你的 AI Agent 足够聪明，但遗憾的是它们有些“健忘”。每次新对话开启，Agent 都会丢失所有历史记忆，不记得你见过谁、读过什么，以及上周二做过什么决定。为了解决这一痛点，Y Combinator 总裁兼 CEO Garry Tan 开源了 GBrain。这是他用来驱动个人 OpenClaw 和 Hermes 智能体部署的生产级项目。作为一个以 Markdown 为中心、基于 Postgres 的知识层，GBrain 能够吸收会议记录、电子邮件、推文和笔记，并在其上自动构建类型化的知识图谱——最关键的是，在提取图谱的过程中无需调用任何大语言模型（LLM）。
目前，运行在 Garry Tan 个人 Agent 后台的生产级大脑已承载了 146,646 页内容、24,585 个人物、5,339 家公司以及 66 个自主定时任务（cron jobs）。在 GBrain 专属的 BrainBench 基准测试（一个包含 240 页富文本的语料库）中，GBrain 达到了 P@5 49.1% 和 R@5 97.9% 的成绩。与禁用图谱层的相同代码库相比，其 P@5 指标大幅提升了 31.4 个百分点。
通过本篇上手教程，你将在本地安装 GBrain，导入一个小型笔记文件夹，运行真实的混合检索，见证知识图谱的自动组网，并最终通过 MCP（Model Context Protocol）将该记忆层连接到 Claude Code。整个过程大约需要 20 分钟。以下所有的终端输出均采集自 GBrain v0.38.2.0 的真实安装环境。该项目基于 MIT 协议开源，托管在 github.com/garrytan/gbrain。
完成本教程后，你将构建并拥有以下组件：
1. 一个本地的 ~/.gbrain/brain.pglite 数据库 —— 采用基于 WASM 编译的嵌入式 Postgres 17 (PGLite)，支持 pgvector，无需任何复杂的服务器配置。
2. 一个小型“大脑仓库”，存放有关人物、公司和概念的 Markdown 格式笔记。
3. 一个实用的混合搜索命令行工具（CLI），结合了向量搜索、BM25 关键词检索和互惠排名融合（RRF），并默认搭配 ZeroEntropy 重排器。
4. 一个自动从笔记中提取的类型化知识图谱，包含 works_at、founded、invested_in、attended、advises、mentions 等关系。
5. 一个暴露出 74 个工具的 MCP 服务器，让 Claude Code、Cursor 和 Windsurf 可以直接读写你的 GBrain 数据库。
在开始之前，请确保你的系统满足以下前提条件：使用 macOS 或 Linux（Windows 用户请使用 WSL2）；准备一个代码编辑器；安装 Bun ≥ 1.3.10（GBrain 的运行环境）；准备一个嵌入模型 API 密钥（可选 ZeroEntropy、OpenAI 或 Voyage），若没有该密钥，你仍可进行关键词搜索，但向量混合查询将无法返回结果；此外，可选备一个 Anthropic API 密钥用于搜索过程中的多查询扩展。
第一步：安装 Bun 和 GBrain。由于 GBrain 是用 TypeScript 编写并在 Bun 上运行的，我们需要先安装 Bun 运行时：curl -fsSL https://bun.sh/install | bashexec $SHELLbun --version
接着，使用全局命令安装 GBrain 客户端：bun install -g github:garrytan/gbraingbrain --version
第二步：初始化你的知识库。运行 gbrain init --pglite 会在本地 ~/.gbrain/ 路径下自动配置一个 PGLite 数据库。由于 PGLite 是完整 Postgres 编译为 WASM 的版本，因此无需运行 Docker 或配置本地数据库服务器，只需约 2 秒钟即可初始化完成。在完成初始化后，你还可以进一步配置嵌入模型提供商（Embedding Provider）来激活向量搜索和混合检索功能，让你的本地 AI 记忆库发挥出完整的双脑连接实力。
【AgentUpdate 深度解析】GBrain 的核心创新在于打破了传统 GraphRAG 极度依赖昂贵 LLM API 的瓶颈。诸如微软的 GraphRAG 等传统方案，在构建实体关系图谱时需要消耗大量的 Token 和计算时间，导致其实时性和经济性较差。而 Garry Tan 设计的 GBrain 采用“零 LLM 提取”的自组网（self-wiring）机制，通过解析 Markdown 结构和确定性规则，以极低的成本实现了秒级的图谱构建。更重要的是，GBrain 紧密拥抱了 MCP 协议，这使其能够立即无缝嵌入到 Cursor、Claude Code 等下一代 AI 编程工具中。这种“轻量化、本地化、实时组网”的设计哲学，代表了 AI Agent 记忆层未来的主流演进方向——从昂贵的“重型云端知识库”向即插即用的“本地轻量认知网”过渡，极大加速了个人 AI 助理的落地进程。
