為什麼你的 AI 需要一個記憶——GBrain 個人化 AI 知識庫完整入門

你跟 ChatGPT 講過 100 次的事，下次新對話它還是不知道。

你硬碟裡躺著 500 篇 markdown 筆記，但 AI 一篇都找不到。

你三個月前怎麼決定一個產品方向、你經營過的客戶、你昨天讀完那本書的重點——全在你電腦裡，但你的 AI 看不到。

大部分人把 AI 當「更聰明的 Google」。但真正的個人化 AI 不是這個——是有記憶的同事。是知道你過去說過什麼、做過什麼、決定過什麼、然後在你今天要做新決策時，幫你把過去那些拉出來給你看。

這篇我會講清楚：誰需要個人化 AI、它真正能做什麼、為什麼 GBrain（Y Combinator CEO Garry Tan 4 月開源的工具）是 2026 年最值得認識的解法、以及我自己半年下來的實戰心得。讓我們開始吧。

1. 失憶的 AI vs 有記憶的 AI

先把核心觀念說清楚。

你現在用的 ChatGPT、Claude、Gemini——它們本身沒有跨對話記憶。每次你打開新對話，它都不記得你昨天問過什麼、你三個月前下了什麼決策、你的客戶是誰、你的產品在哪。

差別在哪？「同事」這個詞是關鍵——

• 你跟一個合作三年的同事，不用每次解釋公司怎麼運作、客戶是誰、產品歷史
• 你跟一個新人，每次都要從零 brief
• 失憶的 AI 永遠是新人。個人化 AI 是合作三年的同事

把 AI 從新人升級成同事——這就是個人化 AI 的核心。

2. 誰會需要個人化 AI？（5 類人）

不是每個人都需要。我把真正會有感的人拆成 5 類——你大概會在其中一兩個位置看到自己。

寫作者 / 內容創作者

你寫過 50 篇部落格、200 條 Threads、各種草稿。每次想寫新東西，你模糊記得「我以前好像寫過這個」——但找不到、或想重新切角又怕跟舊文撞。

個人化 AI 能：「你上週寫的 Codex 入門，我這篇 Harness Engineering 有沒有跟它重複的點？」、「幫我找我寫過所有關於 Threads 演算法的觀點」。

創業者 / PM

你的客戶名單、產品決策、團隊規範、過去踩過的雷——全散在 Notion、Slack、Email、Google Docs、會議記錄、你自己的 markdown 裡。

個人化 AI 能：「這個客戶之前提過什麼需求？」、「我們上次定 pricing 的脈絡是什麼？為什麼選了 $20 不是 $30？」、「這個 feature 我們半年前討論過要做嗎？結論是什麼？」

知識工作者 / 研究者

你讀過 100 本書、研究過 30 個議題。每個議題都有筆記、有引用、有自己的 take——但散在不同檔案、不同主題互相關聯但你找不出來。

個人化 AI 能：「我讀過所有關於 AI agent 的書，把它們的核心觀點整理成一張對照表」、「我之前研究 Vibe Coding 的時候，跟現在這個 Harness Engineering 議題有什麼可以延伸的？」

經理 / 投資人

你管理 30 個下屬、追蹤 50 家公司、跑過幾百次會議。每個人、每家公司、每次互動都有 context——你心裡記不住全部，腦袋越來越擠。

個人化 AI 能：「這家公司上次見面是什麼時候？我們聊了什麼？」、「幫我把 A 同事過去半年所有 1-on-1 的關鍵點整理出來」、「這家新創跟我們投過的哪幾家有相似性？」

自媒體經營者

你經營 IG / Threads / YouTube。每天有想法、有觀察、有對讀者反應的觀察。但內容越來越多、你開始重複自己、找不到老梗、無法系統化你的「個人觀點地圖」。

個人化 AI 能：「我過去 3 個月在 Threads 上提過哪些觀點？哪些反應好哪些反應差？」、「這個新題目跟我以前寫過的相似嗎？該用什麼角度切才不撞舊文？」

3. 個人化 AI 可以做什麼？4 種真實應用

職業講完，講具體場景。

應用 1：追溯歷史——「之前我們怎麼決定的？」

最強、也最直接的應用。

任何過去做過的決策、聊過的話、寫過的東西——你用自然語言問：「這個產品 pricing 怎麼定的？我上次說過什麼？」AI 自動翻你的 vault、找到當時的會議記錄、決策檔、討論串，用一段話總結原因。

