आपका AI एजेंट चतुर है लेकिन भुलक्कड़ है। हर नया सत्र शून्य से शुरू होता है – पिछले मंगलवार को आप किससे मिले, आपने क्या पढ़ा, आपने क्या निर्णय लिया, इसकी कोई याद नहीं। GBrain उसके लिए एक ओपन-सोर्स फिक्स है। गैरी टैन (वाई कॉम्बिनेटर के अध्यक्ष और सीईओ) द्वारा अपने स्वयं के ओपनक्लाव और हर्मीस तैनाती को शक्ति देने के लिए निर्मित, यह एक मार्कडाउन-प्रथम, पोस्टग्रेज-समर्थित ज्ञान परत है जो बैठकों, ईमेल, ट्वीट्स और नोट्स को समाहित करती है, फिर शीर्ष पर एक टाइप किए गए ज्ञान ग्राफ को ऑटो-वायर करती है – ग्राफ निष्कर्षण के लिए शून्य एलएलएम कॉल के साथ। वर्तमान में गैरी के वास्तविक एजेंटों के पीछे उत्पादन मस्तिष्क मौजूद है 146,646 पृष्ठ, 24,585 लोग, 5,339 कंपनियाँ, और 66 स्वायत्त क्रॉन नौकरियाँ. अपने स्वयं के बेंचमार्क (ब्रेनबेंच, 240 पेज का समृद्ध-गद्य संग्रह) पर, जीब्रेन हिट है P@5 49.1% और R@5 97.9%ग्राफ़ परत अक्षम होने पर समान कोडबेस पर +31.4-पॉइंट P@5 लीड।
यह एक व्यावहारिक ट्यूटोरियल है. आप GBrain को स्थानीय रूप से स्थापित करेंगे, एक छोटे नोट्स फ़ोल्डर को आयात करेंगे, एक वास्तविक खोज चलाएंगे, नॉलेज ग्राफ़ वायर को स्वयं देखेंगे, और इसे MCP के माध्यम से क्लाउड कोड से कनेक्ट करेंगे। ख़त्म होने में लगभग 20 मिनट लगते हैं। नीचे दिए गए सभी टर्मिनल आउटपुट लाइव इंस्टाल से कैप्चर किए गए थे जीब्रेन v0.38.2.0. रिपॉजिटरी (MIT-लाइसेंस प्राप्त) github.com/garrytan/gbrain पर मौजूद है।
आप क्या बना रहे हैं
ट्यूटोरियल के अंत तक, आपके पास होगा:
- एक स्थानीय
~/.gbrain/brain.pgliteडेटाबेस – एम्बेडेड पोस्टग्रेज़ 17 (WASM के माध्यम से) पीजीवेक्टर के साथ, शून्य सर्वर कॉन्फ़िगरेशन। - लोगों, कंपनियों और अवधारणाओं के बारे में मार्कडाउन नोट्स का एक छोटा “ब्रेन रेपो”।
- एक कार्यशील हाइब्रिड-सर्च सीएलआई जो वेक्टर + बीएम25 कीवर्ड + रेसिप्रोकल रैंक फ़्यूज़न (आरआरएफ) को जोड़ती है, डिफ़ॉल्ट रूप से शीर्ष पर ज़ीरोएन्ट्रॉपी रीरैंकर के साथ।
- एक टाइप किया गया ज्ञान ग्राफ (
works_at,founded,invested_in,attended,advises,mentions) आपके नोट्स से स्वतः निकाला गया। - एक एमसीपी सर्वर उजागर हो रहा है 74 उपकरण इसलिए क्लाउड कोड, कर्सर और विंडसर्फ सीधे मस्तिष्क को पढ़ और लिख सकते हैं।
आवश्यक शर्तें
- macOS या Linux (Windows उपयोगकर्ता: WSL2 का उपयोग करें)।
- एक कोड संपादक.
