Latest research memo · 2026-06-16

GBrain 최신 정리
AI Agent의 “기억·지식 그래프·운영 브레인” 레이어

최근 개발자/AI 에이전트 커뮤니티에서 많이 언급되는 GBrain을 기준으로, 개념·아키텍처·설치·활용 시나리오·한계·도입 전략을 엔지니어링 관점에서 정리했습니다.

대상: Claude Code / Codex / Cursor / MCP 기반 Agent 핵심: Postgres/PGLite + pgvector + Knowledge Graph 라이선스: MIT 작성일: 2026-06-16 KST

1. 한눈에 보기

GBrain은 AI 에이전트가 장기적으로 기억하고, 검색하고, 인용하고, 지식 그래프를 따라 추론할 수 있도록 만드는 Agent Memory / Brain Layer입니다.

한 줄 정의마크다운 기반 지식 저장소를 DB·벡터검색·키워드검색·그래프·MCP 도구로 변환해 AI Agent가 쓰는 “외부 두뇌”로 만드는 시스템.
핵심 차별점단순 “노트 검색”이 아니라 검색 → 종합 답변 → 출처 → 부족한 정보 분석까지 한 번에 제공하는 방향을 지향.
기술 스택Bun/TypeScript, PGLite 또는 Postgres, pgvector, hybrid retrieval, reranker, MCP stdio/HTTP, OAuth/권한 모델.
적합한 사용자Claude Code/Codex/Cursor 같은 코딩 Agent에 프로젝트 기억을 붙이고 싶은 개발자, 팀 지식베이스를 Agent화하려는 스타트업/조직.
결론: “개인/팀 지식베이스 + AI Agent 자동 운영”을 만들려는 사람에게는 매우 흥미로운 레퍼런스입니다. 다만 프로젝트가 빠르게 변하고 있고 이슈/PR도 많으므로, 바로 프로덕션 핵심 인프라로 쓰기보다는 개인 brain → 제한된 팀 파일럿 → 권한/감사/백업 검증 후 확대가 안전합니다.

2. GBrain이란?

공식 저장소 설명 기준으로 GBrain은 “AI agent가 놓치고 있던 brain layer”를 표방합니다. Garry Tan은 자신이 OpenClaw/Hermes 배포에서 쓰는 운영 브레인으로 만들었으며, 회의·이메일·트윗·음성통화·아이디어 등을 수집하고 사람/회사 페이지를 풍부하게 만들며, 밤새 citation 정리와 메모리 통합을 수행한다고 설명합니다.

즉, GBrain은 다음 세 가지를 한 번에 묶습니다.

  • 지식 저장소: 마크다운 파일과 git repo를 지식의 원본으로 유지.
  • 검색/추론 런타임: PGLite/Postgres에 동기화해 벡터 검색, 키워드 검색, 그래프 탐색, 종합 답변을 제공.
  • Agent 인터페이스: MCP 서버/CLI를 통해 Claude Code, Codex, Cursor, ChatGPT 등 다양한 Agent 클라이언트와 연결.
이름 혼동 주의: 여기서 말하는 GBrain은 과거 Google의 AI 연구 조직인 Google Brain이 아닙니다. 최근 개발자 커뮤니티에서 화제가 되는 것은 GitHub의 garrytan/gbrain 프로젝트입니다.

3. 왜 지금 많이 이야기되나?

  1. AI Coding Agent의 기억 문제: Claude Code, Codex CLI, Cursor 같은 도구는 세션이 바뀌면 맥락을 잃기 쉽습니다. GBrain은 프로젝트/개인/팀 단위의 장기 기억을 MCP로 붙이는 방식입니다.
  2. RAG 이후의 문제의식: 기존 RAG는 “관련 chunk 10개”를 주는 데 그치는 경우가 많습니다. GBrain은 종합 답변, citation, gap analysis를 핵심 가치로 내세웁니다.
  3. Knowledge Graph 결합: 벡터 검색은 의미적으로 비슷한 텍스트를 찾는 데 강하지만, “A가 어느 회사에 있고, 누가 투자했고, 어떤 회의에 참석했나” 같은 관계 질의에는 약합니다. GBrain은 page write 시 entity reference와 typed edge를 만들고 graph traversal을 검색과 결합합니다.
  4. 로컬/팀 확장성: 개인은 PGLite로 로컬 실행, 팀은 Postgres/Supabase로 운영하는 이원 구조를 제공합니다.
  5. MCP 생태계 확산: MCP가 Agent와 외부 도구를 연결하는 사실상 표준 인터페이스처럼 확산되면서, “Agent가 읽고 쓰는 brain server”의 수요가 커졌습니다.

4. GBrain의 지식 모델

GBrain의 핵심 모델은 Compiled Truth + Timeline입니다. 문서를 단순 노트가 아니라 “현재 최선의 이해와 증거 이력”으로 분리합니다.

