← Retour au blog
AiEnviron 7 min de lecture

Le second cerveau de Garry Tan compte 155 795 pages et un bouton de correction

Publié le 10 nov. 2026
Le second cerveau de Garry Tan compte 155 795 pages et un bouton de correction

Le chiffre du README est 155 795 pages. Puis 24 589 personnes, 5 340 entreprises, et 66 tâches cron qui tournent sans que personne les regarde. Tout cela appartient à Garry Tan, président et CEO de Y Combinator, et le logiciel est le sien, publié sous MIT avec une option hébergée payante si vous préférez ne pas gérer une base de données.

Le dépôt s'appelle gbrain, et son argument en une ligne est « donnez à l'agent que vous utilisez déjà une mémoire que vous contrôlez ». La phrase travaille beaucoup, parce qu'il y a au moins trois produits cachés dedans : un stockage de mémoire, un système de récupération, et un démon qui continue d'ingérer pendant que vous dormez. L'intéressant n'est pas le plus gros chiffre.

Ce que « mémoire » veut dire d'habitude, et ici

La plupart des mémoires d'agent, en pratique, sont un index vectoriel au nom sympathique. Vous y collez des documents, il les vectorise, il récupère dix fragments qui mentionnent votre requête, et le modèle recoud quelque chose. Ça marche jusqu'à ce que vous posiez une question où deux fragments se contredisent, ou où un fait a changé il y a six mois, ou où quelqu'un a besoin de savoir d'où vient une affirmation.

GBrain stocke des faits explicites avec leurs sources. Il gère les corrections et le retrait — vous pouvez marquer quelque chose comme faux, et la fausseté se propage au lieu de rester à jamais dans un embedding. La même mémoire est disponible entre agents différents au lieu d'être soudée à un seul harnais. Vous commencez avec une mémoire et une récupération par mots-clés, sans clé, puis vous ajoutez la recherche sémantique, la synthèse et l'enrichissement en arrière-plan quand vous en avez besoin. Cet ordre est délibéré : le mode économique fonctionne sans aucun appel de modèle.

La couche de synthèse est celle qui change le comportement. Au lieu de renvoyer dix fragments, elle renvoie une réponse avec citations et une note explicite sur ce que le cerveau ne sait pas encore. Cette analyse des lacunes est inhabituelle. La plupart des systèmes de récupération sont structurellement incapables de dire « je n'ai rien là-dessus », parce que la recherche par similarité renvoie toujours son top k, aussi hors sujet soit-il.

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

La provenance est la vraie fonctionnalité

La formulation de Tan est que le cerveau est une douve : ne jamais perdre le contexte, interroger ce qu'il y a dans sa propre tête sans le relire. D'accord, mais la douve ne tient que si la mémoire est fiable, et la confiance dans un système de mémoire vient de deux propriétés ennuyeuses à démontrer et coûteuses à construire.

La première est l'attribution. Chaque fait pointe vers une source. Quand l'agent dit qu'une entreprise a levé des fonds, vous pouvez remonter à la note de réunion ou à l'e-mail qui l'affirme.

La seconde est la rétractation. Si la source était fausse, ou si la situation a changé, il vous faut un moyen de dire « ce n'est plus vrai » sans supprimer l'historique. La description que fait Tan du cycle nocturne inclut un agent qui corrige ses propres citations et consolide sa mémoire. C'est une boucle de maintenance, pas une astuce de génération, et c'est la différence entre un carnet et un système.

Il y a dessous un graphe de connaissances typé, ce qui compte pour un type précis de question. « Qui travaille dans cette entreprise » n'est pas un problème de similarité ; c'est une marche dans un graphe. La récupération de relations de GBrain fait passer le R@5 en production de 0,6626 à 0,7241 sur son propre benchmark, avec une borne supérieure d'oracle à 0,9791. Notez ce qu'est ce dernier chiffre : une borne, pas un score produit. Publier les deux est le genre de chose qui rend le reste des affirmations plus crédible.

