GBrain：把知识库做成 agent 的长期运行时

背景

GBrain 是 Garry Tan 分享的一个 agent brain 项目。它的目标不是再做一个笔记工具，而是把“人的世界知识”变成 AI agent 可持续读写的长期记忆层：会议、邮件、社媒、日历、语音、原创想法，都能持续进入同一个知识脑。

核心问题

传统知识库最大的问题不是“存不下”，而是“活不起来”：

• 人写进去就不再更新
• agent 只能临时检索，缺少状态
• 证据和结论混在一起，越用越乱

GBrain 的解法是把知识库做成一个运行时，而不是文档堆。

架构拆解

它的结构非常清楚：

• Markdown 作为原始内容格式
• Postgres / PGLite 作为存储层
• pgvector + 关键词检索 + query expansion 作为检索层
• compiled truth + timeline 作为页面模型
• skills / recipes / docs 作为操作规程

页面不是单层文本，而是两层：

• 上层 compiled_truth：当前结论，随证据变化而重写
• 下层 timeline：证据日志，只追加不回写

这一步非常关键，因为 agent 最需要的不是“全文历史”，而是“当前状态 + 可追溯证据”。

核心机制

1. 三种搜索模式

• search：关键词检索，适合已知名词
• query：混合检索，适合自然语言问题
• get：按 slug 直读全文

2. RRF 融合

query 不是单纯向量搜索，而是把关键词和向量结果用 RRF 融合。这样既保留精确匹配，也保留语义召回。

3. 双后端

• Postgres：生产路径，支持并发、事务、pgvector
• PGLite：本地模式，适合快速启动和单机演示

4. 导入管线

导入顺序是：解析 Markdown → chunk → embed → 事务写库。外部调用放在事务外，数据库写入统一收口，工程上很稳。

产品价值

GBrain 的价值不在“做知识库”这件事本身，而在它把知识库升级成了 agent 可操作的长期记忆基础设施。

它解决的是一个更高阶的问题：

让 agent 每次回答前先读 brain，回答后再写 brain。

这意味着知识不是静态资产，而是不断编译、不断增量更新的运行系统。

优势与不足

优势

• 定位极清晰：agent memory backend
• 读写闭环完整：检索、导入、同步、验证都考虑到了
• 文档和规程很强：README、skillpack、verify、guides 形成闭环
• 工程化程度高：双后端、事务、锁、版本、embedding 都齐了

不足

• 对模型能力和持续运维依赖很强
• 对普通用户学习成本高
• 外部依赖较重：数据库、embedding、query expansion、同步链路
• 更适合“有 agent 的人”，不适合只想轻量记笔记的人

结论

如果你把它当成一个 wiki，会低估它；如果你把它当成一个 knowledge runtime，就能看见它真正的价值。

我对 GBrain 的判断是：这是一个很值得研究、也很可能影响 agent memory 产品形态的项目。它最值得借鉴的不是某个单点功能，而是它把“compiled truth + timeline + hybrid search + 操作规程”拼成了一套可持续运行的系统。