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 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。

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。

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%。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。