GBrain

定义

GBrain 是由 Y Combinator 总裁兼 CEO Garry Tan 构建的 Agent 知识管理系统。它在 LLM Wiki 的核心思想（文件系统存储 + 渐进式披露）基础上，引入混合检索架构（向量粗筛 + 文件精读）和基于规则的图谱实体关系管理，解决了纯 Markdown Wiki 在规模膨胀后的检索性能瓶颈。

关键数据点

• P@5 提升: 带图谱的 GBrain P@5 达 49.1%，仅混合搜索（无图谱）为 17.7%，差距 +31.4pp；R@5 达 97.9%
• Benchmark 规模: 240 页富文本语料库测试
• 设计哲学: Thin Harness, Fat Skills——Harness 做薄，主要精力在丰富 Skills 上
• 核心分工: 让 LLM 决定"做什么"（Latent Space），让代码保证"在哪里"和"如何做"（Deterministic）
• 架构组成: 混合搜索（Hybrid Search）+ 分层喂给模型（Layered Feeding）+ 图谱反向链接强制化（Backlink Enforcement）

前提与局限性

• 引入向量数据库增加了运维复杂度，背离 LLM Wiki "纯 Markdown" 的极简哲学
• Benchmark 数据来自项目自身，240 页规模与实际企业场景差距较大，可能存在选择性报告偏差
• 图谱构建依赖正则和关键词模式匹配而非 NER，在非结构化文本中的召回率有限
• 渐进式披露增加了工具调用和文档读取的时间开销，响应速度比 RAG 慢

关联概念

• LLM-Wiki — GBrain 的思想源头，保留了渐进式披露的核心理念
• Obsidian-Wiki — 与 GBrain 并行的 LLM Wiki 工程化实现，侧重 Agent 历史摄入
• Progressive-Disclosure — GBrain 检索流程核心："Chunk 确认 → 整页加载 → 分层呈现"
• Thin-Harness-Fat-Skills — GBrain 的架构哲学
• Latent-Space-vs-Deterministic — GBrain 的核心设计洞察
• Harness-Engineering — 主流把重点放在 Harness Engineering 上，GBrain 反其道而行
• RAG-vs-LLM-Wiki — GBrain 的混合检索是 RAG 与 LLM Wiki 的折衷方案