過去做這件事要你開三個工具：Notion 翻、Email 搜、Slack search。現在一句話。

應用 2：跨筆記關聯——「pricing 的脈絡是什麼？」

更進階的——不只是找一個檔案，是跨多個檔案找關聯。

「我們 Redia 國際定價是怎麼來的？」——AI 同時讀：你過去 6 個月所有 pricing 相關決策、所有客戶反饋、所有對手分析、所有你自己的反思。用所有這些當 context、給你一個整合答案。

這條是傳統 RAG（檢索增強生成）的甜蜜區，但 GBrain 加上了 knowledge graph——它知道「pricing」這個概念在你 vault 裡跟「Redia」、「TWD」、「stripe」、「對手 X」這些 entity 是怎麼連的，檢索精準度比純向量 RAG 高很多。

應用 3：套用個人原則——「按我過去判斷」

這條最深、也最少人用。

每個有經驗的人腦袋裡都有一套「我過去怎麼判斷類似情況」的原則。但你寫進筆記的多半是結論、不是原則本身。

個人化 AI 能：「我現在猶豫要不要做 X，根據我過去半年所有類似決策的脈絡幫我判斷」——AI 翻你 vault、找過去類似情境、抽出隱含的判斷模式，用「你過去的你」說話。

我自己用這個用得最深的場景：廣告投放決策。我設了一條原則「決策必須配對量化預測」——AI 在我每次問廣告問題時，會自動套這條原則檢查我有沒有想清楚。

應用 4：自動 ingest 你的人生

GBrain 最高槓桿的用法不是「查」，是「寫」。

Garry Tan 自己 production 跑的版本：自動化 cron jobs 在他睡覺時自動 ingest 會議記錄、Email、tweets、voice notes、Slack 訊息——全部變成可搜尋的 markdown 進 vault。

意思是你不用「主動」寫筆記。你只要說話、會議、寫信、發推、發 Slack——這些都自動變成你個人化 AI 的記憶。

醒來後 vault 多 30 個新檔案、AI 已經 index 完。你直接問問題。

4. GBrain 是什麼？為什麼這個爆紅

主角登場。

GBrain 是 Y Combinator CEO Garry Tan 在 2026/4/5 親自開源的 AI agent 記憶系統。

它的定位很精準：「把你的 markdown 筆記變成 AI agent 能讀、能寫、能推理的知識圖」。MIT license 開源、24 小時拿 5000 GitHub stars、迅速變成業界談個人化 AI 的標竿。

為什麼這個爆紅？三個關鍵：

1. 不是另一個 RAG 教學——是 Garry 自己 production 跑的系統。他自家 vault 跑了幾萬篇 markdown 頁面、上千個人物頁、上百個公司頁、加上一群 autonomous cron jobs 邊睡邊 ingest
2. 2 秒啟動——預設用 PGLite（embedded Postgres、WASM 跑）、不用 Docker、不用 server、不用 connection string。gbrain init 然後就有 brain 了
3. 明確的成本可控——支援 16 個 embedding provider，含 OpenAI / Voyage / 自家 Ollama（本機跑、不外送）。你可以選「全雲端」也可以選「整套離線本機跑、零 API 費」

我自己選的是後者——本機 Ollama 跑 bge-m3 embedding，1024 維、繁中支援、零 API 費。整個 vault 半年下來 embedding 完全沒花一毛錢。

5. GBrain 5 個關鍵設計

這節對工程師讀者深一點。普通讀者可以跳到 CH6。

設計 1：PGLite 2 秒啟動

過去自架知識庫要先 setup Postgres / Pinecone / Weaviate / 自己跑 server。GBrain 直接用 PGLite——embedded Postgres 17.5 透過 WASM 跑——你的 brain DB 就是一個 brain.pglite 檔案、跟 SQLite 一樣放在你 home 目錄。

gbrain init → 2 秒拿到一個完整 Postgres 環境、可以做 vector + tsvector + JSON 操作。零外部依賴、零設定成本。

設計 2：混合檢索 + RRF 融合

GBrain 不是純向量檢索。它同時跑兩種：

• HNSW vector search（用 embedding model 跑語意相似）
• Postgres tsvector（純 keyword 找 exact match）

