GBrain v0.12：知識圖譜 self-wiring，零 LLM 呼叫就能讓 Agent 記住你的世界

大多數人為 agent 做記憶系統時，第一個直覺是「多呼叫幾次 LLM 來提取關係」。GBrain v0.12 的 self-wiring 知識圖譜走了完全相反的路：每次頁面寫入，實體抽取與 typed link 建立全部在本地完成，零 LLM 呼叫。這個設計選擇，是整個架構最值得拆解的地方。

GBrain 是什麼，Garry Tan 為什麼做它

GBrain 是 YC CEO Garry Tan 在 2026 年 4 月 9 日發布的開源專案（MIT 授權，TypeScript），GitHub 倉庫為 garrytan/gbrain，目前累積 9,100 顆星。

它的定位是一個 markdown 知識庫引擎，專門設計給 agent 使用：你把知識寫成 markdown 頁面，GBrain 在背後維護一張知識圖譜，並透過 hybrid search（向量 + 關鍵字 + RRF Reciprocal Rank Fusion）讓 agent 在查詢時能找到真正相關的資料，而不是被向量距離的雜訊淹沒。

預設儲存層是 PGLite（本地，無需另外起伺服器），也支援接 Supabase。整個系統在 12 天內跑到生產規模：17,888 頁、4,383 個人物實體、723 間公司、21 個 cron job。

目前 GBrain 透過 MCP tools 或獨立 CLI 整合到 OpenClaw 和 Hermes Agent 兩套工具鏈中。

v0.12 的 benchmark 數字

官方 benchmark 文件（docs/benchmarks/2026-04-18-brainbench-v1.md）使用一份由 Opus 生成的 240 頁豐富散文語料（BrainBench v1）作為測試集。在這個語料上，v0.12 的混合搜尋結果如下：

GBrain v0.12 hybrid search 效能提升（官方 benchmark）

Precision@5：39.2% → 44.7%（+5.4 個百分點）
Recall@5：83.1% → 94.6%（+11.5 個百分點）
Graph-only F1：86.6% vs grep 的 57.8%（+28.8 pts）
雜訊結果：632 筆 → 300 筆（減少 53%）

純圖譜搜尋的 precision 達到 81%，而 grep 只有 41%，差距接近 2 倍。這說明知識圖譜的結構化索引在 precision 上的優勢相當明顯。

self-wiring 機制：頁面寫入如何自動建圖

self-wiring 是 v0.12 的核心架構特性。每當有頁面被寫入知識庫時，系統會立即在本地執行實體提取，並自動建立五種 typed link：

Loading diagram...

整個過程不需要任何 LLM API 呼叫，因此不會因為提取關係而產生額外的 token 費用，也不會有網路延遲。這讓知識庫可以在 agent 寫頁面的同時，即時維護圖譜的完整性。

每個頁面的結構分為兩層：上半部是「compiled truth」（當前最佳理解，可以改寫），分隔線以下是 timeline（只能 append，不能修改的證據紀錄）。這個設計讓 agent 既能更新知識，又能保留完整的溯源脈絡。

系統還有 26 個專用 skill，以及「dream cycle」：agent 在夜間自動執行，對實體進行增補、修正引用、整合記憶。

批判視角：這份 benchmark 的侷限

在引用這些數字之前，有幾個重要的脈絡需要誠實交代。

首先，這份 benchmark 語料是 Garry Tan 自己的 240 頁知識庫，由 Opus 生成，屬於作者自測。測試集與訓練集（或說調校目標）高度重疊，會自然地放大有利結果。在獨立第三方語料上的表現，目前尚無公開數據。

其次，graph-only recall（93.1%）其實略低於純 grep（98.9%）。換句話說，如果你最在意的指標是「不漏掉任何一個結果」，grep 在這份語料上反而還稍勝一籌。GBrain 圖譜搜尋的優勢在於 precision 和雜訊控制，而不是 recall 的絕對覆蓋率。

第三，advises 這種關係 link 的 recall 只有 70.6%，說明對於語意較模糊的關係類型，自動提取仍有明顯的漏抓問題。實體關係越隱晦，零 LLM 方案就越難處理。

對 agent builder 的啟發

GBrain 真正有趣的地方，不只是那幾個 benchmark 數字，而是它所示範的一種設計哲學：

把知識管理拆成「寫入時建索引」和「查詢時混合搜尋」兩個階段，並在寫入階段盡量消耗本地計算（而非 LLM token），在查詢階段才用 RRF 把多種搜尋結果整合起來。這個架構讓 agent 的記憶系統可以在不斷擴張的語料上保持穩定的 precision，而不是隨著頁面增加而讓雜訊爆炸。

compiled truth + append-only timeline 的頁面結構，也是一個對 agent 記憶設計非常實用的模式：agent 可以重寫理解，但不能抹去歷史——這個約束同時解決了記憶更新和溯源審計兩個問題。

對於正在設計自己的知識庫後端的 agent builder，GBrain 值得作為一個參考架構認真研究，但在把 benchmark 數字直接引用到簡報或技術選型文件之前，最好先在自己的語料上跑一遍獨立測試。