词搜索容易漏掉概念性匹配、纯向量搜索在精确短语上表现变差的各自局限性。

部署与使用：零服务器起步

GBrain 在部署上做了极致的简化。默认使用 PGLite，这是通过 WASM 运行的嵌入式 Postgres 17.5，无需 Supabase 账号，无需 Docker，无需连接字符串，一条命令就能获得完整的 Postgres 知识库，含 pgvector、混合搜索和全部 37 个操作。初始安装到完整运行约需 30 分钟，数据库初始化只需 2 秒。 从支持的模型来看，目前仅支持 Claude Opus 4.6 和 GPT-5.4 Thinking，不适合在小模型上运行——这也好理解，毕竟要在每次对话中完成「读取-写入」循环，需要足够强的上下文理解能力和推理能力。 使用路径上，GBrain 支持三种接入方式：独立命令行（全局安装后直接在终端使用）、MCP 服务器（对接 Claude Code、Cursor、Windsurf 等 IDE）、以及远程 MCP 服务器（部署到云端后可以从任何设备访问）。

如有侵权，请联系删除。