Skills Atlas · GBrain 使用說明書
GBrain — AI Agent 記憶系統
你的 Agent 很聰明，
但健忘。
GBrain 給它一顆持久記憶的腦。
GBrain 是一套 Markdown 原生的知識圖譜記憶系統，由 Y Combinator 總裁暨執行長 Garry Tan 開源（MIT 授權、TypeScript）。它讓 AI Agent 把會議、信件、推文、語音、想法寫進一個會自動接線的知識圖譜，再用「向量＋關鍵字＋RRF」的混合檢索把過去的脈絡找回來 — 並用 Postgres 原生的 Minions 任務佇列在夜裡把實體 enrich 起來，整段流程不需要外掛資料庫伺服器。
大語言模型的 context window 很大，但兩次對話之間什麼都不記得。
GBrain 補的就是這一塊：把 Agent 看過、聽過、做過的事，沉澱成一個 git 可讀、資料庫可查的知識圖譜，讓「記得」變成一個可被檢索、可被 cron 維護、可被 MCP 工具呼叫的系統 — 而不是又一個塞滿 prompt 的對話框。
記憶不是 RAG。
多數「Agent 記憶」其實是把段落塞進向量庫再撈回來。GBrain 多做一層：自動抽取實體關係、建立帶型別的連結（attended、works_at、invested_in、founded、advises），而且這層接線不呼叫 LLM，所以便宜、確定、可重跑。檢索端再把向量、關鍵字、reciprocal rank fusion 疊起來，回傳帶分數、帶來源的結果。
Markdown 原生，不是又一個黑盒資料庫。
每一頁知識都是一份人類看得懂的 Markdown，存在 git 裡；資料庫只是它的索引與圖譜層。gbrain.yml 的儲存分層可以把機器生成的大量內容（轉錄稿、媒體）留在 DB、把人讀的內容留在 git，兩邊用 gbrain sync 增量對齊。引擎也可以在嵌入式 PGLite 與 Postgres／Supabase 之間雙向遷移，不被任何一家綁死。
確定性的背景工作，才撐得起「自主」。
Minions 是 Postgres 原生的任務佇列，崩潰後可續跑、可恢復，README 揭露的數字是單一 minion 任務約 753ms 完成、相對於 sub-agent 動輒 10 秒以上的 gateway timeout，且這類確定性背景工作 $0 token 成本。生產部署裡 21 個 cron job 就靠它在無人介入下跑了下來。
功能總覽 Capabilities
GBrain 把「Agent 記憶」拆成六塊：自動接線的知識圖譜、混合檢索、多模態攝取、Minions 任務佇列、模組技能系統，以及對外的 MCP 整合層。
會自己接線的知識圖譜
自動抽取實體關係、建立帶型別的連結 — 而且不呼叫 LLM
匯入內容時，GBrain 會把人物、公司、概念之間的關係抽出來，建成帶型別的邊：attended、works_at、invested_in、founded、advises。每頁同時保有一份「編譯後的事實」與一條 append-only 的時間軸，並用 backlink 數加權實體排序。關鍵在於這層接線是確定性的、不走 LLM，所以可重跑、可批次回填、近乎零成本 — 之後用 gbrain graph-query <slug> 就能沿著型別關係做推理式遍歷。
向量 + 關鍵字 + RRF 的混合檢索
README 揭露：240 頁基準上 P@5 49.1%、R@5 97.9%
gbrain search 走 tsvector 關鍵字檢索；gbrain query 則把向量相似度、關鍵字命中與 reciprocal rank fusion 疊起來，回傳帶分數、帶來源出處的結果（例如 concepts/do-things-that-dont-scale (score: 0.94) [Source: paulgraham.com]）。README 給出的基準分數明顯高過純向量或純關鍵字的做法。
多模態攝取，夜裡自動 enrich
會議、信件、推文、語音通話、原始想法 — 都能變成圖譜節點
GBrain 內建會議轉錄稿、Email、推文、語音通話、文章等攝取流程，匯入後自動抽實體、建關係，並在夜間排程裡把實體 enrich 補全。Embedding 端提供 14 種 recipe，包含 OpenAI（預設）、Voyage、Google Gemini、Azure、本機的 Ollama 與 llama.cpp，以及 LiteLLM proxy — 雲端或全本機都跑得起來。
Minions — Postgres 原生的任務佇列
崩潰後可續跑、可恢復、確定性執行；README 揭露單任務約 753ms
背景工作不交給容易 timeout 的 sub-agent，而是丟進 Minions：gbrain jobs submit <name> 觸發確定性背景任務，gbrain jobs supervisor 是會自動重啟、能在 crash 後恢復的 worker。README 給的對比是 minion 任務約 753ms 完成、相對於 sub-agent 動輒 10 秒以上的 gateway timeout，且這類確定性工作 $0 token 成本、任務成功率 100%。
