Un tutorial práctico muestra cómo instalar y usar GBrain v0.38.2.
Un tutorial paso a paso documenta la instalación y el uso de GBrain v0.38.2.0, la capa de memoria desarrollada por Garry Tan (presidente y CEO de Y Combinator) para sus despliegues OpenClaw y Hermes. El texto detalla comandos reales y salidas de terminal capturadas en una instalación en vivo y afirma que el proceso puede completarse en unos 20 minutos desde macOS o Linux (o Windows mediante WSL2).
Desde el punto de vista funcional, GBrain es una capa de conocimiento basada en archivos Markdown y una base Postgres que autoconecta sus nodos mediante expresiones regulares, sin depender de llamadas continuas a modelos LLM para extraer el grafo. En lo técnico, emplea PGLite (Postgres 17 compilado a WASM) con pgvector para vectores embebidos, se ejecuta en TypeScript sobre Bun y su código fuente está disponible en github.com/garrytan/gbrain bajo licencia MIT.
La búsqueda y extracción en GBrain se organiza como un sistema híbrido que combina búsquedas vectoriales con BM25 y Reciprocal Rank Fusion (RRF), y utiliza un reranker ZeroEntropy por defecto. Para mapear relaciones, incluye un extractor de enlaces tipados (works_at, founded, invested_in, attended, advises, mentions) que opera sobre wikilinks dentro de los archivos Markdown, lo que convierte el árbol de documentos en un grafo semántico aprovechable por agentes. GBrain también ofrece un servidor MCP que expone 74 herramientas destinadas a integrar clientes externos: ejemplos citados en el tutorial son Claude Code, Cursor y Windsurf. Estas integraciones permiten que los agentes lean y escriban directamente en el brain, facilitando workflows donde la memoria persistente alimenta acciones y decisiones automáticas.
La importancia práctica de esa memoria tipada se refleja en la escala: la instancia de producción vinculada a los agentes de Garry Tan contiene 146,646 páginas, 24,585 personas, 5,339 compañías y 66 cron jobs autónomos. Esos datos muestran que el sistema fue concebido para mantener continuidad entre sesiones y registrar elementos como reuniones, notas, correos y decisiones operativas. El tutorial incluye un benchmark propio (BrainBench) sobre un corpus de 240 páginas: GBrain alcanza P@5 49.1% y R@5 97.9% en ese set y, según el autor, muestra una mejora de 31.4 puntos en P@5 respecto a la misma base de código con la capa de grafo desactivada. Esos resultados se emplean para argumentar el impacto de la extracción tipada en la eficacia de recuperación.
Entre los pasos prácticos detallados se indica instalar Bun (requisito mínimo Bun ≥ 1.3.10) con el script oficial y luego instalar GBrain globalmente con bun install -g github:garrytan/gbrain. La inicialización local del brain se ejecuta con gbrain init --pglite (o gbrain init --pglite --no-embedding para posponer embeddings) y el estado puede verificarse con gbrain stats; el tutorial muestra migraciones de esquema (v1 → v85) y la creación del archivo ~/.gbrain/brain.pglite.
La construcción del repositorio de conocimiento se basa en un simple árbol de archivos Markdown organizado por slugs (por ejemplo people/, companies/, concepts/). El autor advierte sobre un error frecuente: los wikilinks deben usar la ruta completa del slug (por ejemplo [[people/alice — chen]]) para que el extractor genere relaciones; sin la ruta completa, la extracción puede devolver cero relaciones. La importación se realiza con gbrain import, que es idempotente y acepta --no-embed para flujos deterministas sin clave de embeddings.
En lo operativo, la búsqueda híbrida completa requiere una clave de proveedor de embeddings: ZeroEntropy es el reranker por defecto, y también se pueden usar proveedores como OpenAI o Voyage; sin clave, las consultas híbridas no devolverán resultados vectoriales aunque la búsqueda por palabra clave seguirá operativa. El tutorial señala que una clave opcional de Anthropic puede usarse para expansión multi‑consulta y recuerda que en Windows es necesario WSL2.
Finalmente, además de explicar la extracción y la búsqueda, el tutorial muestra cómo conectar GBrain a Claude Code a través del servidor MCP y documenta que el repositorio usado en las pruebas es de código TypeScript bajo licencia MIT. Todas las salidas y comandos del ejercicio fueron capturados en vivo para facilitar la reproducibilidad del proceso y la versión documentada está disponible en el repositorio indicado.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
