Jede Nacht, während Garry Tan schläft, liest ein KI-Agent seine Meetings, E-Mails und Tweets, legt sie in einer Wissensdatenbank ab und verknüpft sie neu miteinander. Morgens wacht er mit einem Brain auf, das über Nacht ein wenig schlauer geworden ist. Tan ist CEO von Y Combinator, und das System heißt GBrain.

Er stellte es im April 2026 als Open Source bereit, wenige Tage nachdem der KI-Forscher Andrej Karpathy die Idee öffentlich angestoßen hatte.

GBrain wurde zum Referenzdesign für die gesamte Company Brain-Bewegung. Das Projekt überschritt an einem einzigen Tag die Marke von 5.000 GitHub-Sternen und liegt heute bei fast 24.000.

Wir haben ein paar Tage lang jede Zeile davon gelesen. Die Technik ist wirklich gut, allerdings fehlt ein wichtiger Teil:

Die nächtliche Wartung von GBrain hält das Brain organisiert. Dafür, dass es auch wahr bleibt, tut sie fast nichts.

Diese Lücke zwischen aufgeräumt und vertrauenswürdig ist das Interessanteste an GBrain. Sie ist auch das Problem, mit dem wir uns bei Slite jeden Tag beschäftigen.

Das Wichtigste in Kürze:

  • GBrain ist ein Open-Source-KI-Memory-System: eine selbstpflegende Markdown-Wissensdatenbank mit einem typisierten Wissensgraphen darüber.
  • Seine wirklichen Stärken sind die kontinuierliche Ingestion und ein nächtlicher Dream Cycle (Traumzyklus), der die Seiten aktuell und gut verlinkt hält.
  • Den Wissensgraphen baut es ganz ohne Modellaufrufe auf, deshalb sind Ingestion und nächtliche Wartung günstig. Die eigentlichen Kosten entstehen bei den Abfragen an das Brain.
  • Es ist für eine einzelne Person gebaut: Es gibt kein echtes Berechtigungsmodell, und es liest hauptsächlich lokale Daten statt teamweiter Tools.
  • Es hält ein Brain organisiert, prüft aber nicht, ob das Brain korrekt oder vollständig ist. Das ist das offene Problem der gesamten Kategorie.

Was ist GBrain?

GBrain ist ein Open-Source-KI-Memory-System von Garry Tan, dem CEO von Y Combinator. Es ist eine Markdown-Wissensdatenbank auf Basis von Postgres, die Signale wie Meetings, E-Mails und Nachrichten aufnimmt, als Seiten speichert und einen typisierten Wissensgraphen aus Personen, Unternehmen und Projekten pflegt. Es aktualisiert sich jede Nacht nach Zeitplan selbst. Weil GBrain auf die Daten einer Person auf einem Rechner ausgelegt ist, wird es meist mit teamorientierten Company-Brain-Tools und Memory-Layern für Agenten verglichen.

Tan baute GBrain in etwa zwölf Tagen und veröffentlichte es unter MIT-Lizenz auf GitHub. Es betreibt die Wissensschicht hinter seinen eigenen Agenten-Setups.

Nach seinen eigenen Angaben umfasst sein produktives Brain 146.646 Seiten, 24.585 Personen und 5.339 Unternehmen, gepflegt von 66 geplanten Jobs. Das sind seine eigenen Zahlen, verstehen Sie sie also eher als Hinweis auf die Größenordnung denn als Benchmark.

Dass es sich so schnell verbreitete, liegt an dem Versprechen in einem Satz von Tan: „Ich wache schlauer auf, als ich zu Bett gegangen bin, und das werden Sie auch.“ Für alle, die schon einmal zugesehen haben, wie ein Wiki verkommt, ist das ein starkes Argument.

