OpenClaw装上这个插件，AI才算真的记得你

来源：市场资讯

（来源：至顶AI实验室）

这篇文章来源于至顶AI实验室对OpenClaw + GBrain组合的实测评估报告。测试于2026年4月完成，核心问题只有一个：这套被称为"第二大脑"的系统，究竟能不能让AI真正记住你？

GBrain不是一个无名小卒。它于2026年4月10日正式开源，上线24小时内收获超过5400颗GitHub星标，作者是Y Combinator的总裁兼CEO陈嘉兴（Garry Tan）。他用GBrain驱动自己的OpenClaw和Hermes智能体，整个知识库已累积17888个页面、4383位联系人档案、723家公司记录，系统内运行着21个自动化定时任务，这一切在12天内搭建完成。这不是演示环境，而是真实运转的生产系统。

GBrain面对的是一个AI领域长期悬而未决的根本问题。大多数AI智能体没有记忆，每次开启新对话，一切从零开始。GBrain试图用一套"越用越聪明"的知识积累机制来打破这个死循环。

“记忆"到底长什么样

大多数人理解中的AI记忆，不过是把聊天记录存起来再喂回去。GBrain的设计不同。

每一个知识页面遵循同一个结构：分隔线上方是"编译事实"——当前最佳理解，随证据更新而改写；分隔线下方是"时间线"——只增不减的证据轨迹，永远不会被编辑。

一个真实的人物档案页面大概长这样：这个人的职位、关系背景、你们见面的结论写在上半段，会随每次新信息刷新；而你们从2019年第一次见面到最近一次电话沟通的每一条记录，追加在下半段，永久保留。上方是答案，下方是证据。这个分离设计，让GBrain成为一套智能系统，而不只是笔记堆放处。

知识图谱的"自动布线"是另一个关键机制：每次写入页面，系统自动提取实体引用，创建类型化关联（出席了、任职于、投资了、创立了、顾问关系），整个过程零LLM调用，纯确定性执行。检索时，问"谁在Acme AI工作？"或"Bob这季度投了什么项目？"，系统可以给出单靠向量搜索永远无法触达的答案。

那个让你“睡一觉就变聪明"的机制

GBrain最让人着迷的功能，不是搜索，是Dream Cycle（梦境循环）。

每晚，GBrain的智能体会自动扫描所有对话，补全缺失实体，修正引用错误，整合记忆。你醒来的时候，大脑比睡前更聪明了。OpenClaw将这套机制封装在DREAMS.md中，相当于人类睡眠时记忆巩固过程的AI版本。

理论上很美。但实测结果给这幅图画泼了盆冷水。

至顶AI实验室的评估发现，实体识别与自动建档"极不稳定，高度依赖特定大模型"。换句话说，Dream Cycle能否正常运转，关键在于你用的是什么模型。官方建议配合Claude Opus 4.6或GPT-5.4 Thinking使用，小模型往往跑不动这套读写循环，结果是要么什么都没记住，要么记错了。

这不是系统设计的问题，而是现实边界：智能体在你睡觉时摄入会议、邮件、推文、语音通话和原始想法，丰富每一个遇到的人和公司的档案，前提是你喂给它的是足够强的推理引擎。

搜索真的比“找东西"难得多

系统能不能回忆起你需要的信息，依赖两条腿走路：精确关键词和语义相似度。

GBrain的检索流水线是：意图分类器判断查询类型（实体？时间？事件？通用？），然后触发多查询扩展，同时跑向量搜索（HNSW余弦相似度）和关键词搜索（tsvector），再用RRF融合排序，叠加余弦重新评分和编译事实加权，最后经过四层去重。

之所以要同时用向量和关键词两套检索，是因为：只用关键词，"忽略传统智慧"这个查询永远找不到讲"天才的公交车票理论"那篇笔记；只用向量，精确短语又容易漏掉。RRF融合让两者都对。