數十個模組技能 + 路由器
攝取、enrichment、營運、研究各有專屬指令，靠 RESOLVER.md 分派
skills/ 目錄是一組模組化指令集（README 列為 30+ 個技能），涵蓋從攝取、enrichment、操作維運到研究的各種任務，由 skills/RESOLVER.md 這個 dispatcher 決定每個請求路由到哪個技能。gbrain skillify scaffold <name> 會生成新技能的 5 個 stub；gbrain skillpack install <name> 部署策展好的技能包；gbrain check-resolvable 稽核路由完整度。
30+ 工具，透過 MCP 對外曝露
Claude、Cursor、ChatGPT 等都能把 GBrain 當記憶層呼叫
GBrain 透過 Model Context Protocol 曝露 30+ 個工具，任何支援 MCP 的客戶端都能直接讀寫這顆腦。stdio 模式只要在 ~/.claude/server.json 加一段 { "command": "gbrain", "args": ["serve"] }；要上正式環境則用 gbrain serve --http，附帶 OAuth 2.1 與內建的 admin dashboard。subagent 執行也會把 transcript 持久化下來。
安裝與設定 Setup
三條安裝路徑（給 Agent、給 CLI、給 MCP 客戶端），加上引擎選擇、embedding 供應商、健康檢查 — 都收在這裡。
給 Agent 自己讀的安裝指令
把一個 raw URL 貼進 OpenClaw／Hermes，約 30 分鐘到可運作狀態
這是 README 標為「推薦」的路徑：讓 Agent 取回並照著 INSTALL_FOR_AGENTS.md 做。前置條件是 Git 與 Bun runtime、以及 OPENAI_API_KEY（向量檢索必需）、ANTHROPIC_API_KEY（選用、能提升檢索品質）。指令本身會引導 Agent 完成 clone、bun install && bun link、gbrain init、gbrain doctor --json、匯入與索引、回填知識圖譜、載入核心技能，並排好 sync／auto-update／dream cycle／doctor 等週期任務。
標準 CLI 安裝
git clone → bun install → bun link → gbrain init，兩秒就有一顆本機腦
git clone https://github.com/garrytan/gbrain.git && cd gbrain && bun install && bun link，接著 gbrain init 會在約兩秒內建好本機的 PGLite brain。之後 gbrain import ~/notes/ 索引 markdown（idempotent，可重跑）、gbrain query "your question" 做混合檢索。gbrain get|put|delete <slug> 直接讀寫單頁。
接成 MCP 伺服器
stdio 一行設定給 Claude Code，HTTP 模式給正式環境
本機用法：在 ~/.claude/server.json 的 mcpServers 加 "gbrain": { "command": "gbrain", "args": ["serve"] }，Claude Code、Cursor、ChatGPT 等支援 MCP 的客戶端就能呼叫那 30+ 個工具。正式環境用 gbrain serve --http，內含 OAuth 2.1 server 與管理用 admin dashboard。
選引擎，可雙向遷移
PGLite 嵌入式零設定起步，要規模就遷到 Postgres／Supabase
預設是嵌入式的 PGLite，不需要外掛資料庫伺服器；需要擴展時用 gbrain migrate --to supabase 切到 Postgres／Supabase，之後也能 gbrain migrate --to pglite 切回來 — 兩個方向都通，所以可以先在筆電上做完，再決定要不要上雲，不會被任何一端鎖死。
14 種 embedding 供應商 recipe
雲端、企業，或完全跑在本機 — 都有現成設定
內建 14 個 embedding recipe：OpenAI（預設）、Voyage、Google Gemini、Azure，本機選項有 Ollama 與 llama.cpp，再加上可代理多家模型的 LiteLLM proxy。換供應商不必改程式，挑對應 recipe 即可 — 對資料不能出境的團隊，純本機這條路是現成的。
健檢與路由稽核
gbrain doctor 自我修復，check-resolvable 確認技能路由不漏
