GBrain — Garry Tan의 AI 에이전트 메모리 시스템

Thu, 16 Apr 2026 00:00:00 +0900

개요

“당신의 AI 에이전트는 똑똑하지만 건망증이 있다. GBrain은 그 에이전트에게 뇌를 준다.”

GBrain은 Y Combinator의 대표이자 CEO인 Garry Tan이 만든 오픈소스 AI 에이전트 메모리 시스템이다. 데모나 장난감이 아니다 — Tan이 실제로 사용하는 에이전트를 위해 구축한 프로덕션 시스템이다. GitHub에서 이미 8,349개의 스타와 931개의 포크를 기록했으며, TypeScript와 PLpgSQL로 작성되었다.

프로덕션 규모

GBrain의 프로덕션 배포 수치가 모든 것을 말해준다:

지표	수량
수집된 페이지	17,888
추적 중인 인물	4,383
인덱싱된 기업	723
실행 중인 크론 작업	21
구축 소요 시간	12일

개념 증명이 아니다. 매일 실제 에이전트 워크플로를 구동하는 실 서비스 지식 그래프다.

아키텍처: 신호에서 메모리로의 루프

핵심 루프는 단순하다: 모든 메시지는 신호이고, 모든 신호는 브레인을 통해 처리된다.

graph TD
 A["신호 도착"] --> B["Signal Detector <br/> 모든 메시지에서 실행"]
 B --> C["Brain-Ops <br/> 브레인 먼저 확인"]
 B --> D["엔티티 추출 <br/> 인물, 기업, 주제"]
 C --> E["브레인 컨텍스트로 <br/> 응답"]
 E --> F["지식 그래프에 <br/> 기록"]
 F --> G["동기화 <br/> 에이전트 간 메모리"]
 D --> F

핵심 통찰은 signal detector가 모든 메시지에 대해 병렬로 실행된다는 점이다. 메인 응답이 시작되기도 전에 에이전트의 사고 과정을 포착하고 엔티티를 추출한다. 이는 명시적으로 요청할 때만이 아니라 항상 컨텍스트가 축적된다는 뜻이다.

철학: Thin Harness, Fat Skills

GBrain은 독특한 설계 철학을 따른다: 지능은 런타임이 아니라 스킬에 있다.

하네스 자체는 의도적으로 가볍다 — 메시지 라우팅, 데이터베이스 연결, 신호 감지 루프만 처리한다. 나머지는 모두 RESOLVER.md가 관리하는 25개의 스킬 파일로 밀어넣었다:

signal-detector — 항상 켜져 있으며, 모든 메시지에서 실행
brain-ops — 외부 호출 전 5단계 조회 프로토콜
ingest — 페이지, 문서, 피드 수집
enrich — 메타데이터 추가, 분류, 엔티티 연결
query — 지식 그래프에서 구조화된 검색
maintain — 가비지 컬렉션, 중복 제거, 헬스 체크
daily-task-manager — 반복 워크플로
cron-scheduler — 21개(그리고 계속 늘어나는) 크론 작업
soul-audit — 성격 및 행동 일관성 점검

“skill files are code"라는 표현이 이를 잘 포착한다. 각 스킬은 전체 워크플로를 인코딩하는 두꺼운 마크다운 문서다 — 단순한 프롬프트 템플릿이 아니라 의사결정 트리, 에러 처리, 출력 포맷을 포함한 완전한 운영 명세서다.

Brain-First 규칙

에이전트가 외부 API를 호출하기 전에, 반드시 엄격한 5단계 브레인 조회를 거친다:

지식 그래프에서 기존 정보 확인
최근 신호에서 컨텍스트 확인
엔티티 관계 확인
시간적 패턴 확인
그래야만 필요시 외부 API 호출

이 “brain-first” 규칙은 중복 API 호출을 극적으로 줄이고, 에이전트의 응답이 축적된 지식에 기반하도록 보장한다. 매번 새로 가져온 (그리고 잠재적으로 일관성 없는) 데이터에 의존하지 않는다.

기술 스택

PGLite는 특별히 언급할 가치가 있다. Postgres 서버를 요구하는 대신, GBrain은 PGLite를 사용하여 즉시 데이터베이스를 구축한다 — 제로 상태에서 실행 가능한 지식 그래프까지 약 2초. Docker도, 서버 프로비저닝도, 커넥션 스트링도 필요 없다.

시스템은 MCP 서버로도 제공되므로, Claude Code, Cursor, Windsurf와 직접 통합된다. MCP 호환 도구라면 무엇이든 브레인에 접근할 수 있다.

설치는 약 30분이 걸리며, 에이전트가 자체 셋업을 처리한다 — 레포를 지정하면 데이터베이스를 부트스트랩하고, 스킬을 설치하고, 크론 작업을 설정한다.

왜 중요한가

대부분의 AI 에이전트 프레임워크는 오케스트레이션에 집중한다: LLM 호출을 어떻게 체이닝할지, 도구 사용을 어떻게 관리할지, 에러를 어떻게 처리할지. GBrain은 완전히 다른 문제를 다룬다 — 세션과 에이전트를 넘나드는 영속적이고 구조화된 메모리.

12일 만에 구축되어 이미 프로덕션 규모(17,888 페이지, 4,383 인물)로 운영되고 있다는 사실은 “thin harness, fat skills” 접근법이 철학적으로 깔끔할 뿐 아니라 실용적으로도 효과적임을 시사한다.

GitHub: garrytan/gbrain

Knowledge Graph on ICE-ICE-BEAR-BLOG