Die zugrunde liegende Idee, ein LLM, das seine eigene Wissensdatenbank aufbaut und pflegt, ist älter als GBrain. GBrain ist ihre am häufigsten kopierte Umsetzung. Andere Teams haben eigene Varianten umgesetzt, zum Beispiel wie Cerebras seine interne Wissensdatenbank aufgebaut hat.

Wie funktioniert GBrain eigentlich?

Unter dem Markdown besteht GBrain aus vier übereinanderliegenden Schichten: einem Dateispeicher, einer Suchmaschine, einem Wissensgraphen und einer Reihe von Skills, die die Arbeit erledigen.

Das Repository: einfache Markdown-Dateien

Im Kern ist GBrain ein Ordner mit Markdown-Dateien, eine pro Entität oder Thema. Statt Dokumenten, die Sie selbst schreiben, enthalten die Dateien das, was das System über eine Person, ein Unternehmen, einen Deal oder ein Meeting weiß. Der Agent schreibt sie. Sie lesen sie in den meisten Fällen nur.

Retrieval: hybride Suche

Die Suche kombiniert Stichwort- und semantisches Matching, sodass die Ergebnisse sowohl bei exakten Begriffen als auch bei unscharfen Fragen tragen. GBrain nutzt Vektorähnlichkeit, BM25-Stichwortabgleich und darüber einen Reranking-Schritt. Das kommt dem Ansatz unserer eigenen Suche nahe und ist der richtige erste Schritt.

Der Wissensgraph: typisiert, fest vorgegeben und ohne Modell gebaut

GBrain verknüpft Entitäten über einen festen Satz typisierter Beziehungen, und zwar ohne ein Sprachmodell aufzurufen. Beziehungen wie works-at, founded, invested-in und attended werden mit einfachem Pattern Matching extrahiert. So bleiben Schreibvorgänge schnell und nahezu kostenlos.

Der Preis dafür ist Starrheit. Das Vokabular ist fest einprogrammiert, also erkennt der Graph nur die Beziehungstypen, die ihm beigebracht wurden. In Tans eigenem Benchmark mit einem Korpus von 240 Seiten hob das Einschalten des Graphen precision@5 von etwa 18 % auf 49 %, ein Plus von 31 Prozentpunkten. Das ist sein Test mit seinen eigenen Daten, das Ergebnis ist also vielversprechend, aber noch nicht bewiesen.

Skills: der ständig aktive Detektor und die Nachtschicht

Die eigentliche Intelligenz steckt in den Skills, kleinen Markdown-Workflows, die das System bei bestimmten Auslösern ausführt. Ein Skill beobachtet jedes eingehende Signal und entscheidet mit einem günstigen Modell, ob sich im Brain etwas ändern sollte.

Ein Router, den GBrain Resolver nennt, leitet dann jede Änderung an den passenden spezialisierten Skill weiter, etwa für die Korrektur einer Quellenangabe. Andere Skills laufen nachts nach Zeitplan.

Was passiert über Nacht? Der Dream Cycle

Einmal am Tag führt GBrain einen Wartungsdurchlauf aus, den es Dream Cycle nennt. Dabei wird das gesamte Brain bereinigt, verlinkt und neu synthetisiert.

Je nach Version umfasst er etwa acht bis neun Phasen:

  • linten und korrigieren,
  • Backlinks reparieren,
  • synchronisieren,
  • neue Seiten aus Rohtranskripten synthetisieren,
  • Entitäten extrahieren,
  • Muster über Sitzungen hinweg finden,
  • veraltete Inhalte neu einbetten,
  • und verwaiste Seiten melden.

Einfach gesagt entfernt er veraltete Seiten, repariert defekte Links, legt Inhalte neu ab und schreibt frische Zusammenfassungen.

Bei der Synthese folgt er strengen Regeln: Quellen wörtlich zitieren, alles mit Querverweisen versehen und niemals eine Seite stillschweigend überschreiben.

Prüft der Dream Cycle, ob Ihr Brain der Wahrheit entspricht?