然後用 Reciprocal Rank Fusion（RRF） 把兩個結果融合。為什麼這樣設計？因為純向量 RAG 有個老問題——找不到 exact entity（你問「Redia」，向量搜出來可能是「pricing 相關概念」這種糊糊的東西）。加 keyword 把這條補上。

實測 Recall@5 從純向量的 83% 拉到 RRF 的 95%。

設計 3：自動 wire knowledge graph

這條最聰明。

每次你 write 一個 markdown 頁、GBrain 用 regex 自動抽 entity 並建立 typed link（例如 works_at / invested_in / founded）。完全不調用 LLM——所以零 API 費、毫秒級。

意思是你 vault 不用手動 wiki-link（像 Obsidian 的 [[entity]] 那樣）——只要寫純自然文字、entity 會自動被識別、自動連起來。

設計 4：16 個 embedding provider

對隱私 / 成本敏感的人，這條是關鍵。

你可以選：

• 全雲端（OpenAI / Voyage / Google）——品質頂、花錢、外送資料
• 半本機（OpenRouter / Azure）——可以選企業合約版
• 全本機（Ollama / llama.cpp）——零 API 費、零外送、品質略低但夠用

我選 Ollama 跑 bge-m3——這個是中文社群最常推薦的本機 embedding model、1024 維、繁中表現意外好。

設計 5：跨 agent 通用

GBrain 不綁定特定 AI——Claude Code、Codex、自家寫的 agent、其他 MCP-compatible 工具都能讀寫。

意思是你 brain repo 是「你的 source of truth」——你今天用 Claude Code、明天換 Codex、後天接新工具，brain 不用搬家。

這條對長期使用者太關鍵——AI 工具年年換，你的記憶不該跟著遷徙。

6. 跟 Obsidian / Logseq / Notion AI 怎麼選？

GBrain 不是要取代你的筆記工具，是接在筆記工具下面當 AI 介面。

簡單版選法：

• 你只想要好用筆記 → Obsidian / Logseq
• 你公司多人協作 → Notion AI
• 你常常跟 AI 對話、想讓 AI 知道你過去說過什麼 → GBrain

而且這幾個不衝突——你可以用 Obsidian 寫筆記、Logseq 做 daily note、然後把整個 vault 註冊為 GBrain source——AI 同時讀得到。

7. 實戰：30 分鐘建好你的第一個 GBrain

放心，這節我寫得超低門檻。不用碰雲端、不用 API key、不用 Docker。

Step 1：安裝（5 分鐘）

GBrain CLI 用 Bun（一個比 Node 快 5 倍的 JS runtime）。如果你沒有 Bun：

curl -fsSL https://bun.sh/install | bash

然後 clone GBrain：

git clone https://github.com/garrytan/gbrain ~/gbrain
cd ~/gbrain && bun install

裝完 ~/gbrain/bin/gbrain 就是你的 CLI。建議加到 $PATH。

Step 2：建立你的 brain repo（5 分鐘）

挑一個資料夾當你的「brain」——可以是新空目錄、也可以是你既有的 Obsidian vault。

cd /path/to/my-brain
gbrain init

這會：

• 建立 .gbrain-source 標記檔
• 初始化 PGLite DB（在 ~/.gbrain/brain.pglite）
• 寫一份預設 config.json

Step 3：把現有 markdown 倒進去（10 分鐘）

如果你已經有 markdown 筆記——把它們複製到這個資料夾就好。GBrain 不挑結構，任何 .md 都吃。

我的建議 MECE 目錄結構：

my-brain/
├── people/        # 人物
├── companies/     # 公司
├── projects/      # 進行中專案
├── concepts/      # 知識點 / 你的觀念
├── logs/          # 會議記錄 / 對話紀錄 / 日記
└── README.md      # 整個 brain 的索引

