GBrain — глава Y Combinator выложил систему памяти для ИИ-агентов, на которой живёт сам

Гарри Тан открыл доступ к GBrain — своей рабочей системе долговременной памяти для ИИ-агентов на базе Postgres, pgvector и markdown-файлов в git. Разбираюсь, почему этот подход работает.

ИИ-агентыИнструменты

Гарри Тан — президент Y Combinator — выложил в открытый доступ GBrain, свою систему долговременной памяти для ИИ-агентов. И это не очередной концепт из твиттера, а рабочая конфигурация, на которой он сам живёт каждый день.

Что за зверь

GBrain — это система извлечения знаний, построенная на Postgres и pgvector. Она работает поверх git-репозитория с markdown-файлами и превращает его в полноценную базу знаний для агентов OpenClaw и Hermes Agent.

Масштаб впечатляет: 10 000+ markdown-файлов, 3 000+ профилей людей, 13 лет данных из календаря, 5 800 заметок из Apple Notes плюс все записи встреч. По сути, вся профессиональная жизнь человека — в одном месте, доступная агенту по запросу.

Так почему это не «ещё одна обёртка»

Подход Тана интересен именно своей прямолинейностью. Никаких сложных графов знаний или кастомных баз данных. Просто markdown-файлы в git, векторный поиск через pgvector и набор скиллов, которые знают, как с этим работать.

Это очень похоже на то, что я делаю через Notion: структурированные заметки, связи между документами, агенты, которые умеют в этих данных ориентироваться. Разница в том, что Тан пошёл в сторону файловой системы и git, а я — в сторону баз данных и API. Оба подхода рабочие, и каждый выбирает инструмент под свою архитектуру.

Что с этим делать

Если вы уже работаете с OpenClaw или Hermes Agent — GBrain подключается напрямую. MIT-лицензия, полный доступ к коду и схеме. Если нет — это как минимум отличный пример того, как можно организовать долговременную память агента без магии и без подписок.

Репозиторий: github.com/garrytan/gbrain

По теме

Если вы строите собственную систему памяти для агентов и хотите разобраться, какой подход лучше подойдёт под ваши задачи — давайте обсудим.