← Torna al blog
Aicirca 6 min di lettura

Il secondo cervello di Garry Tan ha 155.795 pagine e un pulsante di correzione

Pubblicato 10 nov 2026
Il secondo cervello di Garry Tan ha 155.795 pagine e un pulsante di correzione

Il numero nel README è 155.795 pagine. Poi 24.589 persone, 5.340 aziende e 66 cron job che girano senza che nessuno li guardi. Appartiene a Garry Tan, presidente e CEO di Y Combinator, e il software è suo, pubblicato con licenza MIT e con un'opzione ospitata a pagamento se preferisci non gestire un database.

Il repository è gbrain, e la sua sintesi in una riga è «dai all'agente che già usi una memoria che controlli». Quella frase fa molto lavoro, perché nasconde almeno tre prodotti: un archivio di memoria, un sistema di recupero e un demone che continua a ingerire mentre dormi. Quello interessante non è il numero più grande.

Cosa significa di solito «memoria», e cosa significa qui

La maggior parte della memoria degli agenti, in pratica, è un indice vettoriale con un nome amichevole. Incolli documenti, lui li trasforma in embedding, recupera dieci chunk che citano la tua query e il modello cuce qualcosa insieme. Funziona finché non fai una domanda in cui due chunk si contraddicono, o un fatto è cambiato sei mesi fa, o qualcuno ha bisogno di sapere da dove viene un'affermazione.

GBrain conserva fatti espliciti con le loro fonti. Supporta correzioni e ritrattazioni: puoi marcare qualcosa come sbagliato, e l'errore si propaga invece di restare per sempre in un embedding. La stessa memoria è disponibile tra agenti diversi invece di essere saldata a un solo harness. Si parte con memoria e recupero per parole chiave senza chiavi API, poi si aggiungono ricerca semantica, sintesi e arricchimento in background quando servono. L'ordine è deliberato: la modalità economica funziona senza alcuna chiamata al modello.

Lo strato di sintesi è quello che cambia il comportamento. Invece di restituire dieci chunk, restituisce una risposta con citazioni e una nota esplicita su cosa il cervello non sa ancora. Quell'analisi del vuoto è insolita. La maggior parte dei sistemi di recupero è strutturalmente incapace di dire «su questo non ho niente», perché la ricerca per similarità restituisce sempre i suoi top k, per quanto irrilevanti.

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

La provenienza è la vera funzione

La cornice di Tan è che il cervello è un fossato: non perdere mai il contesto, interroga quello che hai in testa senza rileggerlo. Giusto, ma il fossato tiene solo se la memoria è affidabile, e la fiducia in un sistema di memoria viene da due proprietà noiose da mostrare in demo e costose da costruire.

La prima è l'attribuzione. Ogni fatto punta a una fonte. Quando l'agente dice che un'azienda ha chiuso un round, puoi risalire alla nota della riunione o all'email che lo diceva.

La seconda è la ritrattazione. Se la fonte era sbagliata, o la situazione è cambiata, ti serve un modo per dire «questo non è più vero» che non richieda di cancellare la storia. La descrizione che Tan fa del ciclo notturno include l'agente che corregge le proprie citazioni e consolida la memoria. È un ciclo di manutenzione, non un trucco di generazione, ed è la differenza tra un quaderno e un sistema.

Sotto c'è un grafo di conoscenza tipizzato, che conta per un tipo specifico di domanda. «Chi lavora in questa azienda» non è un problema di similarità: è una passeggiata sul grafo. Il recupero per relazioni di GBrain porta il R@5 di produzione da 0,6626 a 0,7241 sul suo benchmark, con un limite superiore oracolare a 0,9791. Nota cos'è quest'ultimo numero: un limite superiore, non un punteggio di prodotto. Pubblicarli entrambi è il genere di cosa che rende più credibili tutte le altre affermazioni.

L'installazione, onestamente

È un progetto Bun, e il README è insolitamente diretto su una trappola. GBrain non è distribuito su npm. Il pacchetto npm chiamato gbrain non è correlato e può oscurare il binario vero, quindi l'istruzione è installare solo con bun install -g github:garrytan/gbrain#stable, oppure clonare il ramo stabile e linkarlo. Se hai installato quello sbagliato, gbrain doctor ti dà la soluzione.

Per un setup locale minimo puoi lanciare gbrain init --pglite --no-embedding: senza chiavi, senza server, senza Docker. Per raggiungerlo da altre macchine, gbrain mcp expose lo pubblica su MCP in una tailnet Tailscale, con un flag --funnel per gli agenti cloud. La promessa è un'installazione in trenta minuti. Il mio sospetto è che trenta minuti siano accurati per chi ha già Bun e un account Tailscale, e ottimistici per tutti gli altri, il che è normale.

Agganciarlo a un agente esistente è volutamente poco glamour: MCP per il caso generale, una voce nel marketplace dei plugin per Claude Code e Codex, un percorso documentato per i cervelli ospitati con OAuth. Il sistema è progettato per attaccarsi all'agente che già usi, non per sostituirlo con una nuova identità di assistente personale.

La parte che dovrebbe preoccuparti

Il cervello di un'azienda e quello di una persona hanno modelli di minaccia diversi, e il README lo sa. I client remoti autenticati sono vincolati da permessi sulle fonti, permessi sulle operazioni e filtri di visibilità. I file locali e le credenziali di database condivise stanno dall'altra parte di un confine di fiducia: l'isolamento a livello di fonte non protegge chi può leggere il disco.

È un paragrafo più onesto di quanto riesca alla maggior parte dei progetti. Significa anche che la risposta a «possiamo condividerlo con il team» non è sì o no. È una lista di percorsi di accesso testati e una lista di quelli che non lo sono.

C'è un secondo rischio, più sottile, che arriva con qualsiasi memoria di lunga durata: accumula i tuoi errori. Un agente che ricorda tutto ricorda l'ipotesi sbagliata su cui hai perso tre settimane, il fornitore che hai scartato per un motivo sciocco, la persona che hai descritto male in una nota. Correzione e ritrattazione sono i meccanismi che impediscono a tutto questo di diventare uno strato di sedimento dei tuoi giudizi peggiori. Usarli è un'abitudine, non una funzione, e la maggior parte dei team non costruirà l'abitudine finché non emerge qualcosa di imbarazzante.

Cosa porterei via

Non il conteggio delle pagine. Il conteggio è un vanto, e onesto, ma non è trasferibile.

L'idea trasferibile è l'ordine. Prima il recupero per parole chiave, senza modello, funzionante dal primo giorno. Poi gli strati semantici, quando puoi misurare se aiutano. Grafi per le domande che sono davvero passeggiate. Sintesi solo dove una risposta citata batte una lista di chunk. E un ciclo di manutenzione che gira indipendentemente da chi guarda, perché una memoria non mantenuta è solo un mucchio.

C'è anche uno strumento più piccolo e più affilato nel repo, che vale un'occhiata: gbrain skillopt, che tratta un SKILL.md come un parametro addestrabile — genera un benchmark dalla skill, rafforza i giudici, lascia che l'ottimizzatore proponga modifiche, tiene solo quelle che segnano misuratamente più alto. Venti minuti, circa un dollaro di chiamate API. È la stessa filosofia in miniatura: se non puoi misurare il miglioramento, non ti è permesso tenerlo.

Articoli correlati