🔥 核心突破:解决AI Agent的“无状态困境”——让Agent拥有持续积累、不断进化的长效记忆,不再每次对话都从零开始。
🔑 工作原理(读取—对话—写入闭环):
读取:查询已有知识库(邮件、会议、笔记等)
对话:基于上下文理解作出回应
写入:将交互产生的新知识写回知识库,供下次使用
✨ 关键特色:
知识库规模:14,700+“脑页面”(Markdown)、40+ Agent技能、20+定时任务,跨度13年
混合搜索:关键词精确匹配 + pgvector向量语义搜索 + RRF排序融合
梦境循环(Dream Cycle):睡眠中自动整理记忆、修复引用、合并冗余
编译真相(Compiled Truth):页面顶部是实时综合判断,底部是永久不可修改的原始证据时间线
💡 灵感来源:源于Vannevar Bush 1945年《As We May Think》的Memex设想,但GBrain是主动的——Agent自动检测实体、创建交叉引用并维护真相,而非需要用户手动建立关联。
🚀 实际价值:作为YC CEO,Tan可在与创始人会议中 мгновенно获取该创始人的全部历史交互点(偏好、过往讨论、合作历史),无需翻邮件查日历。
⚠️ 当前争议:部分功能依赖LLM自然语言解读而非硬编码,对小模型支持有限,但Tan认为随着LLM能力提升,“用自然语言取代部分硬编码逻辑”将成为合理架构选择。
GBrain的核心突破:解决AI Agent的“无状态困境”
工作原理:读取—对话—写入闭环
知识库规模:14,700+“大脑页面”、40+ Agent技能、20+定时任务,跨度13年
关键特色:混合搜索策略、梦境循环(Dream Cycle)、编译真相(Compiled Truth)架构
灵感来源:Vannevar Bush的Memex设想,但GBrain是主动的
实际价值:让YC CEO能 мгнов然获取创始人的全部历史交互点
当前争议:部分功能依赖LLM自然语言解读、对小模型支持有限等
#GBrain #第二大脑 #AI记忆 #YC掌门人 #持续学习智能体 #开源项目