- बन ≥ 1.3.10 (रनटाइम जीब्रेन शिप; रेपो पर
package.jsonइसे न्यूनतम इंजन घोषित करता है)। हम इसे चरण 1 में स्थापित करेंगे. - से एक एम्बेडिंग एपीआई कुंजी एक इनमें से: ज़ीरोएन्ट्रॉपी (डिफ़ॉल्ट), ओपनएआई, या वॉयेज। इसके बिना, आप अभी भी कीवर्ड खोज स्थापित और चला सकते हैं, लेकिन
gbrain query(हाइब्रिड + वेक्टर) कोई परिणाम नहीं लौटाएगा। - वैकल्पिक: खोज के दौरान बहु-क्वेरी विस्तार के लिए एक एंथ्रोपिक एपीआई कुंजी।
चरण 1 – बन और जीब्रेन स्थापित करें
GBrain टाइपस्क्रिप्ट में लिखा गया है और बन पर चलता है। पहले इसे इंस्टॉल करें:
curl -fsSL https://bun.sh/install | bash
exec $SHELL # reload shell so `bun` is on PATH
bun --versionअब GBrain इंस्टॉल करें। V0.38 के अनुसार, कैनोनिकल इंस्टाल पथ एक एकल वैश्विक बन इंस्टाल है:
bun install -g github:garrytan/gbrain
gbrain --version
# gbrain 0.38.2.0चरण 2 – अपने मस्तिष्क को प्रारंभ करें
gbrain init --pglite में एक स्थानीय PGLite डेटाबेस का प्रावधान करता है ~/.gbrain/. PGLite WASM में संकलित पूर्ण पोस्टग्रेज़ है – कोई सर्वर नहीं, कोई डॉकर नहीं, लगभग दो सेकंड में तैयार हो जाता है।
इस ट्यूटोरियल के लिए हम एम्बेडिंग प्रदाता को स्थगित कर देंगे ताकि आप तुरंत एपीआई कुंजी के बिना अनुसरण कर सकें – जब हम हाइब्रिड खोज चलाएंगे तो हम इसे चरण 6 में तार देंगे:
gbrain init --pglite --no-embedding(यदि आप अभी एम्बेडिंग कॉन्फ़िगर करना चाहते हैं, तो इनमें से एक सेट करें OPENAI_API_KEY, ZEROENTROPY_API_KEYया VOYAGE_API_KEY सादे दौड़ने से पहले अपने वातावरण में gbrain init --pglite.)
ताज़ा इंस्टाल से कैप्चर किया गया वास्तविक आउटपुट (संक्षिप्तता के लिए छोटा किया गया – स्कीमा v1 → v85 से 81 माइग्रेशन हैं):
Setting up local brain with PGLite (no server needed)...
Schema version 1 → 85 (81 migration(s) pending)
[2] slugify_existing_pages...
[2] ✓ slugify_existing_pages
[3] unique_chunk_index...
[3] ✓ unique_chunk_index
...
Brain ready at /home/you/.gbrain/brain.pglite
0 pages. Engine: PGLite (local Postgres).अब आपके पास एक खाली दिमाग है. पुष्टि करना:
gbrain stats
# Pages: 0
# Chunks: 0
# Embedded: 0
# Links: 0
# Tags: 0
# Timeline: 0चरण 3 – एक छोटा मस्तिष्क रेपो बनाएं
ब्रेन रेपो केवल मार्कडाउन फ़ाइलों की एक निर्देशिका है। प्रत्येक फ़ाइल GBrain का अनुसरण करती है संकलित सत्य + समयरेखा पैटर्न: शीर्ष पर एक वर्तमान सबसे अच्छी समझ वाला अनुभाग, नीचे केवल परिशिष्ट साक्ष्य निशान।
महत्वपूर्ण: विकिलिंक को पूर्ण स्लग पथ का उपयोग करना चाहिए (जैसे, [[people/alice-chen]]न सिर्फ [[alice-chen]]) उन्हें हल करने के लिए ग्राफ़ एक्सट्रैक्टर के लिए। यह एक वास्तविक पकड़ है – मैंने दोनों रूपों का परीक्षण किया; संक्षिप्त रूप चुपचाप शून्य लिंक उत्पन्न करता है।
mkdir -p ~/my-brain/people ~/my-brain/companies ~/my-brain/concepts
cd ~/my-brainएक व्यक्ति पृष्ठ बनाएं:
cat > people/alice-chen.md <<'EOF'
---
type: person
title: Alice Chen
tags: [founder, ai-infra]
---
Founder and CEO of [[companies/acme-ai]]. Previously staff engineer at
Google Brain. Focus area: inference optimization for small language models.
