YC 最新一轮 Request for Startups 里，有一条很适合放进管理层周会。
它没有把问题继续推给模型能力，也没有停在“多建几个 AI 应用”。它说，AI 自动化公司最大的阻塞，已经变成了 domain knowledge。
翻译成人话就是：模型越来越会干活，但它不知道你公司到底怎么干活。
退款怎么批，价格例外谁能拍板，客户投诉什么时候升级，事故响应谁先看日志、谁通知客户、谁给老板同步，这些东西往往不在一份漂亮文档里。它们散在老员工脑子里、Slack 线程里、邮件里、工单里、会议纪要里。
公司就靠这些“大家大概记得”的东西运转。
人可以这么过日子，Agent 不行。
所以 YC 在 Company Brain 这一条里说得很清楚：如果每家公司都要跑在 AI 自动化上，就需要一个新原语，一个公司脑。
GBrain 切进来的位置就在这里。
GBrain 表面上是 Garry Tan 开源的 AI agent memory 系统；往深一点看，它其实是在回答一个更管理化的问题：
企业到底要把什么交给 AI，AI 才能从“会回答”变成“会做事”？
一、公司脑不只是知识库升级
很多公司一听“公司脑”，第一反应是知识库升级。
把飞书、企业微信、Notion、工单、CRM、客服记录都接进来，再套一个 RAG，员工可以问：“某客户上次怎么处理的？”这当然有用，但还不够。
YC 对 Company Brain 的表述里有一个关键动作：把分散知识抽出来、结构化、保持更新，再转成 AI 可以执行的 skills file。
这个词很要命。
它关心的不只是资料能不能被搜到，更是 AI 能不能知道这家公司处理事情的方式。
比如客服退款，光找到退款政策还不够，系统还要知道：
• 哪类客户可以直接退； • 哪类订单必须先问销售； • 哪类异常要同步财务； • 哪些话术不能对外说； • 什么情况下要升级给负责人。
这些问题已经进入组织运行层了。
过去，组织靠老员工口口相传来解决。新人问前辈，前辈翻聊天记录，实在不行开个会。AI 进来以后，这套方式会露出一个很现实的短板：如果一件事必须靠“某个人记得”，Agent 就没有办法稳定接手。
AI 不怕流程复杂，怕流程只存在于人情世故里。
二、GBrain 的切口，是把“记忆”变成 Agent 的工作台
GBrain 的 README 里有一组很夸张的自述数据：Garry Tan 用它跑自己的 Agent，里面有 146,646 pages、24,585 people、5,339 companies，还有 66 个 cron jobs 在自动运转。
这个数字不一定是普通企业第一天要追的目标，但它说明了一件事：GBrain 不是那种“能搜笔记”的玩具。
它想做的是 Agent 的脑层。
它和普通知识库的差别，可以用一个会议准备场景解释。
你问普通系统：“我明天见 Alice 前要知道什么？”很多工具会返回几篇相关页面：Alice 的人名页、上次会议纪要、客户档案、价格讨论记录。页面找到了，但活儿还在你手里。
GBrain 想返回的是一段已经综合过的答案：Alice 负责什么、上次谈到哪里、还有哪几件事没闭环、哪些信息已经过期、哪些渠道它没看到。
这里有三个能力最要紧：
第一，它做综合，不停在召回。 搜索给你原料，脑层要给你可行动判断。
第二，它带引用和 gap analysis。 一个靠谱的公司脑，不能只说“根据资料判断”。它要告诉你每个结论来自哪里，也要告诉你哪里不知道、哪里可能过期、哪里缺证据。
第三，它把实体关系织成图。 GBrain 的检索架构没有只靠向量相似度，而是叠了 vector、BM25、RRF、knowledge graph traversal 和 reranker。官方评测里，BrainBench 上 P@5 到 49.1%、R@5 到 97.9%，图谱和抽取质量带来了约 31 个 P@5 点的提升。
对企业读者来说，这组数字的重点不在开源项目有多厉害。它提醒的是一个更朴素的事实：企业知识先是一张关系网，然后才是一堆段落。
人、客户、项目、合同、事故、决策、承诺、例外，都有关系。Agent 要做事，必须知道这些关系。
否则它就像一个会背政策的新人：嘴很快，手不稳。
三、分水岭在于知识能不能写成 skills
Garry Tan 在另一篇文档里讲过一个方法论：Thin Harness, Fat Skills。
这句话可以拆成两层。
Harness 是跑模型的外壳：工具、上下文、文件读写、安全边界。它要薄，不要把系统做成巨大的黑盒。
Skills 是可复用的工作程序：什么时候读什么资料，怎么判断，哪些步骤必须验证，哪些输出算合格。它要厚，因为业务经验大多在这里。