Step 4：跑第一次 embed（5 分鐘）

這步把所有 markdown 算 embedding 進 DB：

gbrain embed --stale

第一次跑會把全部跑一遍。預設用 OpenAI（要 API key）——進階：本機 Ollama 不外送請見 GBrain README，文章篇幅有限不展開。

Step 5：第一次 query（5 分鐘）

完成。現在你可以問：

gbrain query "我過去三個月關於 X 的決策有哪些？"

或更日常的用法——接 Claude Code / Codex。在你 Claude Code 的 CLAUDE.md 加一條：

有問到既有 vault 內容、跨專案脈絡、歷史決策時，先跑 `gbrain search "<query>"`、再決定要深讀哪些檔案。

之後你跟 Claude Code 對話、它會自動跑 gbrain、自動讀對的檔案、用對的 context 回答你。

8. 我自己半年實戰的設定

理論+教學講完，講我自己怎麼用。

我半年前把整個 personal-system vault 註冊成 GBrain source。personal-system 是我自己的「思考 + 專案 + 決策」總倉庫——裡面有：

• me/ 我的身份、原則、決策風格
• projects/ 進行中的所有專案（meta-ads、blog、redia、課程平台、stripe、threads-radar...）
• logs/ 對話紀錄、stuck 卡關、研究 notes
• .agents/skills/ 自己寫的 agent skills

半年用下來，4 個關鍵設定：

1. 本機 Ollama、零外送

我選 ollama:bge-m3 當 embedding——本機跑、繁中支援好、1024 維。整個 vault 半年 embed 過數次，沒花一毛錢 API 費。

對處理客戶資料、合約、創業敏感資訊的人——這條是底線。

2. 自然語言介面、不記 CLI

我自己幾乎不用 gbrain search / gbrain query 這些命令列。取而代之，我在 CLAUDE.md 寫了一條規則：

「Ray 不需要記 gbrain CLI。Ray 只要用自然語言問：『之前怎麼決定的？』、『幫我找 Redia pricing 的脈絡』、『根據我過去原則判斷這件事』；Agent 必須自行判斷是否需要跑 GBrain。」

之後我跟 Claude Code 對話、它會自己判斷該不該跑 GBrain、跑什麼 query、然後深讀對的檔案、用人話回答。

3. 跨專案脈絡查詢

最強的場景：我同時做 4 個產品（meta-ads、redia、課程平台、blog）。每個產品的決策、教訓、客戶都散在不同目錄。

我問：「我過去半年所有產品定價決策的共同模式是什麼？」——Agent 自動跑 GBrain、找出 meta-ads、redia、課程三個專案的 pricing 決策、用一段話告訴我我有什麼隱含 pattern。

這條讓我發現好幾個自己沒意識到的盲區。

4. 跨對話 + 跨日的記憶

最長壽的價值是這個——

Claude / ChatGPT 每次新對話都失憶。但有了 GBrain、Agent 每次新對話前都會自動 query 一遍我 vault 的相關脈絡。

意思是即使我這個對話是新開的——AI 依然知道我前天決定的事、上週的客戶名單、上個月的學習筆記。從新人升級成同事的瞬間就是這個感覺。

9. 3 個容易踩的坑

天下沒有完美工具。

坑 1：筆記不夠多時搜尋品質差

業界共識：< 200 篇筆記 retrieval 開始有用，500-1000 篇 connection discovery 才開始有價值。

如果你 vault 才 30 篇——GBrain 給你的東西不會比 grep 強多少。先寫筆記、再上 GBrain，順序不要顛倒。

「需要寫多久才會 200 篇？」業界經驗：一個正常工作的人持續寫，6-8 週可以累積 200 篇可用筆記。

坑 2：沒目錄結構就是一坨

GBrain 不挑結構，但「全部丟在一個資料夾」會嚴重降低檢索品質——因為 typed link 抽取需要 context（你筆記放在 people/ 還是 concepts/ 影響 entity 怎麼解讀）。

至少建好上面提的 MECE 目錄（people / companies / projects / concepts / logs）。

坑 3：沒設 README resolvers Agent 不知道怎麼寫

GBrain 強大的點之一是**「AI 能寫進你的 brain」**——比如自動把今天會議記錄加進 people/王小明.md。但要做到這件事、每個目錄要有 README.md、告訴 AI「這個目錄的檔案應該怎麼命名、什麼內容該進這目錄」。

