YC 最新一轮 Request for Startups 里，有一条很适合放进管理层周会。
它没有把问题继续推给模型能力，也没有停在“多建几个 AI 应用”。它说，AI 自动化公司最大的阻塞，已经变成了 domain knowledge。
翻译成人话就是：模型越来越会干活，但它不知道你公司到底怎么干活。
退款怎么批，价格例外谁能拍板，客户投诉什么时候升级，事故响应谁先看日志、谁通知客户、谁给老板同步，这些东西往往不在一份漂亮文档里。它们散在老员工脑子里、Slack 线程里、邮件里、工单里、会议纪要里。
公司就靠这些“大家大概记得”的东西运转。
人可以这么过日子，Agent 不行。
所以 YC 在 Company Brain 这一条里说得很清楚：如果每家公司都要跑在 AI 自动化上，就需要一个新原语，一个公司脑。
GBrain 切进来的位置就在这里。
GBrain 表面上是 Garry Tan 开源的 AI agent memory 系统；往深一点看，它其实是在回答一个更管理化的问题：
企业到底要把什么交给 AI，AI 才能从“会回答”变成“会做事”？
一、公司脑不只是知识库升级
很多公司一听“公司脑”，第一反应是知识库升级。
把飞书、企业微信、Notion、工单、CRM、客服记录都接进来，再套一个 RAG，员工可以问：“某客户上次怎么处理的？”这当然有用，但还不够。
YC 对 Company Brain 的表述里有一个关键动作：把分散知识抽出来、结构化、保持更新，再转成 AI 可以执行的 skills file。
这个词很要命。
它关心的不只是资料能不能被搜到，更是 AI 能不能知道这家公司处理事情的方式。
比如客服退款，光找到退款政策还不够，系统还要知道：
这些问题已经进入组织运行层了。
过去，组织靠老员工口口相传来解决。新人问前辈，前辈翻聊天记录，实在不行开个会。AI 进来以后，这套方式会露出一个很现实的短板：如果一件事必须靠“某个人记得”，Agent 就没有办法稳定接手。
AI 不怕流程复杂，怕流程只存在于人情世故里。
二、GBrain 的切口，是把“记忆”变成 Agent 的工作台
GBrain 的 README 里有一组很夸张的自述数据：Garry Tan 用它跑自己的 Agent，里面有 146,646 pages、24,585 people、5,339 companies，还有 66 个 cron jobs 在自动运转。
这个数字不一定是普通企业第一天要追的目标，但它说明了一件事：GBrain 不是那种“能搜笔记”的玩具。
它想做的是 Agent 的脑层。
它和普通知识库的差别，可以用一个会议准备场景解释。
你问普通系统：“我明天见 Alice 前要知道什么？”很多工具会返回几篇相关页面：Alice 的人名页、上次会议纪要、客户档案、价格讨论记录。页面找到了，但活儿还在你手里。
GBrain 想返回的是一段已经综合过的答案：Alice 负责什么、上次谈到哪里、还有哪几件事没闭环、哪些信息已经过期、哪些渠道它没看到。
这里有三个能力最要紧：
第一，它做综合，不停在召回。 搜索给你原料，脑层要给你可行动判断。
第二，它带引用和 gap analysis。 一个靠谱的公司脑，不能只说“根据资料判断”。它要告诉你每个结论来自哪里，也要告诉你哪里不知道、哪里可能过期、哪里缺证据。
第三，它把实体关系织成图。 GBrain 的检索架构没有只靠向量相似度，而是叠了 vector、BM25、RRF、knowledge graph traversal 和 reranker。官方评测里，BrainBench 上 P@5 到 49.1%、R@5 到 97.9%，图谱和抽取质量带来了约 31 个 P@5 点的提升。
对企业读者来说，这组数字的重点不在开源项目有多厉害。它提醒的是一个更朴素的事实：企业知识先是一张关系网，然后才是一堆段落。
人、客户、项目、合同、事故、决策、承诺、例外，都有关系。Agent 要做事，必须知道这些关系。
否则它就像一个会背政策的新人：嘴很快，手不稳。
三、分水岭在于知识能不能写成 skills
Garry Tan 在另一篇文档里讲过一个方法论：Thin Harness, Fat Skills。
这句话可以拆成两层。
Harness 是跑模型的外壳：工具、上下文、文件读写、安全边界。它要薄，不要把系统做成巨大的黑盒。
Skills 是可复用的工作程序：什么时候读什么资料，怎么判断，哪些步骤必须验证，哪些输出算合格。它要厚，因为业务经验大多在这里。
这就解释了为什么 Company Brain 不能只按“统一知识库”来理解。