实测结果印证了这套逻辑。用精确关键词和语义相近的不同表述查询同一内容，两种情况下都能召回目标笔记，混合检索策略经过验证是有效的。

根据GBrain官方基准测试，引入知识图谱后，Recall@5从83%提升到95%，Precision@5从39%提升到45%，在240页语料上多找对了30条答案，图谱F1得分达86.6%，远超grep的57.8%。

真实运转与理想之间的距离

陈嘉兴自己的生产环境部署在Render容器上，Supabase Postgres托管着一个拥有45798个页面、98K个数据块、25K条关联、79K条时间线记录的知识库，同时跑着19个定时任务。这是一个真实运行中的重型系统。

但至顶AI实验室的评估认为，OpenClaw + GBrain组合"更适合技术探索，距离稳定生产力工具尚有距离"，具体问题集中在两点：

第一，后台Dream Cycle存在延迟。知识库更新到新信息被有效检索，中间有一个时间窗口，这意味着你不能指望刚发生的事情立刻被系统"记住"。

第二，冷启动门槛真实存在。记忆效果随使用积累而提升，初期数据量少时，系统表现可能让你觉得"和没装一样"。

反过来说，一位开发者测试时询问智能体关于某人的信息，系统调取了108封邮件、91次会议记录，从五年的行为模式中推断出对方的角色。这个人他自己都几乎遗忘了，但智能体没有。这种体验，说明系统在积累到一定规模后，确实能提供单靠人类记忆无法还原的洞察。

“这是图书馆，不是记忆"

一个值得认真对待的区分。

有观点认为GBrain被很多人误解了：它不是记忆，而是图书馆。记忆会编码某件事为什么重要、对谁重要、这种重要性如何随时间演变；图书馆则是预先整理好的事实和观点集合，供智能体快速检索。

这个区分直接影响你对系统的预期。GBrain能做的事是：你明确存入的东西，它帮你结构化保存，并在需要时精准调出。它做不到的事是：自动理解"这件事对你意味着什么"，或在没有高端模型配合时自主生成有意义的新知识关联。

早期OpenClaw社区的讨论指出，GBrain超越了简单的信息检索，向主动知识综合迈进。但"迈进"意味着方向，而不是到达。至顶AI实验室的测试结论与这一判断基本一致：这套系统解决了AI"记不住"的痛点，跨对话记忆与混合检索表现稳定；但"自动学习"的边界很清晰，实体识别仍然高度依赖高端模型，后台同步延迟也是真实的体验减分项。

如果你已经在用OpenClaw，且手头有高质量的文本数据需要长期管理，GBrain值得接入。如果你期待的是一个什么都不用管、自动越变越聪明的AI助理，目前这个版本还需要等待。

核心问答

Q1：GBrain和普通RAG检索有什么本质区别？

普通RAG是把文档切片后做向量索引，查什么找什么。GBrain在此之上增加了两个层：一是以人和公司为单位的结构化实体档案（编译事实+时间线），二是自动提取的知识图谱（人物关系、投资关系等）。检索时不仅能做语义匹配，还能回答"A和B有什么关系？"这类图谱问题。差距在于从被动检索到主动知识建模。

Q2：Dream Cycle真的有用吗？

在高端模型配合下（Claude Opus 4.6或同等水平），Dream Cycle确实能自动完成实体补全、引用修正、记忆整合。但它依赖的是每晚异步运行的LLM任务，存在延迟，且对模型推理能力要求很高。实测中，这是最不稳定的环节，小模型基本跑不动，体验方差较大。

Q3：什么样的用户最适合使用GBrain这套系统？

最适合的场景是：需要长期追踪大量人脉关系、交易历史或领域知识，且愿意投入时间做初期数据导入的重度知识工作者。研究人员、投资人、媒体记者、高频商务社交人群都在适用范围内。不适合的是希望开箱即用、几乎无配置就能体验完整功能的普通用户。