L'installation, honnêtement

C'est un projet Bun, et le README est d'une franchise inhabituelle sur un piège. GBrain n'est pas distribué sur npm. Le paquet npm nommé gbrain n'a aucun rapport et peut masquer le vrai binaire, donc la consigne est d'installer uniquement via bun install -g github:garrytan/gbrain#stable, ou de cloner la branche stable et de la lier. Si vous avez installé le mauvais, gbrain doctor vous donne la correction.

Pour une installation locale minimale, vous pouvez lancer gbrain init --pglite --no-embedding — sans clé, sans serveur, sans Docker. Pour y accéder depuis d'autres machines, gbrain mcp expose le publie en MCP sur un tailnet Tailscale, avec un drapeau --funnel pour les agents dans le cloud. L'annonce est une installation en trente minutes. Mon pari : trente minutes, c'est juste pour quelqu'un qui a déjà Bun et un compte Tailscale, et optimiste pour tout le reste du monde, ce qui est normal.

Le brancher sur un agent existant est délibérément peu glamour : MCP pour le cas général, une entrée dans la place de marché de plugins pour Claude Code et Codex, un chemin documenté pour les cerveaux hébergés avec OAuth. Le système est conçu pour s'attacher à l'agent que vous utilisez déjà, pas pour le remplacer par une nouvelle identité d'assistant personnel.

La partie qui devrait vous inquiéter

Un cerveau d'entreprise et un cerveau personnel, ce sont deux modèles de menace différents, et le README le sait. Les clients distants authentifiés sont contraints par des autorisations de source, des autorisations d'opération et des filtres de visibilité. Les fichiers locaux et les identifiants de base partagés sont de l'autre côté d'une frontière de confiance — l'isolation au niveau de la source ne protège pas les appelants qui peuvent lire le disque.

C'est un paragraphe plus honnête que ce que la plupart des projets produisent. Cela signifie aussi que la réponse à « peut-on partager ça avec l'équipe » n'est ni oui ni non. C'est une liste de chemins d'accès testés, et une liste de ceux qui ne l'ont pas été.

Il y a un second risque, plus subtil, propre à toute mémoire durable : elle accumule vos erreurs. Un agent qui se souvient de tout se souvient de l'hypothèse fausse sur laquelle vous avez passé trois semaines, du fournisseur que vous avez écarté pour une mauvaise raison, de la personne que vous avez mal dépeinte dans une note. La correction et le retrait sont les mécanismes qui empêchent cela de devenir une couche de sédiments de vos pires jugements. Les utiliser est une habitude, pas une fonctionnalité, et la plupart des équipes ne construiront l'habitude qu'après un incident gênant.

Ce que j'en retiendrais

Pas le nombre de pages. Le nombre de pages est une démonstration de force, honnête, mais non transférable.

L'idée transférable, c'est l'ordre. Récupération par mots-clés d'abord, sans modèle, opérationnelle dès le premier jour. Couches sémantiques ensuite, quand vous pouvez mesurer si elles aident. Des graphes pour les questions qui sont réellement des marches. De la synthèse seulement là où une réponse citée bat une liste de fragments. Et une boucle de maintenance qui tourne que quelqu'un regarde ou non, parce qu'une mémoire non entretenue n'est qu'un tas.

Il y a aussi un outil plus petit et plus affûté dans le dépôt, qui vaut un coup d'œil : gbrain skillopt, qui traite un SKILL.md comme un paramètre entraînable — générer un benchmark à partir du skill, durcir les juges, laisser l'optimiseur proposer des modifications, ne garder que celles qui marquent mesurablement plus haut. Vingt minutes, environ un dollar d'appels API. C'est la même philosophie en miniature : si vous ne pouvez pas mesurer l'amélioration, vous n'avez pas le droit de la garder.

Articles associés