Gbrain 企业大脑系统架构：企业多源异构数据与智能体网络中枢

01. 封面 / 开场

过去两年，企业 AI 里最火的词之一是 RAG：上传文档、切片、做向量检索，再让大模型回答。这个方向当然有价值，但很多企业做完会发现，它只解决了第一层问题——AI 终于能从文档里找答案了。可在企业真实工作里，更大的问题，根本不是“查不到文档”。

02. AI 每次都像新来的实习生

而是：这个客户上次到底答应了什么？这个项目当初为什么把阈值调成这样？某个故障以前出现过没有，是谁处理的，最后确认的原因是什么？一个 Agent，如果每次对话都像新来的实习生，只会临时查文档，却不记得组织里过去发生过什么，它就很难真正进入企业的核心流程。

03. 它想做 Agent 的长期脑

这就是今天要讲的 GBrain。它不是普通知识库，也不是简单 RAG。更准确地说，它想做的是 Agent 的长期脑层：让 Agent 在回答之前，先查自己的脑；回答之后，把新信息写回脑；再用图谱、schema、工具协议和定时任务，让这个脑越用越厚。这期我们不做浅层介绍，专门拆给专业观众。

04. 第一部分 · 它不是“加记忆”

很多人第一次看 GBrain，容易把它理解成“给 AI 加个记忆”。这个说法没错，但太浅。

05. 它是一套可读可写的外部脑

现在很多产品都说自己有记忆：记住你的偏好、名字、上次聊过什么。GBrain 真正不同的是，它不是把记忆塞进一个黑盒，而是把长期知识，做成一套可读、可查、可维护、可写回的外部脑。它分三层：第一层是 Markdown 文件，人能读、模型也能读；第二层是数据库和检索；第三层是 Agent 和工具。Agent 不靠自己脑子记，而是通过工具查这个脑、改这个脑。

06. 三种记忆，千万别混

更关键的是，它明确区分了三种东西。GBrain 放世界知识：人、公司、项目、会议、决策、资料。Agent memory 放 Agent 怎么工作：用户偏好、工具配置、输出格式。Session context，是当前这一轮对话的临时上下文。很多 Agent 系统越用越乱，就是因为把这三类混在一起：客户信息塞进偏好，临时猜测被当成长期事实。所以长期记忆的第一步，不是急着做向量，而是先想清楚：什么该长期存，存到哪一层。

07. 第二部分 · 核心不是存储，是闭环

如果只看存储，GBrain 不过是 Markdown 加数据库加向量检索。但它真正有价值的，是一个闭环。

08. Brain-Agent 闭环

这个闭环大致是：信号进来，先识别里面有哪些实体，再查脑，结合历史回答，然后把新信息写回，同步索引，后台还在继续整理。它强调两件事：回答之前先读脑，对话之后写回脑。你每一次互动，都会改变它长期的知识状态。

09. 一次开会，它怎么变聪明

举个例子。你今天和一个客户开会，会议里提到了一个项目、一个联系人、一个没解决的问题。普通 AI 可能只帮你总结会议。GBrain 的理想流程是：先认出会议里有哪些人、公司、项目；再查脑，这些对象以前有没有页面、上次讲过什么、有没有承诺；回答之后，把这次的新事实写回各自页面。下次你再问这个客户，Agent 就不是从零开始。

10. 查询系统，还是维护系统

这和 RAG 的区别很大。传统 RAG 更像一个查询系统：你问，它查，然后回答。GBrain 更像一个持续维护系统：你每次互动，都在更新它的长期知识。企业 AI 如果只能回答、不能沉淀，就永远停在客服助手阶段；只有把每次处理、每次纠错、每次复盘都写回长期知识，系统才可能越用越聪明。

11. 第三部分 · 为什么不是普通 RAG

再看它在检索上的设计——这正是它和普通 RAG 拉开差距的地方。

12. 它用的是混合检索

它没有只押向量检索，而是用混合检索，大致四块：第一，向量检索，用语义相似找相关内容；第二，关键词检索，处理人名、公司名、代码标识符、精确短语；第三，RRF，把不同检索的结果融合排序；第四，知识图谱，沿着带类型的关系边做查询。

13. 为什么要四种一起上

因为每一种都有短板。向量擅长语义相似，但对精确事实和关系链不稳定。关键词擅长精确匹配，但对同义表达很脆弱——你搜“检索”，文档写的是“搜索排序”，可能就漏了。图谱擅长关系，但新内容还没建链时又太稀疏。所以 GBrain 的思路不是选一个，而是组合。

14. 拉开差距的，是带类型的图谱

真正和普通 RAG 拉开差距的，是 typed graph。普通 RAG 查的是“哪些文本片段和问题相似”；GBrain 还想知道“这些实体之间是什么关系”：某人在某公司任职，某人投资了某公司，某人参加了某次会议。而且这张图，不是完全靠模型现抽，而是在写页面时，从链接和规则里自动建边，成本更低也更可控。代价是：你的知识必须有结构，写法必须有规范。