Nein. Die nächtliche Wartung von GBrain organisiert und aktualisiert eine Wissensdatenbank. Sie entfernt veraltete und verwaiste Seiten, repariert Links und synthetisiert Zusammenfassungen neu, prüft aber weder die Fakten im Inhalt noch, ob das Wissen korrekt oder vollständig ist.

Ein aufgeräumtes Brain sieht aus wie ein vertrauenswürdiges, und genau deshalb übersieht man diese Lücke so leicht.

Der Dream Cycle liefert Ihnen einen sauberen Index, intakte Backlinks und keine toten Seiten.

Nichts davon sagt Ihnen, ob das, was auf einer Seite steht, noch stimmt, und genau dort richtet veraltete Dokumentation ihren stillen Schaden an. Selbst das Entfernen verwaister Seiten bleibt ein Bericht, den ein Mensch beurteilen muss.

Wir haben dieses Spannungsfeld selbst erlebt. Zum ersten Mal lässt sich die organisatorische Arbeit an einer Wissensdatenbank automatisieren. Das garantiert aber noch nicht, dass das Ergebnis vollständig oder richtig ist.

Auch die Menschen, die solche Systeme bauen, spüren das.

Ein Gründer, der sieben interne KI-Agenten auf einem einzigen Mac Mini betreibt, erzählte uns, dass sein Memory-Layer schon nach wenigen Wochen an Skalierungsgrenzen stieß. Ein Engineer, der das Wissen seines Teams als lokales Wiki neu aufgebaut hat, drückte es direkter aus: GBrain wirkte auf ihn „viel zu sehr auf Single Player ausgerichtet“.

Was kostet ein KI-Memory-Layer für Agenten wie GBrain?

Ein Memory-Layer im Stil von GBrain kostet für ein kleines Team rund 4 $ pro Nutzer und Monat, bei intensiverer Nutzung 8 bis 15 $ pro Nutzer und Monat. Ingestion und nächtliche Wartung sind fast kostenlos, weil das System die gespeicherten Daten kaum neu verarbeitet. Der größte Kostenfaktor sind die Abfragen an das Brain.

Die Kosten hängen weit weniger davon ab, womit Sie das Brain füttern, als davon, wie oft Sie es abfragen.

Ingestion und Wartung sind die günstigen Teile.

Weil der Graph ohne Modellaufrufe entsteht, kostet das Schreiben und Umorganisieren von Seiten fast nichts. Embeddings kosten rund 0,10 bis 0,13 $ pro Million Tokens, und die Neuindexierung eines Korpus mit 100 Millionen Tokens kostet etwa 13 $.

Die nächtliche Wartung hält den Index aufgeräumt, ohne die zugrunde liegenden Daten neu zu verarbeiten, und schlägt daher kaum zu Buche.

Was sich wirklich summiert, sind die Abfragen.

GBrain antwortet zuerst aus dem Brain und ruft dann ein Modell auf, um jede Suche zu erweitern und auszuführen, sodass die Rechnung davon abhängt, wie oft Menschen ihm Fragen stellen.

Diese Zahlen setzen OpenAI-Embeddings plus ein Modell der Claude-Klasse voraus, das bei jeder Frage Query Expansion und Reranking übernimmt.

Das untere Ende von 4 $ entspricht einer Handvoll Suchen pro Nutzer und Tag; das obere Ende von 8 bis 15 $ entspricht intensiven Abfragen über den ganzen Tag. Ändern sich das Modell oder das Abfragevolumen, ändert sich auch die Zahl.

Die meisten betreiben GBrain über ein Claude- oder Codex-Abo, das sie ohnehin bezahlen, deshalb fühlen sich diese Aufrufe pro Abfrage kostenlos an, auch wenn sie es nicht sind.

Das ist einer der Gründe, warum GBrain so gut zur individuellen, persönlichen Nutzung passt, bei der eine motivierte Person sowohl die Kosten als auch die Einrichtung trägt.