---
- 2024-03-12: Met at AI Engineer Summit. Discussed sparse MoE routing.
- 2024-09-04: Announced $12M seed led by Sequoia.
- 2025-01-18: Shipped open-source inference router on GitHub.
EOFएक कंपनी पेज:
cat > companies/acme-ai.md <<'EOF'
---
type: company
title: Acme AI
tags: [startup, inference]
---
YC W24 inference-optimization startup. Founded by [[people/alice-chen]].
Building latency-aware routing for sub-7B models.
---
- 2024-09-04: $12M seed, led by Sequoia.
- 2025-01-18: Open-sourced their inference router.
EOFऔर एक अवधारणा पृष्ठ:
cat > concepts/inference-optimization.md <<'EOF'
---
type: concept
title: Inference Optimization
tags: [ml-systems]
---
Techniques to reduce latency and cost when serving language models:
quantization, speculative decoding, KV-cache reuse, and request batching.
EOFचरण 4 – रेपो आयात करें
gbrain import निष्क्रिय है (सामग्री-हैश डुप्लिकेट किया गया)। हम पास हो जायेंगे --no-embed इसलिए यह चरण उन पाठकों के लिए नियतात्मक है जिनके पास अभी तक एम्बेडिंग कुंजी सेट नहीं है – चरण 6 में एम्बेडिंग बैकफ़िल हो जाती है। वास्तविक आउटपुट:
gbrain import ~/my-brain/ --no-embed[gbrain phase] import.collect_files start dir=/home/you/my-brain/ strategy=markdown
[gbrain phase] import.collect_files done 2ms files=3
Found 3 markdown files
[import.files] 3/3 (100%) imported=3 skipped=0 errors=0
Import complete (0.3s):
3 pages imported
0 pages skipped (0 unchanged, 0 errors)
3 chunks createdपुष्टि करना:
gbrain list
# companies/acme-ai company 2026-05-22 Acme AI
# concepts/inference-optimization concept 2026-05-22 Inference Optimization
# people/alice-chen person 2026-05-22 Alice Chenचरण 5 – ज्ञान ग्राफ को तार दें
पहली बार आयात के लिए, अपने विकिलिंक से ग्राफ़ को बैकफ़िल करने के लिए लिंक एक्सट्रैक्टर को स्पष्ट रूप से चलाएँ। यह शुद्ध रेगेक्स + टाइप किया गया अनुमान है – शून्य एलएलएम कॉल.
gbrain extract links --source dbवास्तविक आउटपुट:
[extract.links_db] 3/3 (100%) done
Links: created 2 from 3 pages (db source)
Done: 2 links, 0 timeline entries from 3 pagesविकिलिंक से दो प्रकार के किनारों का अनुमान लगाया गया: alice-chen --works_at--> acme-ai (“संस्थापक और सीईओ…” से) और acme-ai --founded--> alice-chen (“द्वारा स्थापित…” से)। अनुमान कैस्केड क्रम में आग लगाता है: FOUNDED → INVESTED → ADVISES → WORKS_AT → MENTIONS. लूप में कोई मॉडल नहीं.
ग्राफ़ का सीधे निरीक्षण करें:
