OpenClaw裝上這個插件，AI才算真的記得你

這篇文章來源于至頂AI實驗室對OpenClaw + GBrain組合的實測評估報告。測試于2026年4月完成，核心問題只有一個：這套被稱為"第二大腦"的系統，究竟能不能讓AI真正記住你？

GBrain不是一個無名小卒。它于2026年4月10日正式開源，上線24小時內收獲超過5400顆GitHub星標，作者是Y Combinator的總裁兼CEO陳嘉興（Garry Tan）。他用GBrain驅動自己的OpenClaw和Hermes智能體，整個知識庫已累積17888個頁面、4383位聯系人檔案、723家公司記錄，系統內運行著21個自動化定時任務，這一切在12天內搭建完成。這不是演示環境，而是真實運轉的生產系統。

GBrain面對的是一個AI領域長期懸而未決的根本問題。大多數AI智能體沒有記憶，每次開啟新對話，一切從零開始。GBrain試圖用一套"越用越聰明"的知識積累機制來打破這個死循環。

“記憶"到底長什么樣

大多數人理解中的AI記憶，不過是把聊天記錄存起來再喂回去。GBrain的設計不同。

每一個知識頁面遵循同一個結構：分隔線上方是"編譯事實"——當前最佳理解，隨證據更新而改寫；分隔線下方是"時間線"——只增不減的證據軌跡，永遠不會被編輯。

一個真實的人物檔案頁面大概長這樣：這個人的職位、關系背景、你們見面的結論寫在上半段，會隨每次新信息刷新；而你們從2019年第一次見面到最近一次電話溝通的每一條記錄，追加在下半段，永久保留。上方是答案，下方是證據。這個分離設計，讓GBrain成為一套智能系統，而不只是筆記堆放處。

知識圖譜的"自動布線"是另一個關鍵機制：每次寫入頁面，系統自動提取實體引用，創建類型化關聯（出席了、任職于、投資了、創立了、顧問關系），整個過程零LLM調用，純確定性執行。檢索時，問"誰在Acme AI工作？"或"Bob這季度投了什么項目？"，系統可以給出單靠向量搜索永遠無法觸達的答案。

那個讓你“睡一覺就變聰明"的機制

GBrain最讓人著迷的功能，不是搜索，是Dream Cycle（夢境循環）。

每晚，GBrain的智能體會自動掃描所有對話，補全缺失實體，修正引用錯誤，整合記憶。你醒來的時候，大腦比睡前更聰明了。OpenClaw將這套機制封裝在DREAMS.md中，相當于人類睡眠時記憶鞏固過程的AI版本。

理論上很美。但實測結果給這幅圖畫潑了盆冷水。

至頂AI實驗室的評估發現，實體識別與自動建檔"極不穩定，高度依賴特定大模型"。換句話說，Dream Cycle能否正常運轉，關鍵在于你用的是什么模型。官方建議配合Claude Opus 4.6或GPT-5.4 Thinking使用，小模型往往跑不動這套讀寫循環，結果是要么什么都沒記住，要么記錯了。

這不是系統設計的問題，而是現實邊界：智能體在你睡覺時攝入會議、郵件、推文、語音通話和原始想法，豐富每一個遇到的人和公司的檔案，前提是你喂給它的是足夠強的推理引擎。

搜索真的比“找東西"難得多

系統能不能回憶起你需要的信息，依賴兩條腿走路：精確關鍵詞和語義相似度。

GBrain的檢索流水線是：意圖分類器判斷查詢類型（實體？時間？事件？通用？），然后觸發多查詢擴展，同時跑向量搜索（HNSW余弦相似度）和關鍵詞搜索（tsvector），再用RRF融合排序，疊加余弦重新評分和編譯事實加權，最后經過四層去重。

之所以要同時用向量和關鍵詞兩套檢索，是因為：只用關鍵詞，"忽略傳統智慧"這個查詢永遠找不到講"天才的公交車票理論"那篇筆記；只用向量，精確短語又容易漏掉。RRF融合讓兩者都對。

