📌 项目地址：garrytan/gbrain | ⭐ 19,673 颗星 | 🔧 TypeScript | 📜 MIT
一个 CEO 的生产系统，不是 side project
仓库是 garrytan/gbrain，TypeScript，19,673 星，作者 Garry Tan——Y Combinator 现任总裁兼 CEO。
先看数字，这些不是宣传话术，是他自己部署的实际负载：155,795 页资料、24,589 个人物档案、5,340 家公司实体，66 个 cron 任务自主运行。数据源包括会议记录、邮件、推文、语音通话和他随手记的想法。系统夜间自动运行：修复引用错误、整合重复记忆、对遇到的人物和公司做信息补全。
README 里那句定位语值得原样引用：”Search gives you raw pages. GBrain gives you the answer.” 搜索给你页面，GBrain 给你答案。
和普通 RAG 的差别在哪
大多数个人知识系统本质上是关键词匹配 + 向量检索：你问一句，它扔回十个相关片段，拼接和判断归你自己。
GBrain 返回的是合成后的完整回答，跨人物、公司、交易、想法整合，每个事实带引用。这部分市面上有别的产品在做，不稀奇。
稀奇的是 gap analysis（缺口分析）。系统会在回答末尾明确告诉你“大脑里还缺什么信息”。原文说得很重：”The gap analysis is the part that changes how you use the brain.”
我的理解：做决策时最危险的不是信息不够，而是不知道哪些信息缺。系统能说“Acme AI 的融资记录完整，但创始团队背景没有记录”，这比多推十个片段有用得多——你至少知道下一步该去补什么。
零 LLM 调用建知识图谱，这是最值得琢磨的工程决策
每次写入一页，系统自动抽取实体引用，创建带类型的边：
attended（参加过）works_at（就职于）invested_in（投资了）founded（创立了）- `advises（担任顾问）
整个过程零 LLM 调用。
为什么这个设计值得注意。知识图谱的常规做法是调 LLM 抽三元组，费用和延迟随数据量线性涨。Garry 走了规则路线。代价明显：只能处理模式化的高频关系，复杂语义关系抽不出来。但对 works_at、invested_in 这类结构化关系，规则方案在成本上是碾压性的——而且可预测、可调试。
有了图，就能回答向量检索够不到的问题：”谁在 Acme AI 工作？”、“Bob 这个季度投了什么？”。这类问题需要的是精确的关系遍历，不是语义相似度。
Benchmark：数字说了什么，没说什么
评测语料是 240 页 Opus 生成的富文本，结果：
- P@5 49.1%，R@5 97.9%
- 比关闭图谱的版本 P@5 高 31.4 个百分点
- 对 ripgrep-BM25 + 纯向量 RAG 的领先幅度相近
完整评分卡在姊妹仓库 gbrain-evals，可以自己核对。
两点解读。召回率 97.9%、精确率 49.1%，意味着它会多给但基本不漏。对“大脑”类工具，这个取舍方向是对的——漏掉关键事实的代价远大于多看几条结果。
但也要留个心眼：240 页语料上的领先，放到 15 万页的真实部署上是否保持，README 没给数据。这是需要自己验证的部分。
多人版：权限隔离 + fuzz 测试
GBrain 现在能当公司级共享记忆用。每个成员按登录身份拿到数据切片，查询时只能看到自己有权的内容——别人的笔记、其他团队的数据一律不可见。
README 说他们对所有读取路径（search、list、lookup、多源读取）做了 fuzz 测试，结果是零泄漏。
这个方向正好对上 YC 刚发布的 Request for Startups 里的 company-brain。想在这个方向做产品的人，可以直接在 GBrain 上构建。官方教程在 docs/tutorials/company-brain.md。
两种接入方式
- 在 GBrain 上跑一个完整的自主 agent（Garry 自己的 OpenClaw 和 Hermes 部署就是这么跑的）
- 一条命令接入 Claude Code 或 Codex，作为增强检索层
数据全部跑在你自己的硬件、你自己的数据库上。
我的判断
值得花时间看的理由：它是真实生产负载跑出来的系统，不是论文复现；零 LLM 调用的图谱抽取是个可以搬到自己项目里的工程决策；gap analysis 指出了 RAG 工具普遍缺失的一环。
保留意见：benchmark 语料偏小，权限模型只过了 fuzz 测试、没经过真实恶意攻击的检验。但对一个开源项目来说，这个完成度已经少见——尤其考虑到作者每天真的在用它。