gbrain graph-query people/alice-chen --depth 1
# [depth 0] people/alice-chen
# --works_at-> companies/acme-ai (depth 1)gbrain backlinks companies/acme-ai
# [
#
# "from_slug": "people/alice-chen",
# "to_slug": "companies/acme-ai",
# "link_type": "works_at",
# "context": "Founder and CEO of [[companies/acme-ai]]...",
# "link_source": "markdown",
# ...
#
# ]वेक्टर खोज और संरचित पुनर्प्राप्ति के बीच यही अंतर है। “एक्मे एआई में कौन काम करता है?” अब यह एक-हॉप टाइप-एज ट्रैवर्सल है, समानता स्कोर नहीं। वह संरचनात्मक चैनल ब्रेनबेंच पर ग्राफ़-अक्षम संस्करण पर +31.4-पॉइंट P@5 लिफ्ट को संचालित करता है।
चरण 6 – एक खोज चलाएँ
GBrain दो खोज क्रियाएँ शिप करता है। gbrain search केवल कीवर्ड है (पोस्टग्रेज पर बीएम25)। tsvector) और एम्बेडिंग के बिना काम करता है:
gbrain search "inference"
# [0.3648] companies/acme-ai -- YC W24 inference-optimization startup...
# [0.3648] people/alice-chen -- Founder and CEO of [[companies/acme-ai]]...gbrain query पूर्ण हाइब्रिड पाइपलाइन है: वेक्टर (पीजीवेक्टर पर एचएनएसडब्ल्यू) + बीएम25 + पारस्परिक रैंक फ़्यूज़न + वैकल्पिक मल्टी-क्वेरी विस्तार (एंथ्रोपिक हाइकु) + एक वैकल्पिक ज़ीरोएन्ट्रॉपी रीरैंकर। इसे एम्बेडिंग की आवश्यकता है, जिसे हमने चरण 2 में स्थगित कर दिया था – अब उन्हें तार दें:
# Set one of: ZEROENTROPY_API_KEY (default), OPENAI_API_KEY, or VOYAGE_API_KEY
export OPENAI_API_KEY=sk-...
gbrain config set embedding_model openai:text-embedding-3-large
gbrain embed --all # one-time backfill against your embedding provider
gbrain query "who works on small-model inference?"# Set one of: ZEROENTROPY_API_KEY (default), OPENAI_API_KEY, or VOYAGE_API_KEY
export OPENAI_API_KEY=sk-...
gbrain config set embedding_model openai:text-embedding-3-large
gbrain embed --all # one-time backfill against your embedding provider
gbrain query "who works on small-model inference?"तीन खोज मोड बॉक्स से बाहर भेजे जाते हैं – conservative, balanced, tokenmax – लागत/गुणवत्ता नॉब्स को एक कॉन्फ़िगरेशन कुंजी में बंडल करना। डिफ़ॉल्ट है balanced ज़ीरोएन्ट्रॉपी रीरैंकर चालू होने के साथ। आरआरएफ फॉर्मूला: score = sum(1 / (60 + rank)).
चरण 7 – एमसीपी के माध्यम से क्लाउड कोड से कनेक्ट करें
मस्तिष्क तब अधिक उपयोगी होता है जब कोई एआई एजेंट इसे सीधे पढ़ और लिख सकता है। GBrain उजागर करता है 74 उपकरण stdio के माध्यम से मॉडल संदर्भ प्रोटोकॉल पर। कैनोनिकल सेटअप एक कमांड है (हाथ से संपादित JSON फ़ाइल नहीं):
claude mcp add gbrain -- gbrain serveइंस्टॉल सत्यापित करें:
claude mcp list
# gbrain stdio gbrain serveअब क्लाउड कोड से कुछ इस तरह पूछें “अनुमान अनुकूलन के लिए मस्तिष्क की खोज करें” और यह के माध्यम से मार्ग होगा search उपकरण और अपने अनुक्रमित परिणाम लौटाएँ। वास्तविक एमसीपी टूल नाम सादे स्नेक_केस हैं: get_page, put_page, delete_page, list_pages, search, query, add_link, get_backlinks, add_tagऔर 65 और।
कर्सर और विंडसर्फ़ अपनी संबंधित सेटिंग UI में मानक MCP JSON कॉन्फ़िगरेशन का उपयोग करें। सर्वर विशिष्टता समान है:
"mcpServers":
"gbrain": "command": "gbrain", "args": ["serve"]
क्लाउड डेस्कटॉप उपयोग claude_desktop_config.json के लिए स्थानीय stdio समान JSON विशिष्टता वाले MCP सर्वर। दूर HTTP MCP सर्वर को सेटिंग्स → बियरर टोकन के साथ एकीकरण के माध्यम से जोड़ा जाना चाहिए। देखना docs/mcp/CLAUDE_DESKTOP.md जीयूआई वॉकथ्रू के लिए रेपो में।
यदि आप किसी मशीन से रिमोट एक्सेस चाहते हैं, तो HTTP के लिए stdio को स्वैप करें:
