Как перестать перечитывать собственные заметки и начать жить с GBrain

Знаете это чувство, когда через полгода открываешь свой Obsidian или Notion и понимаешь, что перед тобой кладбище информации? Вы точно помните, что записывали что-то важное про ту встречу или ту технологию, но поиск выдает десяток разрозненных фрагментов. Приходится тратить полчаса, чтобы просто восстановить контекст. Гарри Тан, президент Y Combinator, столкнулся с тем же самым, но решил проблему радикально — он написал систему, которая не просто ищет текст, а буквально думает за вас.

Проект называется GBrain. Это не очередная надстройка над вектроной базой данных, а полноценный слой «синтеза знаний», который Гарри использует для управления своими инвестициями и встречами. В его «мозгу» уже более 146 тысяч страниц, данные о тысячах компаний и людей, и все это работает на него, пока он спит.

Что это такое на самом деле

Обычно RAG-системы (Retrieval-Augmented Generation) работают по принципу: «вот тебе 5 кусков текста, где упоминается твой запрос, читай сам». GBrain идет дальше. Он делает синтез, обход графа знаний и, что самое крутое, анализ пробелов.

Представьте, что вы спрашиваете систему: «Что мне нужно знать перед завтрашней встречей с Алисой?». Обычный инструмент вывалит список файлов: протокол встречи за март, заметку из апреля, карточку компании. GBrain выдаст связный текст: «Алиса руководит разработкой в Acme. Вы обсуждали безопасность 22 апреля. Она должна была прислать отчет к 1 мая, но обновлений нет. Кстати, в базе нет данных за последние шесть недель — возможно, вы общались в Slack, который я не вижу».

Эта приписка про то, чего система не знает, меняет всё. Вы идете на встречу, понимая границы своей информированности.

Почему это работает лучше обычного поиска

Разработчики проекта заявляют о серьезном преимуществе в точности (P@5 +31.4 пункта по сравнению с обычным векторным поиском). Достигается это за счет двух вещей.

Самоорганизующийся граф знаний

Каждый раз, когда вы сохраняете страницу, GBrain вытаскивает сущности и создает связи: кто где работает, кто во что инвестировал, кто на какой встрече был. Причем делает это без дорогих вызовов LLM на каждом шагу, используя паттерны и типизацию. В итоге на вопрос «кто из моих знакомых работал в Google?» система отвечает не по ключевым словам, а по связям в графе.

Гибридный поиск и синтез

Инструмент умеет переключаться между режимами. Если вам нужны сырые данные, используйте gbrain search. Если нужен ответ — gbrain think. Второй вариант прогоняет результаты поиска через слой синтеза, который сопоставляет факты из разных источников, убирает противоречия и проставляет цитаты.

Как это пощупать

Самое приятное для нас — GBrain спроектирован так, чтобы его устанавливал и настраивал ваш AI-агент (например, Claude Code или Cursor). Но можно и по старинке через CLI.

Если у вас установлен Bun, старт займет пару минут:

bun install -g github:garrytan/gbrain
gbrain init --pglite     # создаст локальную базу за 2 секунды без Docker
gbrain import ~/notes/   # индексируем ваши markdown-заметки
gbrain query "какие темы чаще всего встречаются в моих записях?"

Для тех, кто хочет использовать это как «корпоративный мозг», есть поддержка OAuth, разделение прав доступа по логинам и возможность развернуть полноценный сервер в облаке. При этом данные остаются под вашим контролем — в вашем Git-репозитории и вашей базе данных.

Техническая начинка

Архитектура проекта довольно гибкая. В основе лежит TypeScript. В качестве движка можно использовать PGLite (Postgres в WASM) для локальной работы или полноценный Postgres с pgvector для больших объемов.

Интересен подход к схеме данных. GBrain не навязывает жесткую структуру. Он поставляется с набором готовых паков (люди, компании, сделки, письма), но умеет определять структуру вашего существующего архива. Команда gbrain schema detect проанализирует ваши папки и предложит оптимальные типы данных.

В системе уже «из коробки» 43 навыка (skills), включая захват сигналов из голоса (через Twilio), обработку почты и календарей, и даже циклы самоочистки данных — так называемый «цикл сна», когда система ночью перепроверяет цитаты и связывает разрозненные факты.

Кому стоит попробовать

GBrain — это не замена Obsidian для ведения красивых списков дел. Это инструмент для тех, кто накопил критическую массу информации и перестал в ней ориентироваться.

Проект идеально подойдет:

Разработчикам, которые хотят дать своим AI-агентам (вроде Claude Code) долгосрочную память о проектах.
Тимлидам и менеджерам для ведения истории отношений с людьми и компаниями.
Исследователям, работающим с большими объемами разнородных текстов.

Главный посыл Гарри Тана прост: ваша база знаний должна быть вашим стратегическим преимуществом, а не обузой. GBrain превращает пассивный архив страниц в активный инструмент, который готовит вас к встречам и находит неочевидные связи в данных, пока вы спите.

Учитывая, что проект активно развивается и поддерживается главой YC, за его архитектурой как минимум интересно наблюдать. А как максимум — это отличный повод наконец-то навести порядок в своих .md файлах.