實測結果印證了這套邏輯。用精確關鍵詞和語義相近的不同表述查詢同一內容，兩種情況下都能召回目標筆記，混合檢索策略經過驗證是有效的。

根據GBrain官方基準測試，引入知識圖譜后，Recall@5從83%提升到95%，Precision@5從39%提升到45%，在240頁語料上多找對了30條答案，圖譜F1得分達86.6%，遠超grep的57.8%。

真實運轉與理想之間的距離

陳嘉興自己的生產環境部署在Render容器上，Supabase Postgres托管著一個擁有45798個頁面、98K個數據塊、25K條關聯、79K條時間線記錄的知識庫，同時跑著19個定時任務。這是一個真實運行中的重型系統。

但至頂AI實驗室的評估認為，OpenClaw + GBrain組合"更適合技術探索，距離穩定生產力工具尚有距離"，具體問題集中在兩點：

第一，后臺Dream Cycle存在延遲。知識庫更新到新信息被有效檢索，中間有一個時間窗口，這意味著你不能指望剛發生的事情立刻被系統"記住"。

第二，冷啟動門檻真實存在。記憶效果隨使用積累而提升，初期數據量少時，系統表現可能讓你覺得"和沒裝一樣"。

反過來說，一位開發者測試時詢問智能體關于某人的信息，系統調取了108封郵件、91次會議記錄，從五年的行為模式中推斷出對方的角色。這個人他自己都幾乎遺忘了，但智能體沒有。這種體驗，說明系統在積累到一定規模后，確實能提供單靠人類記憶無法還原的洞察。

“這是圖書館，不是記憶"

一個值得認真對待的區分。

有觀點認為GBrain被很多人誤解了：它不是記憶，而是圖書館。記憶會編碼某件事為什么重要、對誰重要、這種重要性如何隨時間演變；圖書館則是預先整理好的事實和觀點集合，供智能體快速檢索。

這個區分直接影響你對系統的預期。GBrain能做的事是：你明確存入的東西，它幫你結構化保存，并在需要時精準調出。它做不到的事是：自動理解"這件事對你意味著什么"，或在沒有高端模型配合時自主生成有意義的新知識關聯。

早期OpenClaw社區的討論指出，GBrain超越了簡單的信息檢索，向主動知識綜合邁進。但"邁進"意味著方向，而不是到達。至頂AI實驗室的測試結論與這一判斷基本一致：這套系統解決了AI"記不住"的痛點，跨對話記憶與混合檢索表現穩定；但"自動學習"的邊界很清晰，實體識別仍然高度依賴高端模型，后臺同步延遲也是真實的體驗減分項。

如果你已經在用OpenClaw，且手頭有高質量的文本數據需要長期管理，GBrain值得接入。如果你期待的是一個什么都不用管、自動越變越聰明的AI助理，目前這個版本還需要等待。

核心問答

Q1：GBrain和普通RAG檢索有什么本質區別？

普通RAG是把文檔切片后做向量索引，查什么找什么。GBrain在此之上增加了兩個層：一是以人和公司為單位的結構化實體檔案（編譯事實+時間線），二是自動提取的知識圖譜（人物關系、投資關系等）。檢索時不僅能做語義匹配，還能回答"A和B有什么關系？"這類圖譜問題。差距在于從被動檢索到主動知識建模。

Q2：Dream Cycle真的有用嗎？

在高端模型配合下（Claude Opus 4.6或同等水平），Dream Cycle確實能自動完成實體補全、引用修正、記憶整合。但它依賴的是每晚異步運行的LLM任務，存在延遲，且對模型推理能力要求很高。實測中，這是最不穩定的環節，小模型基本跑不動，體驗方差較大。

Q3：什么樣的用戶最適合使用GBrain這套系統？

最適合的場景是：需要長期追蹤大量人脈關系、交易歷史或領域知識，且愿意投入時間做初期數據導入的重度知識工作者。研究人員、投資人、媒體記者、高頻商務社交人群都在適用范圍內。不適合的是希望開箱即用、幾乎無配置就能體驗完整功能的普通用戶。

END本文來自至頂AI實驗室，一個專注于對AI計算機、工作站及各類AI相關硬件設備，開展基于真實使用場景評測的研究機構。