gbrain serve --http --port 8787
# Bearer auth, default-deny CORS, two-bucket rate limit, per-request audit log.
# Postgres-only by design (PGLite is local-only).चरण 8 – मस्तिष्क को स्वयं चलने दें
GBrain एक ऑटोपायलट लूप शिप करता है। V0.36.4 के अनुसार, एक कमांड एक निर्भरता-आदेशित सुधार योजना की गणना करता है, प्रत्येक चरण को मिनियन जॉब के रूप में सबमिट करता है, चरणों के बीच मस्तिष्क के स्वास्थ्य स्कोर की दोबारा जांच करता है, और आपकी लागत सीमा से अधिक खर्च करने से इनकार करता है:
gbrain doctor --remediate --yes --target-score 90 --max-usd 5या इसे डेमॉन के रूप में चलाएँ:
gbrain autopilot --install # cron-driven, 5-minute tickस्वस्थ मस्तिष्क टिकों के बीच 60 मिनट तक सोते हैं। अस्वस्थ लोगों को पूरी रात का चक्र मिलता है: सिंक करना, निकालना, एम्बेड करना, समेकित करना, संश्लेषण करना। तीन चरण (synthesize, patterns, consolidate) सुरक्षित हैं इसलिए एमसीपी से जुड़ा एजेंट चुपचाप एपीआई क्रेडिट को बर्न नहीं कर सकता है।
तदर्थ पृष्ठभूमि कार्य के लिए, minions क्यू शेल जॉब्स और एलएलएम सबएजेंट जॉब्स को एक साथ लेती है:
gbrain jobs submit sync --params '' --follow
gbrain jobs stats
gbrain jobs work --queue defaultएक पीजीलाइट चेतावनी: gbrain jobs supervisor (ऑटो-रीस्टार्टिंग वर्कर डेमॉन) है केवल पोस्टग्रेज. PGLite का विशेष फ़ाइल लॉक अलग कार्यकर्ता प्रक्रिया को अवरुद्ध करता है – CLI एक स्पष्ट त्रुटि के साथ अस्वीकार कर देता है config.engine === 'pglite'. यदि आप पीजीलाइट पर हैं, तो इनलाइन से जुड़े रहें --follow ट्यूटोरियल के लिए नौकरियाँ, या चलाएँ gbrain migrate --to supabase एक सतत कार्यकर्ता खड़े होने से पहले.
रूटिंग नियम: नियतात्मक कार्य (ट्वीट खींचें, JSON को पार्स करें, एक पेज लिखें) मिनियन को जाता है; निर्णय कार्य (एक इनबॉक्स ट्राइएज करें, प्राथमिकता का आकलन करें) एलएलएम उप-एजेंटों को जाता है।
अभी क्या हुआ, एक चित्र में
markdown files ──> PGLite + pgvector <──> 43 skills
(your repo, (hybrid retrieval + (HOW to use the brain;
source of truth) typed graph) RESOLVER.md routes intent)
▲ │
└────────────── agent reads/writes ──────────┘मार्कडाउन रेपो रिकॉर्ड की प्रणाली है। GBrain इसके ऊपर पुनर्प्राप्ति + ग्राफ़ परत है। एजेंट दोनों को पढ़ता और लिखता है, और मनुष्य हमेशा किसी को भी खोल सकता है .md फ़ाइल करें और इसे सीधे संपादित करें – gbrain sync परिवर्तन उठाता है.
