Jeder, der regelmäßig mit KI-Agenten arbeitet, kennt die Grenze: Sie fragen den Agenten, was eigentlich beim Acme-Piloten beschlossen wurde — und er findet nichts. Nicht, weil das Modell schlecht ist, sondern weil die Information nie im Chat landete. Sie steckt in Meeting-Notizen, E-Mails oder einem Obsidian-Vault. Genau hier setzt Gbrain an. Das Open-Source-Projekt von Garry Tan, Präsident von Y Combinator, ist mit über 25.000 GitHub-Stars und MIT-Lizenz inzwischen eines der beliebtesten Wissens-Backends für Agenten-Setups.
Das Problem: Agenten-Memory ist ein Chat-Archiv
Die meisten Agenten-Memory-Systeme merken sich, was im Gespräch passiert ist. Curated Files wie Memory.md oder User.md werden in jeden Prompt geladen. Session-Search durchforstet vergangene Chats. Externe Provider wie Honcho oder Supermemory erweitern das Spektrum. Aber sie alle haben dieselbe Architektur-Grenze: Sie erinnern sich an das, was durch den Agenten gelaufen ist. Die Welt außerhalb des Chats bleibt unsichtbar.
Gbrain ändert diese Grenze. Es baut ein Second Brain, das Informationen aufnimmt, bevor sie jemals ein Gespräch berühren: Meeting-Notizen, Projektpläne, Kontakte, Entscheidungen, Forschungsergebnisse. Der Agent kann danach suchen, Antworten werden mit Quellenangaben belegt, und Entscheidungen aus dem Chat fließen wieder zurück ins Wissenssystem.
Drei Ebenen von Wissen: Memory, Wiki und Gbrain
Um Gbrain richtig einzuordnen, lohnen sich drei Konzepte. Agenten-Memory merkt sich die Zusammenarbeit mit dem Agenten: was gesagt, entschieden und abgeleitet wurde. Es ist persönlich, flüssig und nah am Dialog.
LM-Wikis oder Knowledge Bases sind kuratierte Domänen-Referenzen. Sie erklären Konzepte, Entitäten und Abläufe in einem bestimmten Bereich — etwa wie Hermes Memory funktioniert oder welche Technologien im eigenen Stack eingesetzt werden. Sie werden von Menschen geprüft und für beliebige Agenten lesbar publiziert.
Gbrain ist eine dritte Ebene: ein Wissens-Katalog für Ihre Welt. Typisierte Seiten zu Personen, Unternehmen, Meetings, Projekten und Entscheidungen werden in einem Graph verknüpft und mit quellenbasierter Synthese abgerufen. Kurz gesagt: Memory erinnert unsere Gespräche, Wikis kennen Domänen, Gbrain kennt unsere Welt.
Architektur: Markdown, PGlite, Hybrid Search, MCP
Unter der Haube ist Gbrain bemerkenswert schlank. Das System of Record sind gewöhnliche Markdown-Dateien in einem Git-Repository. Diese werden in eine lokale PGlite-Datenbank synchronisiert — PostgreSQL, das im Prozess läuft, ohne Server, ohne Docker. Darauf sitzt eine Hybrid-Suche aus Vektor-Suche, Keyword-Suche und Wissensgraph. Das Ganze wird über MCP als 30 bis über 100 typisierte Tools an den Agenten exposed.
Diese Architektur hat vier praktische Vorteile:
Inspektierbarkeit. Die Markdown-Dateien gehören Ihnen. Jedes Wissen ist als Datei lesbar, versionierbar und portierbar.
Keine Infrastruktur. PGlite läuft lokal. Es gibt keinen HTTP-Server, keinen Tunnel und kein Token-Management.
Lebenszyklus gekoppelt an die Session. Der MCP-Server ist ein Subprozess, der mit der Agenten-Session startet und stirbt.
Agenten-native Integration. Weil alles über MCP läuft, versteht der Agent die Tools sofort — ohne CLI-Flags parsen zu müssen.
Installation und Setup im Überblick
Die Installation ist bewusst einfach gehalten. Voraussetzung ist Bun als Runtime. Danach wird Gbrain installiert, ein Embedding-Provider konfiguriert und die Datenbank initialisiert. Wichtig: Für die Vektor-Suche wird ein eigener Embedding-API-Key benötigt — OAuth des Host-Agenten reicht nicht, weil Gbrain separat läuft. OpenRouter oder vergleichbare Provider sind hier kostengünstige Optionen, da Embeddings klein und günstig sind.