15. 第四部分 · search，还是 think

它有两个很典型的命令：search 和 think。这两者的差别，特别值得企业借鉴。

16. 它会主动告诉你“还缺什么”

search 返回的是原始检索结果：哪些页面相关、排名如何、片段是什么。think 则给出综合答案：基于检索生成带引用的回答，还会指出缺口。这个缺口分析很重要——它会显式告诉你：哪些页面过时了，哪些说法没有引用，哪些页面互相矛盾，这次回答还缺哪些信息。

17. 从给答案，到给有边界的判断

企业里最危险的，不是 AI 不知道，而是它证据不足却给你一个很自信的答案。比如运维场景，普通 AI 可能说：这个报警可能是水流不足。但更好的 Agent 会说：根据历史事件，水流不足是可能原因；但这次缺最近两小时的进出口温度和水泵频率，所以置信度不够，建议先补查这几个点。这才是企业要的答案。

18. 第五部分 · schema 让它不乱写

它还有一个非常重要的设计，叫 schema。简单说，就是先约定：脑里有哪些目录、哪些页面类型、不同对象之间能有哪些关系。

19. 有了 schema，Agent 才像知识管理员

没有 schema，Agent 写知识就容易变成流水账：今天写 notes，明天写 projects，后天写 inbox，长期一定失控。有了 schema，它才能像一个知识管理员：知道会议放哪里、人物怎么建页、公司有哪些字段、项目关联哪些人和会议。这就是它和普通笔记软件的区别——不是让人更好地记笔记，而是让 Agent 按规则，维护一个长期知识系统。

20. 行业脑，要有自己的 schema

这一点对垂直行业特别有启发。比如做暖通的项目脑，就不该照搬它默认的人、公司、投资模型，而要有自己的 schema：项目、设备、点位、报警、事件、故障模式、控制策略、算法实例、阈值、客户需求。Agent 看到一次报警，不是随便写段总结，而是按 schema，关联项目、设备、点位、历史事件和处理结果。这才是行业 AI 真正能沉淀资产的方式。

21. 第六部分 · 从个人记忆到公司脑

再往上走一层：从个人记忆，到组织记忆，也就是公司脑。它不是简单把个人知识库共享给团队。

22. 公司脑 = 共享，但隔离

它在个人脑之上加三件事：第一，多来源，一个脑里可以有共享 wiki、客户笔记、内部运维、法务资料，逻辑上分开；第二，按人登录、带权限范围，每个人或每个 Agent 有自己的凭证，凭证决定能读哪些、能写哪个；第三，每个人有自己的目录、定时任务和技能，但共用一个组织脑。销售读客户和 wiki，运维读项目和报警，普通成员不能乱看法务和敏感资料。没有权限边界的公司脑，最后一定是安全事故。

23. 一个脑，多个入口，后台还在整理

还有两点。一是它走 MCP，可以同时暴露给本地的 Claude Code、Cursor，和远程的 Claude、ChatGPT——不同 Agent 客户端，查的是同一个脑。未来企业里工具不会只有一个，但长期知识脑应该统一，否则组织知识就碎了。二是它有定时任务，文档里叫 dream cycle：后台定期同步邮件会议、补全实体、修引用、合并重复、生成简报。它不是你问才答，而是后台一直在做知识的整理——本质就是 Agent 时代的知识 ETL。

24. 第七部分 · 方向很强，但别神化

讲到这，你可能想：那能不能直接拿 GBrain 做企业知识库？我的判断是：先冷静，别这么干。

25. 它是个很强的 0.x，不是生产底座

它现在更像一个架构思想很强、工程进展很快的 0.x 项目。GitHub 上星标接近两万，README 里说 OpenClaw、Hermes 都部署在用，规模到十几万页面。这说明它不是玩具。但版本还停在 0.41，没有正式发布；issue 里能看到中文实体抽取、同步卡死、迁移、来源查询这些基础设施问题；第三方也说：架构好、长期价值高，但代码年轻、破坏性变更频繁、多租户成熟度低。所以它适合高手自用、研究、内网原型，不适合直接承载核心知识、敏感资料和多租户权限。

26. 结论 · 从 RAG 到 Agent Brain

但更重要的，是它给了企业 AI 一个新范式。过去我们做企业 AI，常从知识库开始：上传资料、做问答。GBrain 提醒我们：知识库只是第一步，企业真正需要的是组织记忆——能沉淀事实，能记录证据链，能建立关系，既能被 Agent 读、也能被写，能区分权限，能定时整理，还能指出缺口。如果说 RAG 让 AI 能查文档，那么 GBrain 代表的问题是：AI 怎么拥有长期的组织记忆。这，可能才是企业 AI 真正进入工作流的下一步。