NutzungsprofilUngefähre KostenWas die Kosten treibt
Leicht (Ingestion plus gelegentliche Suche)~4 $ / Nutzer / MonatEmbeddings, Speicher
Intensiv (häufige Abfragen)~8 bis 15 $ / Nutzer / MonatAbfragen (ein Modellaufruf pro Suche)

Ein Company Brain wie dieses ist günstig aufzubauen und aktuell zu halten. Bezahlen müssen Sie für die Abfragen.

GBrain-Alternativen

GBrain ist ein persönliches Brain: die Markdown-Dateien einer Person, auf dem Rechner einer Person, über Nacht gepflegt. Es hat keinen gemeinsamen Speicher, kein Berechtigungsmodell und keine Erinnerung an die Gespräche, die ein Agent unterwegs führt.

Für jede dieser Lücken gibt es ein Tool, das genau darauf ausgelegt ist, sie zu füllen.

Wir haben zehn Company-Brain-Lösungen verglichen, GBrain eingeschlossen, falls Sie sich vor der Auswahl einen vollständigen Überblick verschaffen möchten.

ToolIdeal fürSpeicherformWie es aktuell bleibtOpen SourceLäuft auf Ihrem eigenen Rechner
GBrainDas eigene Brain einer PersonMarkdown-Seiten plus typisierter Graph auf PostgresNächtlicher Dream Cycle organisiert und verlinkt Seiten neuJa, MITJa
Slite AgentTeams, die die Pflege abgeben möchtenGeregelte Wissensdatenbank über verbundene Tools hinwegPrüft Dokumente anhand der Live-Aktivität auf Fakten, Menschen genehmigen DiffsNeinNein, gemanagt
SylphEin gemeinsames Team-RepoMarkdown-Dateien im Git-BaumAgenten erstellen Entwürfe, Menschen führen sie zusammenJaJa
mem0Memory unter Ihren eigenen AgentenVektorspeicher mit extrahierten FaktenNur Hinzufügen, mit Decay bei der SucheOpen CoreJa, oder gehostet
ZepFragen, bei denen die Historie zähltTemporaler Wissensgraph mit zeitgestempelten FaktenNeue Fakten lassen widersprochene ablaufen, nichts wird gelöschtJa, GraphitiJa, oder gehostet
LettaAgenten, die ihr eigenes Memory verwaltenMemory-Blöcke, Archiv und Nachrichtenverlauf auf PostgresEin Sleep-Time-Agent schreibt das Memory im Hintergrund neuOpen CoreJa, oder gehostet
CogneeEine selbst gehostete Graph- und VektorplattformGraph plus Vektoren über verbundene QuellenNimmt verbundene Quellen erneut auf, Antworten enthalten QuellenangabenJaJa

Slite

GBrain verlangt, dass eine motivierte Person das System aufsetzt und am Laufen hält. In einem Unternehmen tauscht ein gemanagtes Company Brain diese Kontrolle gegen Pflege, um die Sie sich nicht selbst kümmern müssen.

Der Dream Cycle von GBrain hält das Brain aufgeräumt und gut verlinkt, fragt aber nie, ob eine Seite noch wahr ist.

Slite Agent prüft Dokumente anhand der Live-Aktivität in mehr als 100 verbundenen Quellen auf Fakten und leitet dann jede vorgeschlagene Aktualisierung als Side-by-Side-Diff an eine Triage-Warteschlange für Menschen weiter, mit einem Verifizierungsstatus und einer namentlich genannten verantwortlichen Person für jedes Dokument.

Ideal für

Wenn Sie möchten, dass Wartung und Berechtigungen für Sie übernommen werden.

Sylph

Sylph von nao Labs legt das Company Brain in den Git-Baum. Im Stammverzeichnis liegt eine zentrale CONTEXT.md, Fachbereichsordner enthalten den Kontext der einzelnen Teams, und jede Datei ist Markdown, das die Agenten direkt lesen.