这就解释了为什么 Company Brain 不能只按“统一知识库”来理解。
一个公司脑如果只负责存资料，它最多改善问答效率。一个公司脑如果能把公司处理事情的方式写成 skill，Agent 才开始接近“可交付”。
这也是企业 AI 落地最容易被低估的一步。
大家爱讨论模型、算力、工具、平台，因为这些东西看起来新。麻烦在于，把公司里面那些靠人拍脑袋、靠老员工补台、靠群里一句“按惯例处理”的东西，拆成可以被 Agent 执行和审计的工作说明。
这活儿不酷，却很容易变成企业愿意持续投入的部分。
一个退款 skill，背后是客服、财务、销售、合规的责任边界。
一个事故响应 skill，背后是工程、客户成功、市场、公关的协作顺序。
一个价格例外 skill，背后是利润、客户分层、权限审批和销售激励。
所以 Company Brain 改变的不只是知识库本身。它会逼着组织把经验写成可复用的流程资产。
四、别急着上“全公司脑”，先把三个问题问清楚
GBrain 现在很热。截至 2026 年 6 月 3 日，我通过 GitHub API 查到 garrytan/gbrain 已经有约 20,752 stars、2,941 forks。Vectorize 的评测也承认它的工程设计很扎实，同时提醒它仍然年轻、偏自托管、需要操作者持续维护 skill 和 schema。
这个判断要先放在前面。
Company Brain 买不来一劳永逸。它更像一次组织盘点。尤其是企业场景里，至少有三个问题要先问清楚。
第一，哪些知识真的要进入执行链路？
并非所有资料都值得喂给 Agent。公司制度、客户档案、销售话术、工单记录、事故复盘、审批规则的优先级不一样。先挑高频、高成本、高风险的流程，不要一上来做“全公司知识接入”。
全公司知识接入听起来很宏大，实际很容易变成资料搬家。
第二，哪一个来源才算权威？
同一个客户，CRM 里一个版本，销售笔记一个版本，合同附件一个版本，微信群里还有一个“最新说法”。人类会自己找人确认，Agent 只会把冲突吃进去。
公司脑必须有 source tier。哪些来源优先，哪些只能做参考，哪些过期后自动降权，必须先定规则。
第三，谁负责权限和更新？
GBrain 的 company-brain 教程专门谈了多 source、OAuth scope、federated read、Postgres 后端这些东西。原因很简单：公司脑越有用，越不能乱读。
客服不该看到 HR 文档，销售不该看到全部财务口径，外部 Agent 不该读取内部事故细节。权限不是上线后的补丁，它是公司脑能不能进生产的前提。
还有一个更朴素的问题：谁负责让它保持新鲜？
过期知识比没有知识更危险。没有知识，Agent 会问；过期知识，Agent 会自信地错。
五、企业可以从一个小切口开始
如果你是业务负责人、产品负责人，或者正在推动企业 AI 落地，不需要马上照着 GBrain 搭一整套系统。
更稳妥的做法，是先选一个流程，把它拆成“公司脑最小闭环”。
我会建议从这三类场景里挑一个：
1. 客服升级和退款例外。 高频，有明确成本，也能直接看出 AI 是否理解业务边界。 2. 销售报价和合同例外。 涉及利润、权限、客户等级，天然适合检查“Agent 会不会越权”。 3. 工程事故响应。 资料分散、时间敏感、责任边界清楚，特别适合验证引用、时效和升级机制。
每个场景只做四件事：
先把真实案例整理出来，不要从制度文档开始。制度写的是理想世界，案例里才有公司的真实运转方式。
再把决策点写成 skill。什么时候可以自动处理，什么时候必须升级，什么时候需要补证据，都要写清楚。
然后给每条结论绑定来源。Agent 不能只说“我认为”，它必须能指回合同、工单、会议纪要或审批记录。
最后设置定期回看。每周看一次 Agent 错在哪里，把错误更新回 skill。只在群里吐槽它不靠谱，系统不会自己变好。
这就是 Company Brain 的早期形态：先小，先真，先能跑出一个可信闭环。
结尾：模型越来越强，企业反而要回头整理自己
AI 这件事走到今天，有一个反直觉变化。
以前企业觉得，等模型再强一点，我就可以自动化更多工作。
现在模型真的强了，问题开始转向企业自己：你的流程有没有写清楚？你的知识有没有来源？你的权限有没有边界？你的经验能不能复用？
GBrain 给出的启发，并不是“每家公司都该马上装这个开源项目”。
它更像一个提醒：Agent 要替公司做事，公司就必须先把自己的工作方式变成机器可以读取、引用、执行和审计的资产。
模型是发动机。
公司脑要做的，是把发动机接进真实业务的传动系统。
传动系统没装好，马力越大，越容易把车开歪。