gbrain doctor 跑健康檢查，附帶可選的自動修復；gbrain doctor --json 適合丟進腳本或 CI。gbrain check-resolvable 則稽核技能路由的完整度，確認每個請求都有對應的技能可以接 — 這在你用 skillify 持續加技能後特別重要。
把 GBrain 用滿，藏在 README 裡的那幾招。
這些都不是基本流程裡會碰到的：儲存分層、minion 與 subagent 的取捨、批次回填圖譜、用 eval replay 守住回歸、以及讓其他 Agent 也讀得懂這顆腦的導航檔。所有指令與旗標都對得上 README，沒有臆造的參數。
儲存分層：DB 放重，git 放人讀
把機器生成的大量內容留在資料庫，人會看的內容留在 git
在 gbrain.yml 設 storage.db_tracked（例如 people/、companies/ — 既進 DB 也進 git）與 storage.db_only（例如 media/x/、meetings/transcripts/ — 只進 DB），就不會讓轉錄稿和媒體把 git 倉庫撐爆，又能保留人讀得懂的核心頁面。
背景工作丟 Minion，別丟 Subagent
README 的對比：minion 約 753ms vs sub-agent 10 秒以上的 gateway timeout
可確定性、可重跑的背景工作用 gbrain jobs submit <name> 丟進 Minions 佇列，再跑 gbrain jobs supervisor 當會自動重啟、crash 後可恢復的 worker。比起把活塞給容易 timeout 的 sub-agent，這條路更快、成功率 100%、而且這類確定性工作 $0 token 成本。
既有 brain 也能批次回填圖譜
不必重匯：直接從 DB 把連結與時間軸補出來
如果你已經有一堆頁面但圖譜還沒接好，用 gbrain extract links --source db 與 gbrain extract timeline --source db 批次回填型別關係與時間軸；要一次全跑就 gbrain extract all。因為這層接線不走 LLM，回填是確定性的、可放心重跑。
用 eval replay 守住檢索品質
BrainBench-Real 收錄真實查詢（去識別化），改 code 前先過閘門
gbrain eval replay 會拿先前擷取的基準來檢查程式變更有沒有讓檢索品質退步；BrainBench-Real 則把真實查詢收錄下來、做 PII 清洗後當測試集。把它接進 CI，就不會在重構檢索邏輯時悄悄把召回率改差。
git 與 brain 之間，增量對齊
編輯落在 markdown 那一側時，用 sync 把差異補回索引
gbrain import 是首次或全量索引；gbrain sync 則是 git-to-brain 的增量更新 — 當你（或別的工具）直接改了 markdown，跑一次 sync 就把改動推回索引與圖譜，不必整批重來。配合 README 建議的 15 分鐘 sync 排程，brain 永遠跟得上 git。
讓別的 Agent 也讀得懂這顆腦
llms.txt / llms-full.txt 給 LLM 導航，AGENTS.md 給非 Claude 客戶端
倉庫附了 llms.txt 與 llms-full.txt 讓 LLM 快速建立全貌；AGENTS.md 是給非 Claude Agent 的整合協議；skills/RESOLVER.md 則是技能路由的 dispatcher。要把 GBrain 接進 Cursor、Windsurf 或自製 Agent，從這三個檔入手最快。
實戰應用 Workflows
把功能組成可重複的流程：夜間自主 enrichment、個人筆記匯入與同步、圖譜查詢、把臨時修正變技能、回歸閘門、檢索問答。
夜裡自己 enrich 的腦
README 揭露的生產部署：21 個 cron job、無人介入跑下來
這是 GBrain 最有代表性的用法 — 把它接給一個自主 Agent，排好 sync（約 15 分鐘）、auto-update（每日）、dream cycle（每夜把實體 enrich 補全）、doctor（每週健檢）等週期任務，再交給 gbrain jobs supervisor 這個可在 crash 後恢復的 worker 跑。README 揭露的正式部署裡，這套排程支撐了 17,888 頁、4,383 位人物、723 家公司的持續追蹤，以及 21 個 cron job、約 753ms 的 minion 完成時間、100% 任務成功率 — 全部沒有人在旁邊盯。
把現有筆記接成一顆腦
init → import → extract all → query，幾分鐘就能查自己的 markdown
最低門檻的上手路徑：gbrain init 建一顆本機 PGLite brain，gbrain import ~/notes/ 把 markdown 索引進來（idempotent，重跑安全），gbrain extract all 把型別連結與時間軸接起來，之後 gbrain query "..." 就能在整個筆記庫上做混合檢索。要持續同步就掛 gbrain sync。