Die typischen Schritte:
- Gbrain per Bun installieren
- Embedding-API-Key konfigurieren
- gbrain init ausführen, um PGlite vorzubereiten
- gbrain doctor zur Verifikation des Setups
Wer den Agenten ohnehin nutzt, kann diese Schritte meist als Prompt übergeben. Gbrain ist so dokumentiert, dass ein Copy-Paste der Installationsanleitung in den Chat ausreicht, um das Setup durchführen zu lassen.
Warum MCP besser ist als die Kommandozeile
Gbrain lässt sich auch über die CLI bedienen. Für den Agenten-Betrieb ist das aber die schlechtere Option. Jeder CLI-Aufruf startet einen neuen Prozess, öffnet und schließt die Datenbank, erfordert das Komponieren von Flags und das Parsen von STDOUT. Jeder Befehl ist zudem eine weitere Freigabe-Oberfläche.
Über MCP mit gbrain serve bleibt der Prozess lang gelebt, die Datenbank offen und die Tools typisiert. Der Agent erhält strukturierte Inputs und Outputs statt rohen Textes, was schneller und zuverlässiger ist. In der Praxis merkt man den Unterschied deutlich: Antworten kommen flüssiger, und die Tool-Aufrufe sind präziser.
Wissensgraph ohne Konfiguration
Eine der stärksten Eigenschaften von Gbrain ist der automatische Wissensgraph. Sobald Markdown-Seiten zu Personen, Unternehmen oder Meetings existieren, extrahiert Gbrain Entity-Referenzen und erzeugt typisierte Kanten wie works at, attended oder mentions. Das passiert ohne LLM-Aufrufe, rein durch Pattern-Matching auf Links und Namen im Text. Laut eigenem Benchmark soll das die Präzision gegenüber reiner Vektor-RAG um 31 Prozentpunkte verbessern.
Das macht sich in Alltagsfragen bemerkbar: "Wer arbeitet bei Acme?" liefert nicht nur eine Antwort, sondern zeigt die Herleitung aus den People- und Company-Seiten. "Was muss ich für das Meeting mit Alice vorbereiten?" greift auf Meeting-Notizen, Projekt-Updates und Personeneinträge gleichzeitig zu — alles mit Quellenangaben.
Fünf Regeln für den produktiven Betrieb
Gbrain funktioniert am besten, wenn es als Gewohnheit etabliert wird. Die Gbrain-Community formuliert dafür fünf Leitregeln:
Gbrain zuerst durchsuchen. Bei Fragen zu Personen, Unternehmen, Projekten, Meetings und Entscheidungen startet der Agent im Second Brain.
Aus den Seiten antworten. Antworten beziehen sich auf die tatsächlichen Notizen, statt aus dem Gedächtnis des Modells zu schöpfen.
Entscheidungen zurückschreiben. Was im Chat festgelegt wird, landet als neue Seite im Brain. Durable Calls werden zu Brain Pages.
Alles mit Quellen belegen. Jede Antwort zeigt, auf welchen Seiten sie basiert. Annahmen werden transparent.
Memory ist nicht das Brain. Weltfakten gehören ins Gbrain, nicht in die Agenten-Memory. Beide Systeme ergänzen sich.
Für wen lohnt sich Gbrain?
Gbrain ist besonders wertvoll für Solo-Unternehmer und kleine Teams, die viele Kontakte, Projekte und Entscheidungen parallel jonglieren. Wer bereits Notizen führt — in Obsidian, als Meeting-Write-ups oder in einem Markdown-Ordner — bekommt daraus fast automatisch ein durchsuchbares, agentenfähiges Wissenssystem. Auch für kleine Unternehmen mit geteiltem Kontextwissen kann ein gemeinsames Gbrain die Zusammenarbeit deutlich entlasten.
Es ist kein Ersatz für Agenten-Memory. Beide haben ihren Job: Memory erinnert den Dialog, Gbrain strukturiert die Welt. Wer nur gelegentlich mit einem Agenten chattet, wird den Mehrwert kaum spüren. Wer aber täglich komplexe Projekte mit vielen Beteiligten durchzieht, gewinnt an Geschwindigkeit, Transparenz und Quellenverlässlichkeit.
Fazit
Gbrain ist einer der überzeugendsten Versuche, Agenten aus dem Chat heraus in die echte Arbeitswelt zu bringen. Statt darauf zu hoffen, dass das Modell sich alles merkt, baut man ein explizites, kuratiertes Wissenssystem — versioniert, durchsuchbar und quellenbasiert. Die Kombination aus Markdown-Dateien, lokaler PGlite, Hybrid-Suche und MCP macht das Setup erstaunlich leichtgewichtig.
Hermes Memory erinnert unsere Gespräche. Gbrain kennt unsere Welt. Beide zusammen bilden ein deutlich klügeres Agenten-Setup als jedes Modell allein.