← Zurück zum Blog
Aica. 6 Min. Lesezeit

Garry Tans zweites Gehirn hat 155.795 Seiten und einen Korrektur-Knopf

Veröffentlicht 10. Nov. 2026
Garry Tans zweites Gehirn hat 155.795 Seiten und einen Korrektur-Knopf

Die Zahl in der README lautet 155.795 Seiten. Dann 24.589 Personen, 5.340 Firmen und 66 Cron-Jobs, die laufen, ohne dass jemand hinsieht. Das Ganze gehört Garry Tan, President und CEO von Y Combinator, und die Software ist seine: veröffentlicht unter MIT, mit einer bezahlten Hosting-Option für alle, die keine Datenbank selbst betreiben wollen.

Das Repository heißt gbrain, und der Einzeiler lautet: „Gib dem Agenten, den du ohnehin benutzt, ein Gedächtnis, das du kontrollierst.“ Dieser Satz leistet eine Menge Arbeit, denn in ihm verstecken sich mindestens drei Produkte: ein Speicher, ein Abrufsystem und ein Daemon, der weiter einsaugt, während du schläfst. Das Interessante daran ist nicht die größte Zahl.

Was „Gedächtnis“ meistens bedeutet, und was hier

Agenten-Gedächtnis ist in der Praxis meist ein Vektorindex mit freundlichem Namen. Du lädst Dokumente hinein, sie werden eingebettet, bei einer Frage kommen zehn Abschnitte zurück, die den Suchbegriff erwähnen, und das Modell setzt daraus etwas zusammen. Das funktioniert, bis man eine Frage stellt, bei der sich zwei Abschnitte widersprechen, oder bei der sich eine Tatsache vor einem halben Jahr geändert hat, oder bei der jemand wissen will, woher eine Behauptung stammt.

GBrain speichert explizite Fakten mit ihren Quellen. Es unterstützt Korrekturen und Rücknahmen – man kann etwas als falsch markieren, und die Falschheit breitet sich aus, statt für immer in einer Einbettung zu sitzen. Dasselbe Gedächtnis steht verschiedenen Agenten zur Verfügung, statt an ein einziges Gerüst geschweißt zu sein. Man beginnt mit schlüsselwortbasiertem Speicher und Abruf ohne Modell und ergänzt semantische Suche, Synthese und Hintergrundanreicherung, wenn man sie braucht. Diese Reihenfolge ist Absicht: Der billige Modus funktioniert ganz ohne Modellaufrufe.

Die Syntheseschicht ist der Teil, der das Verhalten ändert. Statt zehn Abschnitte zurückzugeben, gibt sie eine Antwort mit Belegen und einem ausdrücklichen Hinweis darauf, was das Gehirn noch nicht weiß. Diese Lückenanalyse ist ungewöhnlich. Die meisten Abrufsysteme sind strukturell unfähig zu sagen „dazu habe ich nichts“, weil eine Ähnlichkeitssuche immer ihre Top k zurückgibt, so irrelevant sie sein mögen.

A long wooden card catalog drawer pulled open in a quiet archive

Provenienz ist das eigentliche Feature

Tans Rahmung ist, dass das Gehirn ein Graben ist: Kontext nie verlieren, abfragen, was im eigenen Kopf steht, ohne es neu zu lesen. Schön und gut, aber der Graben hält nur, wenn das Gedächtnis vertrauenswürdig ist, und Vertrauen in ein Gedächtnissystem kommt aus zwei Eigenschaften, die sich schlecht demonstrieren lassen und teuer zu bauen sind.

Die erste ist Zuschreibung. Jeder Fakt zeigt auf eine Quelle. Wenn der Agent sagt, eine Firma habe eine Runde eingesammelt, kann man zurückgehen bis zur Meeting-Notiz oder zur Mail, in der das stand.

Die zweite ist Rücknahme. Wenn die Quelle falsch war oder sich die Lage geändert hat, braucht man eine Möglichkeit zu sagen „das gilt nicht mehr“, ohne die Historie zu löschen. Tans eigene Beschreibung des nächtlichen Zyklus enthält, dass der Agent seine eigenen Belege korrigiert und das Gedächtnis konsolidiert. Das ist eine Wartungsschleife, kein Generierungstrick, und es ist der Unterschied zwischen einem Notizbuch und einem System.

Darunter liegt ein typisierter Wissensgraph, was für eine bestimmte Art von Frage zählt. „Wer arbeitet bei dieser Firma“ ist kein Ähnlichkeitsproblem, sondern ein Spaziergang. Der Beziehungsabruf von GBrain hebt R@5 in der Produktion von 0,6626 auf 0,7241 im eigenen Benchmark, bei einer Graph-Oracle-Obergrenze von 0,9791. Man beachte, was diese letzte Zahl ist: eine Obergrenze, kein Produktwert. Beides zu veröffentlichen ist die Art von Handlung, die die übrigen Behauptungen leichter glaubwürdig macht.