沿著知識圖譜做推理式查詢
不只是「找相關段落」，而是「順著關係走一條路」
gbrain graph-query <slug> 走的是型別關係遍歷 — 從一個人出發找他 works_at 的公司、再找同公司的其他人，或從一場會議的 attended 邊展開參與者網絡。每頁同時有「編譯後的事實」與 append-only 時間軸，實體排序又被 backlink 數加權，所以越被引用的節點越容易被撈到。
把臨時修正沉澱成技能
一次性的 hack → 永久、有測試、路由可驗證的 skill
Skillify 系統把「這次手動改了什麼」變成可重用的能力：gbrain skillify scaffold <name> 生出含 5 個 stub 的新技能骨架，照 conformance checklist 補齊內容與測試，gbrain check-resolvable 確認它在路由表裡接得上，需要的話再 gbrain skillpack install 部署成策展好的技能包。下次同樣的情境就不用再手動處理。
多個 Agent 共用同一顆腦
gbrain serve --http 起一個 OAuth 2.1 server，配內建 admin dashboard
團隊或多 Agent 場景下，用 gbrain serve --http 把這顆腦變成一個有 OAuth 2.1 與管理面板的服務，任何支援 MCP 的客戶端（Claude Code、Cursor、ChatGPT…）都能呼叫那 30+ 個工具來讀寫共享知識；subagent 的執行 transcript 也會被持久化下來，方便回溯。
直接問這顆腦
gbrain query "what themes appear across my notes?" → 帶分數、帶來源
日常用法就一句 gbrain query "..."：混合檢索回傳排序過、附出處的結果，例如 concepts/do-things-that-dont-scale (score: 0.94) — PG 關於從不可規模化的努力中學習的論點 [Source: paulgraham.com, 2013-07-01]。因為每筆都帶來源，回答可以追溯，不是憑空生成。
把 GBrain 用起來的四條路
不必一次全裝。依你現在的位置選一個起點 — 個人知識庫、團隊共享腦、Agent 自主排程，或是要把它接進產品 — 每條路都對得上 README 裡的指令。
先讓 CLI 跑起來，再決定要不要上雲
git clone → bun install && bun link → gbrain init（PGLite，約兩秒），把 ~/notes/ 用 gbrain import 索引進來、gbrain extract all 接好圖譜，之後就是一句 gbrain query。全程不需要資料庫伺服器；要規模化再 gbrain migrate --to supabase。
用 serve --http 開一個有 OAuth 的記憶服務
切到 Postgres／Supabase 引擎，跑 gbrain serve --http（OAuth 2.1 + admin dashboard），讓團隊裡每個支援 MCP 的客戶端共用同一顆腦的 30+ 個工具。配合儲存分層把轉錄稿留在 DB、把核心頁面留在 git，subagent transcript 也會被持久化。
把 INSTALL_FOR_AGENTS.md 貼給 OpenClaw／Hermes
備好 Git、Bun 與 OPENAI_API_KEY（ANTHROPIC_API_KEY 選用），讓 Agent 照 INSTALL_FOR_AGENTS.md 自己裝、自己排 sync／auto-update／dream cycle／doctor，再交給 gbrain jobs supervisor 跑 — README 的生產部署就是這樣靠 21 個 cron job 無人介入跑下來的。
把 eval replay 接進 CI，把 skillify 變成習慣
要在自家產品上長期維護一顆腦：用 gbrain eval replay（搭 BrainBench-Real）當回歸閘門，避免改檢索邏輯時悄悄掉分；遇到一次性修正就 gbrain skillify scaffold 沉澱成有測試、路由可驗證（gbrain check-resolvable）的技能，讓系統越用越穩。
記憶層已經開源。
接上 生產環境這一段，
是 Tenten 在做的事。
Tenten 是 AI-First 設計與技術顧問公司。我們把 Claude、MCP、Agentic Commerce 接進 Headless CMS、Webflow、Shopify Plus 的企業級交付 — 也包含像 GBrain 這樣的 Agent 記憶層：選引擎、設儲存分層、排好 cron 與 Minions、把 MCP 工具接進你正式上線的營運流程。