让 AI 代理拥有真正的记忆

Garry Tan 公开了他的个人 AI 架构 GBrain：用 Markdown 仓库存知识，Postgres/pgvector 做混合搜索，管理着 1 万多份文件。有了这个记忆层，他的代理 OpenClaw 和 Hermes 能在夜间跑"梦境循环"——自动整理、归纳、关联信息，而不是每次对话都失忆。

我的判断：能持久检索的记忆层，是 AI 从"问答工具"变成"真正了解你工作的助手"的关键一步。 Tan 用 MIT 许可把整套方案开源，明显是在赌开发者想要掌控自己的 AI 栈，而不是被某个 API 锁死。他的 YC 身份会让这个信号传得更远。

目前讨论这个的人还不多，但我觉得很多人低估了它的影响：代理维护的知识图谱和时间线，对需要流程延续的团队协作来说，价值很大。

聊天机器人的根本问题

判断一个方案好不好，不看社交媒体热度，看它能不能真的提升产出。

• 没有记忆的聊天工具永远只能在当前上下文里打转，不可能"了解"你的工作
• GBrain 配合 OpenClaw 的多通道网关和 Hermes 的技能共享，代理能在无人值守时自己整理资料、构建知识网络
• 但也有门槛：更适合愿意自己搭建和维护的人；企业用的话需要加上版本控制和权限管理

开源和封闭的拉锯还在继续：随着开源记忆方案越来越好用，谁能把"写入可靠性"和"团队协作"做好，谁就能把代理从玩具变成生产力工具。

| 立场 | 依据 | 行业影响 | 我的看法 | |------|------|----------|----------| | 开源建设者 | GBrain 的 Markdown→Postgres 方案，MIT 许可 | 把话题从"对话"转向"持续记忆" | 适合个人和小团队；企业需要额外的治理层 | | 封闭厂商 | 暂时没看到有效回应 | 可能会质疑开源方案的稳定性 | 随着 Hermes 等实践落地，封闭优势在缩小 | | 一线开发者 | 能和 OpenClaw/Hermes 集成，实现夜间学习 | 加速自定义代理的普及 | 早期红利给建设者；投资圈理解可能慢半拍 | | 怀疑者 | 参考 Tan 之前的 gstack/Claude 流程 | 质疑没有量化数据的可持续性 | 关键看"记忆复利"能不能跑赢 API 成本 |

需要注意的风险：

• 写入不一致会随规模放大，需要版本控制和回滚能力
• 数据量大了之后，检索质量和成本（索引、向量存储）需要持续优化
• 多个代理协作时需要权限和边界设计，不然容易互相干扰

我的结论： 现在就开始搭建记忆层的人，会在"可复用知识"和"连续任务执行"上领先；继续观望的人可能被困在每次清零的封闭产品里。

这对不同角色意味着什么？

• 个人和初创团队：自建路线更灵活，能把零散资料变成可检索的知识库，多轮任务交付更稳定
• 大公司：如果能补上治理能力（验证、审计、权限、监控），开源记忆层可以和私有数据结合，减少对单一供应商的依赖
• 模型和平台方：开放记忆和专有模型不冲突；结合起来能提升用户留存和效果，但要解决上下文上限和成本问题

重要程度：中等
分类：开源、开发者工具、技术分析

总结： 你还处在早期窗口。真正受益的是愿意动手搭建的人；如果只是被动使用，这件事和你关系不大。