Agenten schreiben Verbesserungsvorschläge in einen Entwurfsordner, und Menschen entscheiden, was übernommen wird.

Nach der Veröffentlichung einer Änderung vergleicht der Agent seinen eigenen Entwurf mit der menschlichen Bearbeitung und aktualisiert anhand des Unterschieds seine Regeln. Sonst ist nichts automatisiert, das Brain bewegt sich also im Tempo der Reviews. Es ist Open Source und hat rund 196 Sterne.

Ideal für

Ein gemeinsames Team-Repo, das Sie in einem Pull Request lesen können.

mem0

mem0 ist ein Memory-Layer und keine Wissensdatenbank. Ihr Code ruft add() auf, ein LLM zieht die dauerhaften Fakten aus dem Text, und diese Fakten landen in einem Vektorspeicher, der einem Nutzer, einem Agenten, einer Sitzung oder einer Organisation zugeordnet ist. Version 3 fügt nur noch hinzu: Statt veraltete Fakten zu löschen, wendet sie bei der Suche Memory Decay an, sodass ältere Fakten seltener auftauchen. Open Core, mit einer Series-A-Finanzierung von 24 Mio. $ im Rücken und rund 62.000 Sternen.

Ideal für

Memory unter Agenten, die Sie selbst bauen.

Zep

Zep basiert auf Graphiti, seiner eigenen Open-Source-Engine, die Wissen als temporalen Wissensgraphen speichert, also als Graphen aus Fakten, die jeweils die Zeit tragen, in der sie wahr waren. Episoden gehen hinein und kommen in drei Schichten wieder heraus: die rohen Ereignisse, die daraus extrahierten Entitäten mit typisierten Verbindungen und Communities, die zusammengehörige Entitäten gruppieren. Wenn neue Informationen einem älteren Fakt widersprechen, lässt ein LLM die alte Beziehung ablaufen, statt sie zu löschen, sodass Sie weiterhin fragen können, was das Team im März für richtig hielt. Das Retrieval kommt ganz ohne LLM-Aufruf aus, weshalb Antworten in unter einer Sekunde zurückkommen. Graphiti hat rund 24.000 Sterne.

Ideal für

Fragen, bei denen die Historie genauso wichtig ist wie die aktuelle Antwort.

Letta

Letta stammt aus der MemGPT-Forschungslinie und hält drei Memory-Stufen auf Postgres vor: kleine, beschriftete Memory-Blöcke, die fest im Kontextfenster bleiben, ein durchsuchbares Archiv und den vollständigen Nachrichtenverlauf. Ein Sleep-Time-Agent schreibt die gemeinsamen Memory-Blöcke im Hintergrund neu, während nichts darauf wartet, und die Kontextkomprimierung fasst etwa 30 % der Nachrichten zusammen, wenn sich das Fenster füllt. Über ein Agent Development Environment kann eine Person dieses Memory öffnen und von Hand korrigieren. Open Core, 10 Mio. $ Seed-Finanzierung.

Ideal für

Wenn der Agent sein eigenes Memory besitzen und bearbeiten soll.

Cognee

Cognee aus Berlin beschreibt sich selbst als gemeinsames Company Brain für Agenten. Es verbindet Quellen wie Slack, GitHub und Linear, erstellt aus dem Gefundenen sowohl eine Graph- als auch eine Vektordarstellung und liefert Antworten mit Quellenangaben zurück zur Quelle. Dank dieser Quellenangaben kann eine Leserin oder ein Leser eine Antwort prüfen, statt ihr einfach zu vertrauen. Rund 30.000 Sterne und eine Seed-Finanzierung von 7,5 Mio. $.

Ideal für

Eine Open-Source-Graph- und Vektorplattform, die Sie selbst hosten.

Wie es weitergeht und wo Slite ins Spiel kommt

GBrain hat bewiesen, dass sich ein autonomes Company Brain bauen lässt. Beim nächsten Wettlauf geht es um Autonomie, der man vertrauen kann.

