给 OpenClaw 装上第二大脑，GBrain 开源！

GBrain开源项目为AI Agent装上了第二大脑，让智能助手真正理解你的知识体系与记忆。核心内容：GBrain采用「当前判断+时间线」的记忆结构解决知识碎片化问题；通过dream cycle机制自动归档邮件、会议、社交平台等多元数据；虽然需要强大模型支持，但能构建真正个性化的AI知识库。

最近身边不少朋友，都在试图让Agent记住更多关于自己的事情。但一圈试下来，发现OpenClaw和Hermes Agent的记忆系统，远没有想象中强大。它们记的更多是偏好、习惯这些表层的东西，我们长期积累下来的知识，并没有被覆盖到。这个差距，决定了Agent能不能真正懂你。

直到最近，Y Combinator总裁Garry Tan给出了一个解决方案，并且把它开源了。项目名字叫GBrain。Garry Tan把自己3000多个人脉档案、13年的日历记录、280场会议录音、5800条Apple Notes，总共超过10000个Markdown文件全部导入GBrain。从此每次提问，Agent都会先去这个知识库里查一遍再回答，成了他真正意义上的第二个AI大脑。项目刚开源三天，就斩获了6500多个GitHub Star，在AI技术圈子里引发了大量讨论。

它的记忆，是怎么设计的？

GBrain最核心的设计思路，叫做「compiled truth + timeline」，翻译过来就是「当前判断 + 时间线」。这个结构怎么理解呢？简单说就是，每个人、每家公司，都有一页独立的Markdown。上半部分写当前最准确的判断，下半部分则是时间线记录，只追加，不修改。

普通笔记是纯追加式的，时间一长就变成一堆碎片，根本找不到「现在最新的结论在哪」。这套结构把结论和证据强制分开了，Agent才有办法持续更新、持续调取。上面是结论，下面是证据，清清楚楚。

维护这套档案的，是一个叫「dream cycle」的机制。每天晚上，Agent自动扫一遍当天的对话、会议记录、邮件，把新冒出来的人名、公司、想法补进对应的档案页。这就好比人在睡觉时大脑会整理当天信息，Agent也一样，趁我们不用的时候，把记忆悄悄整理好。

数据从哪里来？

GBrain提供了几条现成的数据「接入方式」，覆盖了日常最常用的那几类数据源：

邮件：接入Gmail，自动提取人名、公司、关键决策，归档到对应页面。日历：同步Google Calendar，每天的会议自动变成带参与者背景的可检索记录。会议录音：对接Circleback，录音转文字后自动关联参会人的档案页。社交平台：追踪关注博主的发帖，捕捉他们最新的想法动态。

安装门槛，先说清楚

上手之前，有一个前提需要提前了解。

第一，对模型要求比较高。官方测试跑通的是Claude Opus 4.6和GPT-5.4 Thinking，小模型容易出错。第二，数据得自己灌进去。会议要录，笔记要存，日历要导，这些都是持续的投入。对大多数人来说，冷启动的门槛确实不低。

安装方式有两种。

配合Agent使用（推荐）：如果已经有OpenClaw或Hermes Agent，到项目README文件复制提示词，发送给Agent。它会自动完成安装、建库、导入、配置集成的全流程，只需要回答几个API key的问题。大约15到30分钟跑完，取决于数据量。

独立CLI（适合先试试）：没有Agent也能跑，功能相对有限，但可以先感受一下检索效果：

curl -fsSL https://bun.sh/install | bash && source ~/.bashrc
bun add github:garrytan/gbrain
gbrain init          # 本地数据库，约2秒就绪
gbrain import ~/你的笔记目录/
gbrain query "你想搜索的内容"

本地文件如果超过1000个，或有多设备访问需求时，建议迁移到Supabase云端数据库。

写在最后

GBrain刚开源不久，存在不少问题，整体处于早期阶段，适合大家探索学习。但它所指向的方向，值得认真思考。

OpenClaw、Hermes Agent已经解决了「能干活」这事，7×24小时运转、接管各种工作流。接下来要解决的，是如何做到「越用越聪明」，前提是Agent要有东西可以积累。现阶段各家做的记忆系统，大多停留在记偏好、记习惯这一层，还远没有触及一个人真正积累下来的知识。

GBrain往前推了一步，把一个人十几年的知识积累，变成Agent随时可以调用的上下文。让Agent不再只是知道你喜欢什么，而是了解你认识的人、经历的事、思考过的想法。这才是「第二个AI大脑」真正该有的样子。

Garry Tan开源GBrain，至少给出了一个经过真实验证的参考答案。至于如何让每个人都能零门槛用上这种能力，不再依赖海量的前期数据积累，是整个行业接下来要解决的难题。