Installation, ehrlich beschrieben

Das ist ein Bun-Projekt, und die README ist ungewöhnlich direkt, was eine Falle angeht. GBrain wird nicht über npm verteilt. Das npm-Paket namens gbrain ist unabhängig und kann die echte Binärdatei verdecken, deshalb lautet die Anweisung, ausschließlich über bun install -g github:garrytan/gbrain#stable zu installieren oder den Stable-Branch zu klonen und zu verlinken. Wer das falsche Paket erwischt hat, bekommt mit gbrain doctor den Hinweis zur Reparatur.

Für eine minimale lokale Einrichtung reicht gbrain init --pglite --no-embedding – ohne Schlüssel, ohne Server, ohne Docker. Um von anderen Rechnern darauf zuzugreifen, veröffentlicht gbrain mcp expose den Dienst über MCP in einem Tailscale-Tailnet, mit einem --funnel-Schalter für Cloud-Agenten. Die Behauptung lautet dreißig Minuten Installation. Meine Vermutung: Dreißig Minuten stimmen für jemanden, der Bun und ein Tailscale-Konto schon hat, und sind für alle anderen optimistisch – was normal ist.

Die Anbindung an einen bestehenden Agenten ist bewusst unglamourös: MCP für den allgemeinen Fall, ein Eintrag im Plugin-Marktplatz für Claude Code und Codex, ein dokumentierter Weg für gehostete Gehirne mit OAuth. Das System ist darauf ausgelegt, sich an den Agenten zu hängen, den man schon benutzt, statt ihn durch eine neue persönliche Assistenten-Identität zu ersetzen.

Der Teil, der einen beunruhigen sollte

Ein Firmengehirn und ein persönliches Gehirn sind verschiedene Bedrohungsmodelle, und die README weiß das. Entfernte, authentifizierte Clients unterliegen Quellenfreigaben, Operationsfreigaben und Sichtbarkeitsfiltern. Lokale Dateien und geteilte Datenbank-Zugangsdaten liegen auf der anderen Seite einer Vertrauensgrenze – Isolation auf Quellenebene schützt keine Aufrufer, die die Festplatte lesen können.

Das ist ein ehrlicherer Absatz, als die meisten Projekte hinbekommen. Es heißt aber auch, dass die Antwort auf „können wir das mit dem Team teilen“ nicht ja oder nein ist. Sie ist eine Liste konkreter Zugriffswege, die getestet wurden, und eine Liste derer, die es nicht wurden. Wer diese Listen nicht liest, sondern nur das Wort „Isolation“ sieht, baut sich sein eigenes Risiko zusammen.

Es gibt ein zweites, subtileres Risiko, das mit jedem langlebigen Gedächtnis kommt: Es sammelt die eigenen Fehler an. Ein Agent, der alles erinnert, erinnert auch die falsche Hypothese, an der man drei Wochen hing, den Anbieter, den man aus einem schlechten Grund verworfen hat, die Person, die man in einer Notiz falsch charakterisiert hat. Korrektur und Rücknahme sind die Mechanismen, die verhindern, dass daraus eine Sedimentschicht der schlechtesten Urteile wird. Sie zu benutzen ist eine Gewohnheit, kein Feature, und die meisten Teams bauen diese Gewohnheit erst auf, wenn etwas Peinliches auftaucht.

Was ich daraus mitnehmen würde

Nicht die Seitenzahl. Die Seitenzahl ist ein Prahlen, und zwar ein ehrliches, aber sie ist nicht übertragbar.

Die übertragbare Idee ist die Reihenfolge. Zuerst Stichwortabruf, modellfrei, am ersten Tag funktionsfähig. Semantische Schichten später, wenn man messen kann, ob sie helfen. Graphen für die Fragen, die tatsächlich Spaziergänge sind. Synthese nur dort, wo eine belegte Antwort eine Liste von Abschnitten schlägt. Und eine Wartungsschleife, die läuft, ob jemand hinsieht oder nicht, denn ein Gedächtnis, das nicht gepflegt wird, ist nur ein Haufen.

Im Repository steckt außerdem ein kleineres, schärferes Werkzeug, das einen Blick lohnt: gbrain skillopt behandelt eine SKILL.md als trainierbaren Parameter – einen Benchmark aus dem Skill erzeugen, die Bewerter stärken, den Optimierer Änderungen vorschlagen lassen und nur die behalten, die messbar besser abschneiden. Zwanzig Minuten, etwa ein Dollar an API-Aufrufen. Es ist dieselbe Philosophie im Kleinen: Wenn man die Verbesserung nicht messen kann, darf man sie nicht behalten.

Verwandte Artikel