GBrain：為 AI Agent 打造的知識大腦

GBrain：為 AI Agent 打造的知識大腦。

GBrain 是一個開源知識管理系統，透過將 Markdown 檔案與 Postgres 向量資料庫整合，為 AI Agent 提供具備長期記憶與持續學習能力的知識架構。該系統旨在解決大規模知識庫檢索效率低下的問題，讓 Agent 能在互動中不斷累積並優化知識。

核心設計理念

GBrain 的核心在於「編譯後的真理 (Compiled Truth)」與「僅供追加的時間軸 (Append-only Timeline)」模型。這種結構確保了知識既能反映當前的最佳理解，又能保留完整的證據軌跡，讓 Agent 能在每次互動中累積智慧，而非僅僅是檢索資訊。

• 編譯後的真理：代表當前對某個主題的最佳理解，當有新證據出現時會被重寫。
• 僅供追加的時間軸：記錄證據的原始軌跡，永遠不會被編輯，僅能新增項目。
• 知識複利：作者強調「知識複利 (Compounding Thesis)」，若 Agent 缺乏持續更新的知識循環，其回答將停留在過時的脈絡中；GBrain 確保 Agent 能在每次對話後變得更聰明，從而實現知識的自動化增長。

技術架構與運作機制

系統架構以 Git 儲存庫作為真實來源 (Source of Truth)，並透過 Postgres 與 pgvector 提供高效的混合搜尋能力，解決了傳統 grep 在處理數千個檔案時的效能瓶頸。

• 混合搜尋：結合關鍵字搜尋與向量搜尋 (Vector Search)，並透過 RRF (Reciprocal Rank Fusion) 進行結果整合，以同時滿足精確匹配與語意理解的需求。
• 知識循環：Agent 透過讀取、分析、更新 Markdown 檔案，實現「讀取-回應-寫入-同步」的知識增長循環。
• 擴充性：支援 MCP (Model Context Protocol)，可與 Claude Code、Cursor 等開發工具整合，並提供 30 種以上的 MCP 工具供 Agent 呼叫。

實際應用與效能

GBrain 並非僅是展示用的 Demo，而是為了實際生產環境設計的工具，能夠處理高達 10,000+ 個 Markdown 檔案的索引與搜尋。

• 規模化處理：支援 3,000+ 位人物檔案、數千個 Apple Notes 及多年份的行事曆資料，並能毫秒級完成複雜的跨檔案關聯查詢。
• 自動化維護：透過「夢境循環 (Dream Cycle)」機制，Agent 可在背景自動掃描對話、修正引用並整合記憶，確保知識庫隨時間推移而進化。
• 檔案管理：提供三階段遷移流程，將二進位檔案移至雲端儲存，同時保留 Git 儲存庫的輕量化，解決了大型專案中二進位檔案導致 Git 效能低落的問題。

開發者觀點與反思

作者明確指出，這套系統是為那些「以思考為生」的人所打造，強調工具必須具備實用性與持續演進的能力。

• 漸進式採用：使用者初期可僅使用 Markdown 檔案與 Git 進行管理，當搜尋需求超過 grep 的能力範圍時，再導入 Postgres 與 pgvector。
• 實戰導向：作者強調「不要做兩次同樣的事」，若某個模式在三次會議中出現，Agent 應自動捕捉並歸檔至知識庫中，而非讓資訊散落在各處。
• 系統依賴：雖然 GBrain 提供了強大的功能，但其核心價值在於「技能包 (Skillpack)」，即告訴 Agent 何時該讀取、何時該寫入、以及如何進行實體偵測與 enrichment，這比單純的工具呼叫更為關鍵。