我自己一開始沒設、結果 Agent 把會議記錄丟得到處都是。設完之後乾淨很多。

10. 你週末就能做的事

不要把這篇收藏完就關掉。

今天就花 30 分鐘做這 3 件事：

1. 裝 GBrain（5 分鐘）
2. 挑一個你已有的 markdown 資料夾跑 gbrain init（5 分鐘）——可以是 Obsidian vault、可以是空的、可以是你 Notes app 匯出的
3. 問第一個問題（20 分鐘 — 因為你會玩上癮）：
   • 「我過去 3 個月寫過什麼？挑 5 個最重要的觀點」
   • 「我有哪些重複的觀點？哪些已經改過想法？」
   • 「找一個我以前討論過但沒推進的題目」

如果你 vault 不夠 200 篇——今天就開始累積。AI 工具年年換、模型半年改、你自己寫的筆記才會跟著你十年。GBrain 是讓這些筆記終於開始「對你的 AI 有意義」的工具。

常見問題

Q：要不要付費？GBrain 本身免費嗎？

A：GBrain 本身完全免費開源（MIT license）。費用來自 embedding provider 的選擇——選 OpenAI 要 API 費（embedding 很便宜，幾萬篇 markdown 約 $5-15 一次）；選 Ollama 本機跑、零費用。

Q：我筆記裡有客戶資料、合約、敏感資訊，可以用嗎？

A：可以，但選對 embedding provider。Ollama 本機跑 = 全程不外送，最安全。OpenAI / Voyage 雲端版會傳資料給他們。商業敏感資料強烈建議走 Ollama。

Q：可以跟 Obsidian 共用同一個 vault 嗎？

A：完全可以、而且推薦這樣用。把你 Obsidian vault 跑 gbrain init、再裝 Obsidian——兩個工具看的是同一份 markdown，Obsidian 給你寫、GBrain 給 AI 讀。我自己就是這樣用。

Q：多少筆記才開始有用？

A：200 篇開始有用、500-1000 篇開始驚艷、3000+ 篇是「整個第二大腦」的感覺。如果你還不到 200 篇，先寫再說、不要花時間調 GBrain 參數。

Q：中文 embedding 效果怎樣？

A：用 Ollama bge-m3 處理繁體中文意外好——這是中文社群最推薦的本機 embedding 之一。我自己半年下來查中文 vault、retrieval 品質沒讓我失望過。如果預算夠走雲端、Voyage 的多語模型更頂、但不是必要。

Q：跟 RAG 差在哪？GBrain 就是 RAG 包裝過嗎？

A：底層是 RAG，但加了三件 RAG 沒有的東西——(1) 混合檢索 + RRF（不只純向量、加 keyword）、(2) 自動 wire knowledge graph（regex 抽 entity 建 typed link）、(3) AI 能寫進 brain（不只讀、autonomous 在你睡覺時 ingest 你的人生）。所以 GBrain ≈ RAG + KG + write-back agent。

Q：要會寫 code 嗎？

A：Command line 要敢碰（gbrain init / gbrain embed / gbrain query）——但不需要寫 code。我這篇 7 個指令、複製貼上就能跑完整流程。

Q：以後 AI 模型換了、我的 GBrain 還能用嗎？

A：能。這是 GBrain 最強的點之一——brain repo 是 markdown + Postgres、跟特定 AI 模型完全解耦。你今天用 Claude Code、明天換 Codex、後天接新工具，brain 不用搬家、只要換接的 AI agent。

延伸資源

• GBrain GitHub repo（garrytan/gbrain）（MIT license、5000+ stars）
• GBrain Setup Guide by Vibe Sparking AI（社群最完整的中英文入門）
• Building a Private Karpathy-Style LLM Wiki With gbrain（進階：把 GBrain 加進工程工作流）
• Ollama bge-m3 model（中文本機 embedding 首推）
• 前篇延伸閱讀：
  • Harness Engineering：做 AI 產品工程師必須得知道的新技能——GBrain 是 5 維度裡「記憶」的解法
  • Claude 寫文 + Codex 配圖——分工 + 記憶 = 完整 AI 工作流