आगे कहाँ जाना है
- एक-पंक्ति कैप्चर (v0.38 में नया):
gbrain capture "the thought I want to remember"सीधे अंदर उतरता हैinbox/YYYY-MM-DD-<hash>. स्वीकार भी करता है--file,--stdinऔर वेबहुक अंतर्ग्रहण के माध्यम सेgbrain serve --http /ingest. - सुपाबेस पर माइग्रेट करें जब आपका मस्तिष्क स्थानीय स्तर से अधिक विकसित हो जाता है (पीजीलाइट ~50 हजार पृष्ठों तक अच्छा है):
gbrain migrate --to supabase. - वास्तविक डेटा ग्रहण करें व्यंजनों में से एक के साथ: आवाज (ट्विलियो + ओपनएआई रीयलटाइम), ईमेल + कैलेंडर, 16 एम्बेडिंग प्रदाता, क्रेडेंशियल गेटवे।
- बेंचमार्क चलाएँ सहोदर रेपो gbrain-evals में: BrainBench (सिंथेटिक) और
gbrain eval longmemeval(सार्वजनिक LongMemEval बेंचमार्क)। - अपना कौशल स्वयं लिखें। एक कौशल एक मोटी मार्कडाउन फ़ाइल है जो वर्कफ़्लो को एन्कोड करती है – ट्रिगर्स, चेक, गुणवत्ता गेट।
gbrain check-resolvableरीचैबिलिटी/एमईसीई/ड्राई के लिए कौशल वृक्ष को मान्य करता है।
GBrain के पीछे गहरा दांव यही है पतला हार्नेस, मोटा कौशल एक मोटे एजेंट के पीछे सूक्ष्म कौशल को मात देता है। रनटाइम छोटा रहता है; खुफिया जानकारी मार्कडाउन फाइलों में रहती है जिसे एजेंट निर्णय के समय पढ़ता है। आपके द्वारा अपने ब्रेन रेपो के लिए की गई प्रत्येक प्रतिबद्धता एक स्थायी संदर्भ है जो आपके एजेंट को अगली बार जागने पर विरासत में मिलती है। आप इसे जितनी देर तक चलाएंगे, यह उतना ही अधिक स्मार्ट होता जाएगा।
मार्कटेकपोस्ट का विज़ुअल व्याख्याता
चाबी छीनना
- GBrain (v0.38.2.0) AI एजेंटों को एक सतत, मार्कडाउन-पहली मेमोरी लेयर देता है – जिसे गैरी टैन ने 146,646 पृष्ठों और 24,585 लोगों को रखने वाले अपने स्वयं के OpenClaw/Hermes परिनियोजन को शक्ति देने के लिए बनाया है।
- इंस्टॉल स्थानीय रूप से पीजीलाइट पर ~30 मिनट में चलता है (पोस्टग्रेज 17 को डब्ल्यूएएसएम, शून्य सर्वर पर संकलित किया गया है) और जरूरत पड़ने पर सुपाबेस या सेल्फ-होस्ट किए गए पोस्टग्रेज को स्केल करता है।
- प्रत्येक विकिलिंक को रेगेक्स अनुमान कैस्केड द्वारा पार्स किया जाता है (
FOUNDED → INVESTED → ADVISES → WORKS_AT) जो शून्य एलएलएम कॉल के साथ टाइप किए गए ग्राफ किनारों को लिखता है। - हाइब्रिड खोज (वेक्टर + बीएम25 + आरआरएफ + ज़ीरोएंट्रॉपी रीरैंकर) ब्रेनबेंच पर पी@5 49.1% / आर@5 97.9% तक पहुंचती है – ग्राफ़-अक्षम वेरिएंट पर +31.4-पॉइंट पी@5 की बढ़त।
- एमसीपी पर 74 टूल्स को उजागर करता है – इसे एक सिंगल के साथ क्लाउड कोड में तार दें
claude mcp add gbrain -- gbrain serveऔर आपका एजेंट मस्तिष्क को सीधे पढ़/लिख सकता है।
इसकी जाँच पड़ताल करो GitHub रेपो और कार्यान्वयन कोड. इसके अलावा, बेझिझक हमें फॉलो करें ट्विटर और हमारे साथ जुड़ना न भूलें 150k+ एमएल सबरेडिट और सदस्यता लें हमारा न्यूज़लैटर. इंतज़ार! क्या आप टेलीग्राम पर हैं? अब आप हमसे टेलीग्राम पर भी जुड़ सकते हैं।
क्या आपको अपने GitHub रेपो या हगिंग फेस पेज या उत्पाद रिलीज़ या वेबिनार आदि को बढ़ावा देने के लिए हमारे साथ साझेदारी करने की आवश्यकता है? हमारे साथ जुड़ें