Volle Autonomie ergibt eine großartige Demo. Schwierig wird es, sobald eine mehrdeutige Änderung eintrifft und kein Mensch da ist, um sie einzuschätzen, und noch schwieriger, wenn ein ganzes Team in dasselbe Brain schreibt.

GBrain hat inzwischen begrenzten Mehrbenutzerzugriff ergänzt, aber es begann als Single-Player-Tool und ist es weitgehend geblieben.

Und Multiplayer ist nur die eine Hälfte. Die tiefere Lücke liegt bei Governance und Reichweite.

GBrain setzt eine motivierte Person voraus, die das System aufsetzen, am Laufen halten und auf Daten ausrichten kann, die größtenteils auf dem eigenen Rechner liegen.

Für ein Team sind die offensichtlichen Nachteile jedoch:

  • Es hat kein echtes Berechtigungsmodell, die Frage, wer was sehen darf, spielt also nie eine zentrale Rolle.
  • Es liest aus lokalen Dateien und einem festen Satz von Signalen; es lässt sich nicht nativ an die teamweiten Systeme anbinden, in denen das Unternehmenswissen tatsächlich liegt, etwa CRMs, Helpdesks oder SQL-Datenbanken.

Für eine Einzelperson ist dieses Setup in Ordnung. Für ein Team machen Berechtigungen und verbundene Quellen den Großteil der Arbeit aus.

Slite Agent bauen wir um den gegenteiligen Standard herum: eine selbstpflegende Wissensdatenbank mit einem Menschen im Loop. Slite Agent ist die Wartungsschicht darüber. Er achtet auf veraltete Inhalte, entwirft die Korrektur und bittet jemanden, mehrdeutige Änderungen zu genehmigen, bevor sie übernommen werden.

Das Ziel sind rund 95 % Autonomie, wobei Menschen für die 5 % eingebunden bleiben, die wirklich Urteilsvermögen erfordern. Und wir richten die Wartung auf das aus, was GBrain unberührt lässt: ob das Wissen noch korrekt und vollständig ist.

Die beiden Ansätze ziehen in unterschiedliche Richtungen.

GBrainSlite Agent
Ideal fürEinzelpersonen und Power-UserTeams
Einrichtung und PflegeSie bauen und pflegen es selbstGemanagt und für Sie gepflegt
WissensgraphPersistent, typisiert, fest einprogrammierte BeziehungenKein persistenter Graph; leitet den Kontext bei der Abfrage ab
DatenquellenLokale Dateien und ein fester Satz von SignalenVerbindet sich mit den Team-Tools, in denen das Wissen liegt
BerechtigungenNachgerüsteter, begrenzter ZugriffGeregelt und von Anfang an zentral
WartungszielHält das Brain organisiertZielt auf veraltete Inhalte, Korrektheit und Vollständigkeit
Mensch im LoopOptionaler Bericht zu verwaisten SeitenFest eingebaut bei mehrdeutigen Änderungen

Wenn Ihr Team Agenten an Ihr Unternehmenswissen anbindet und Sie möchten, dass es auch beim Wachsen vertrauenswürdig bleibt: Genau an diesem Problem arbeiten wir.

Buchen Sie eine Demo, und wir zeigen Ihnen, wie Slite Agent mit veralteten Inhalten und Reviews umgeht.

Der Bedarf an einem KI-Memory-Layer ist real, und GBrain hat einen starken Weg gezeigt, ihn zu bauen.

Die offene Frage, die es hinterlässt, ist die wichtigste, je mehr dieser Systeme von unserer Arbeit übernehmen: Ein gut organisiertes Brain ist noch kein Brain, dem Sie vertrauen können.

Diese Lücke zu schließen, ist die Arbeit, die vor uns liegt, und der Teil, auf den wir uns am meisten freuen.