Y Combinator的老板Garry Tan 刚开源的一个Agent记忆项目

Y Combinator的老板Garry Tan 刚开源的一个Agent记忆项目：GBrain地址：github.com/garrytan/gbrain也是个vibecoding项目。“如果你想让你的 OpenClaw 或 Hermes Agent 能够对 10,000 多个 Markdown 文件做到近乎完美的全部回忆，GBrain 就是为这件事准备的。这就是我自己在用的 OpenClaw/Hermes Agent 配置。MIT 许可证开源。希望它能帮你搭出属于你的 mini-AGI。”

GBrain 提供的是混合搜索，把关键词和向量两种方法结合起来；同时它还有一套知识模型，把每个页面都当作一份 intelligence assessment 来处理：上面是整理后的结论性信息（也就是你当前最好的理解，证据变化时会重写），下面是只追加的时间线（永远不编辑的证据轨迹）。

项目开头提了下范内瓦尔·布什的知识机器，这里也介绍下背景： Vannevar Bush，是一位美国工程师、发明家和科学政策人物。二战期间，他担任美国战时科研体系里的关键领导者，协调了大规模科学研究工作。他在 1945 年发表的文章《As We May Think》里，提前提出了一整套关于“人如何管理知识、调用知识、连接知识”的设想。

memex 就是他在那篇文章里设想的一台知识机器。布什设想它会像一张桌子，内部用微缩胶片存储大量资料，用户可以快速查找文档、并排查看资料、做批注、保存个人路径，还能把一组相关材料串成一条可重复调用的联想轨迹。这套思路的重点在“按人的联想方式组织知识”。

下面是项目介绍：-----------------"这是怎么发生的

我当时在搭自己的 OpenClaw agent，同时开了一个 markdown brain 仓库。每个人一页，每家公司一页；上半部分写整理后的结论性信息，下半部分写只追加、不改写的时间线。这个 agent 知道得越多，就越聪明，所以我就不断往里喂数据：会议、邮件、推文、Apple Notes、日历数据、原创想法。后来事情越做越大。一周之内，我已经有了：

10,000+ 个已建立索引、可搜索的 markdown 文件3,000+ 个人物页面，包含整理好的档案和关系历史13 年的日历数据（21,000+ 个事件）5,800+ 条 Apple Notes，最早可以追溯到 2009 年280+ 份会议转录及其 AI 分析300+ 个按主题论点整理的原创想法500+ 个媒体页面（视频转录、图书、文章）公司画像、食物指南、旅行记录

这就是我每天实际在用的东西。这个 agent 会在我睡觉时继续运行，真的是字面意义上的那种。它的 dream cycle 会扫描我当天的每一段对话，补全缺失的实体，修复断掉的引用，并整合记忆。等我醒来，这个 brain 已经比我睡前更聪明了。OpenClaw 把这套机制做成了 DREAMS.md。Hermes Agent 也能通过夜间 cron job 做到同样的事（配置方法见 SKILLPACK）。

你一开始并不需要 Postgres。这个知识模型本质上就是一个 git 仓库里的 markdown 文件。只要你的 AI agent 能读写文件，这套 skills 和 schema 就能工作。先从这里开始就行。

我后来才加上 Postgres + pgvector，因为当文档规模从 1,000 篇涨到 10,000 篇长 markdown 之后，grep 就开始失效了。你需要真正的分块、真正的检索、真正的搜索。GBrain 就是我为了解决这个问题，在 Postgres 之上做的一层轻量 CLI 和 MCP 层，专门为 OpenClaw 和更聪明的 agents 优化。你可以问它任何事

“我该请谁来吃饭，而且这个人得同时认识 Pedro 和 Diana？”—— 它会在 3,000+ 个人物页面里交叉检索整张社交关系图“关于羞耻感和创始人表现之间的关系，我以前都说过什么？”—— 它搜索的是你的思考，而不是互联网“从周二到现在，Series A 有哪些变化？”—— 它会对 deal 页面和公司页面里的时间线条目做差异比对“30 分钟后我要和 Jordan 开会，先帮我准备一下。”—— 它会拉出档案、共同经历、近期动态和未完事项

你的 markdown 仓库就是事实来源。GBrain 让它变得可搜索。你的 AI agent 让它活起来。为什么要用 Postgres

在 500 个文件的规模上，grep 还够用。可一旦你有了 3,000 个人物页面、5,800 条 Apple Notes 和 13 年的日历数据，grep 就会迅速崩掉。你需要关键词搜索来命中准确名字，需要向量搜索来理解语义，还需要一种能把两者融合起来的机制。你还需要一个可以在单个文件变动时增量更新的索引，而不是每次都全量遍历整个目录。你还需要让 agent 在几毫秒内就能找到“去年三月董事晚宴上都有谁在场”，而不是花 30 秒在那里 grep。

AI agents 负责维护这个 brain。你导入一份文档，agent 就会更新其中提到的每个实体，创建交叉引用链接，并把新的时间线条目追加进去。MCP 客户端负责查询它。真正承载“智能”的，是那些厚重的 markdown skills，而不是应用代码。"

How I AI