一个公司脑如果只负责存资料，它最多改善问答效率。一个公司脑如果能把公司处理事情的方式写成 skill，Agent 才开始接近“可交付”。
这也是企业 AI 落地最容易被低估的一步。
大家爱讨论模型、算力、工具、平台，因为这些东西看起来新。麻烦在于，把公司里面那些靠人拍脑袋、靠老员工补台、靠群里一句“按惯例处理”的东西，拆成可以被 Agent 执行和审计的工作说明。
这活儿不酷，却很容易变成企业愿意持续投入的部分。
一个退款 skill，背后是客服、财务、销售、合规的责任边界。
一个事故响应 skill，背后是工程、客户成功、市场、公关的协作顺序。
一个价格例外 skill，背后是利润、客户分层、权限审批和销售激励。
所以 Company Brain 改变的不只是知识库本身。它会逼着组织把经验写成可复用的流程资产。
四、别急着上“全公司脑”，先把三个问题问清楚
GBrain 现在很热。截至 2026 年 6 月 3 日，我通过 GitHub API 查到 garrytan/gbrain 已经有约 20,752 stars、2,941 forks。Vectorize 的评测也承认它的工程设计很扎实，同时提醒它仍然年轻、偏自托管、需要操作者持续维护 skill 和 schema。
这个判断要先放在前面。
Company Brain 买不来一劳永逸。它更像一次组织盘点。尤其是企业场景里，至少有三个问题要先问清楚。
第一，哪些知识真的要进入执行链路？
并非所有资料都值得喂给 Agent。公司制度、客户档案、销售话术、工单记录、事故复盘、审批规则的优先级不一样。先挑高频、高成本、高风险的流程，不要一上来做“全公司知识接入”。
全公司知识接入听起来很宏大，实际很容易变成资料搬家。
第二，哪一个来源才算权威？
同一个客户，CRM 里一个版本，销售笔记一个版本，合同附件一个版本，微信群里还有一个“最新说法”。人类会自己找人确认，Agent 只会把冲突吃进去。
公司脑必须有 source tier。哪些来源优先，哪些只能做参考，哪些过期后自动降权，必须先定规则。
第三，谁负责权限和更新？
GBrain 的 company-brain 教程专门谈了多 source、OAuth scope、federated read、Postgres 后端这些东西。原因很简单：公司脑越有用，越不能乱读。
客服不该看到 HR 文档，销售不该看到全部财务口径，外部 Agent 不该读取内部事故细节。权限不是上线后的补丁，它是公司脑能不能进生产的前提。
还有一个更朴素的问题：谁负责让它保持新鲜？
过期知识比没有知识更危险。没有知识，Agent 会问；过期知识，Agent 会自信地错。
五、企业可以从一个小切口开始
如果你是业务负责人、产品负责人，或者正在推动企业 AI 落地，不需要马上照着 GBrain 搭一整套系统。
更稳妥的做法，是先选一个流程，把它拆成“公司脑最小闭环”。
我会建议从这三类场景里挑一个：
- 1. 客服升级和退款例外。 高频，有明确成本，也能直接看出 AI 是否理解业务边界。
- 2. 销售报价和合同例外。 涉及利润、权限、客户等级，天然适合检查“Agent 会不会越权”。
- 3. 工程事故响应。 资料分散、时间敏感、责任边界清楚，特别适合验证引用、时效和升级机制。
每个场景只做四件事：
先把真实案例整理出来，不要从制度文档开始。制度写的是理想世界，案例里才有公司的真实运转方式。
再把决策点写成 skill。什么时候可以自动处理，什么时候必须升级，什么时候需要补证据，都要写清楚。
然后给每条结论绑定来源。Agent 不能只说“我认为”，它必须能指回合同、工单、会议纪要或审批记录。
最后设置定期回看。每周看一次 Agent 错在哪里，把错误更新回 skill。只在群里吐槽它不靠谱，系统不会自己变好。
这就是 Company Brain 的早期形态：先小，先真，先能跑出一个可信闭环。
结尾：模型越来越强，企业反而要回头整理自己
AI 这件事走到今天，有一个反直觉变化。
以前企业觉得，等模型再强一点，我就可以自动化更多工作。
现在模型真的强了，问题开始转向企业自己：你的流程有没有写清楚？你的知识有没有来源？你的权限有没有边界？你的经验能不能复用？
GBrain 给出的启发，并不是“每家公司都该马上装这个开源项目”。
它更像一个提醒：Agent 要替公司做事，公司就必须先把自己的工作方式变成机器可以读取、引用、执行和审计的资产。
模型是发动机。
公司脑要做的，是把发动机接进真实业务的传动系统。
传动系统没装好，马力越大，越容易把车开歪。
粤ICP备14082021号
免费POC，
零成本试错
