GBRAINでAI記憶システムを作る方法

TL;DR

GBRAINは、情報の取り込み、ハイブリッド検索、引用付き回答、夜間整理を循環させ、AIエージェントの記憶を維持する仕組みです。MarkdownとYAML frontmatterで知識を管理し、Postgresとpgvectorへ関係性を保存するため、検索性と機械的な処理を両立できます。

Transcript

おすです。本日はですね、ギャリータンと いう方がですね、え、作られたGブレイン というちょっと記憶みたいな、え、 フレームワークについてお話していきたい と思います。え、これはもう結構ね、え、 このギャリーターンという方がこだわって 作ったオープンクローとかヘルメス エージェントに向けた、ま、あのノーと いうか、ま、汎用AIエージェント向けの 、え、記憶システムという感じにはなっ てるんですけどね。え、結構アップデート もすごい、え、行われていて、え、ま、 学ぶべき点も非常に多いかなと、え、いう 風に思いましたんで、今回ちょっと動画し ていきたいなという風に思います。え、ま 、記憶に関してはね、ま、僕もいろんな 考え方を持っているんですけども、え、ま 、その中でもなんか王道というか、はい。 ... Read More

Key Insights

• GBRAINは、キャプチャー、検索、回答生成、夜間整理、型の育成を循環させ、AIエージェントが蓄積した知識を継続的に利用できるようにする記憶システムである。
• キャプチャーは、メモや解析情報などを既存知識と照合し、重複や文脈を確認してからMarkdownへ書き込み、文書間の関係も保存する取り込み工程である。
• YAML frontmatterは、タグや種類などの属性を文書に持たせ、LLMを毎回呼び出さなくても解析や条件分岐を機械的に実行しやすくする仕組みである。
• 保存層は、編集しやすいMarkdownと、検索や関係管理に使うPostgresおよびpgvectorを組み合わせ、可読性と検索性を両立する構成である。
• 検索は、意味の近さを捉えるベクトル検索と、固有名詞や専門用語に強いキーワード検索を統合し、候補をリランクして精度を補い合う方式である。
• Searchは検索結果の一覧を返す機能であり、Thinkは取得した根拠をもとにLLMで引用付き回答を合成する機能であるため、必要なAPI設定も異なる。
• Dream cycleは、記憶の置き場所、リンク、古さ、矛盾などを点検し、修正案や要約ページを作ることで、蓄積した知識を整理された状態に保つ工程である。
• GBRAINはMCPやCLIからAIエージェントと接続でき、Webhookやインボックスフォルダーを使った取り込みにも拡張できる一方、構成の複雑さが導入上の負担になり得る。
• 🎬 このチャンネルの他の動画:
  • GPT-OSSをローカルPCで使う方法は？
  • Claude Opus 4.8のプロンプト精度を上げる方法
  • Kimi K2.5で利用できる機能とは？
• 📺 このチャンネル: まさおAIじっくり解説ch

Questions & Answers

Q: GBRAINとは何ですか？

GBRAINは、OpenClawやHermes Agentなどの汎用AIエージェント向けに作られた記憶システムです。情報を取り込み、検索や回答生成で引き出し、Dream cycleで整理し、蓄積した知識から再利用可能な型を育てる流れを備えています。

Q: GBRAINに情報を保存する方法は？

情報は、代表的にはGBRAINのキャプチャー用コマンドから保存します。メモ、解析結果、Xの投稿などを渡すと、情報の種類を振り分け、既存知識を読み取って重複や文脈を確認し、Markdownへの書き込みと関係データの保存を行います。

Q: GBRAINの検索はどのような仕組みですか？

GBRAINの検索は、ベクトルによる意味検索とキーワード検索を組み合わせる仕組みです。両方から得た候補を上位順にリランクするため、意味的に近い情報だけでなく、固有名詞や専門用語を含む情報も拾いやすい構成になっています。

Q: GBRAINのSearchとThinkの違いは何ですか？

Searchは条件に合った検索結果の一覧を返し、Thinkは取得した情報をもとに引用付きの合成回答を生成します。検索は埋め込みモデルを設定すれば利用できますが、ThinkのLLM合成にはAnthropicのモデルなどを使うため、対応するAPIキーの設定が必要になります。

Q: Dream cycleは何を自動整理しますか？

Dream cycleは、蓄積した記憶の置き場所、リンク、古さ、矛盾などを点検し、必要に応じて修正案や要約ページの追加につなげます。自動設定のほか、cronジョブとして動かす方法も示されており、夜間に知識を整理された状態へ近づけます。

Q: YAML frontmatterを使う理由は何ですか？

YAML frontmatterを使う理由は、文書の種類、タグ、関連属性などを一定の形式で定義し、機械的に解析できるようにするためです。値をパースして条件分岐や処理へ利用できるので、すべての整理作業でLLMを呼び出す必要を減らせます。

Q: GBRAINをAIエージェントへ接続する方法は？

GBRAINはMCPやCLIを通じてAIエージェントへ接続できます。動画ではClaude CodeやCursorとの接続例に触れ、導入手順をエージェントへ渡して、スキル、APIキー、cron設定などを説明させながらセットアップする方法が勧められています。

Q: GBRAINの埋め込みモデルはどう選べばよいですか？

埋め込みモデルは、扱う言語や検索用途に合わせて初期セットアップ時に選択します。話者はOpenAIのtext-embedding-3系モデルを選んだと述べています。埋め込みを設定すれば検索を利用でき、ThinkやDream cycleを本格利用するかどうかとは分けて判断できます。

Q: GBRAINへの情報取り込みを自動化する方法は？

情報取り込みは、キャプチャー用コマンドだけでなく、Webhook経由やインボックスフォルダーへのファイル投入として仕組み化できます。メモや外部情報が継続的に入る経路を用意すれば、手作業で毎回コマンドを実行せずに記憶を蓄積できます。

Q: GBRAINをそのまま使うか自作するかの判断基準は？

MCP、CLI、ハイブリッド検索、夜間整理、型の育成まで一体化した仕組みが必要なら、GBRAINをそのまま使う選択が適しています。一方、編集しやすさや単純な検索を優先する場合は、Markdownを中心に必要な機能だけを採用した簡素な自作構成も選択肢になります。

Summary & Key Takeaways

• GBRAINでは、まずメモ、解析結果、Xの投稿などをキャプチャーし、既存情報との重複や文脈を確認してからMarkdownへ書き込みます。YAML frontmatterに種類やタグなどの構造化情報を持たせ、文書間の関係とともにPostgresとpgvectorへ保存することで、人間が編集しやすい知識とAIが検索できる記憶を両立します。

• 保存した知識は、ベクトルによる意味検索とキーワード検索を統合し、候補を上位順にリランクして取り出します。Searchは一致した情報の一覧を返し、ThinkはLLMを利用して引用付きの合成回答を生成します。固有名詞や専門用語はキーワード検索、意味の近い内容はベクトル検索で補い、単一方式の弱点を抑える設計です。

• Dream cycleは、蓄積した記憶の置き場所、リンク、古さ、矛盾などを夜間に点検し、修正案や要約ページの追加につなげます。整理された知識から再利用可能な型を育てる仕組みもあり、判断の速度や再現性を高める狙いがあります。一方で、セットアップや外部連携は作り込まれている分だけ複雑で、用途によっては簡素な自作構成も選択肢になります。