구성의미운영 방식
Compiled Truth현재 기준으로 가장 믿을 만한 종합 판단새 증거가 나오면 재작성 가능. Agent가 최신 이해를 업데이트.
Timeline증거·이벤트·관찰의 append-only 기록수정하지 않고 추가. 나중에 출처/근거 추적에 사용.
Frontmattertype, tags, sensitivity, source 등 구조화 메타데이터검색, 권한, 스키마, 라우팅의 기준으로 사용.
Entity / Edge사람·회사·프로젝트·문서 간 관계works_at, founded, invested_in, attended 같은 typed edge를 생성.
 
---
type: project
tags: [ai-agent, memory, mcp]
source: eazler-notes
---

# GBrain 도입 검토

=== COMPILED TRUTH ===
현재 판단: 개인/팀 Agent 기억 계층으로 유망하지만, 권한·백업·운영 검증 후 도입 필요.

---

=== TIMELINE ===
- 2026-06-16: garrytan/gbrain 저장소와 문서를 검토.
- 2026-06-17: Claude Code 로컬 MCP 연결 테스트 예정.

5. 아키텍처

GBrain은 “파일 repo를 원본으로 두고, DB를 검색/추론 런타임으로 쓰는” 구조입니다.

1. Source마크다운 repo, 회의록, 이메일, 캘린더, 음성, 웹훅, 모바일 캡처
2. Import / Capturegbrain import, capture, sync, webhook ingestion
3. EnginePGLite 또는 Postgres + pgvector, chunk, embedding, tsvector
4. Retrieval + GraphVector + keyword + RRF + reranker + typed edge traversal
5. Agent InterfaceCLI, MCP stdio, HTTP MCP, OAuth, Claude Code/Codex/Cursor/ChatGPT

5.1 엔진 선택

엔진적합한 경우특징
PGLite개인 로컬 brain, 빠른 실험, 서버 없이 시작Postgres 17 WASM 기반, zero-config, 개인 brain 약 50K pages까지 지향.
Postgres + pgvector팀, 대규모 brain, 멀티 머신, 운영 환경Supabase 또는 self-hosted Postgres. 권한, 동기화, 원격 MCP 서버 운영에 적합.

5.2 검색 파이프라인

  • Vector search: 의미적으로 가까운 페이지/청크 검색.
  • Keyword search: 정확한 명칭, 고유명사, 약어 검색 보강.
  • RRF: 벡터/키워드 결과를 Reciprocal Rank Fusion으로 결합.
  • Reranker: 후보 결과를 다시 정렬해 실제 질문과 맞는 문맥을 상위로 올림.
  • Graph traversal: 사람·회사·회의·투자·프로젝트 같은 관계 기반 질의 보강.
  • Synthesis: 검색 결과를 그대로 던지지 않고, citation과 gap analysis가 있는 답변으로 조립.

6. 주요 기능

기능설명개발자 관점 가치
CLIinit, doctor, import, query, search, think, capture 등로컬 실험과 자동화가 쉬움.
MCP Serverstdio와 HTTP MCP를 모두 지원Claude Code, Codex, Cursor, Windsurf, ChatGPT류 클라이언트에 연결 가능.
Brain-first lookup외부 API를 부르기 전에 brain을 먼저 확인하는 프로토콜반복 조사 비용 감소, 프로젝트 맥락 유지.
Capture명령어, 파일, stdin, webhook, 모바일 inbox로 아이디어/노트 수집개발 중 깨달음, 회의 메모, 의사결정 근거를 자동 기억.
Schema packsbrain의 page type과 관계 구조를 정의/진화노트 더미가 아니라 프로젝트/사람/회사/자료 구조로 관리.
SkillpackAgent가 brain을 읽고 쓰는 운영 패턴 모음단순 라이브러리보다 “Agent 운영 습관”까지 포함.
Dream cycle / cron밤새 citation fix, enrichment, consistency check 등 실행지식베이스를 방치하지 않고 지속 정리.
Team brainsource별 scope, per-user OAuth, read/write 권한 분리회사 지식베이스로 확장 가능. 단, 파일럿 검증 필요.
EvalLongMemEval, retrieval quality, contradiction check 등검색 품질 회귀를 테스트하는 문화에 적합.

7. 설치와 연동

7.1 Claude Code / Codex에 로컬 brain 붙이기

# 1) GBrain 초기화: 로컬 PGLite brain 생성
gbrain init --pglite

# 2) Claude Code에 MCP 서버로 연결
claude mcp add gbrain -- gbrain serve

# Codex라면 예시:
# codex mcp add gbrain -- gbrain serve

7.2 CLI 단독 사용

bun install -g github:garrytan/gbrain
gbrain init --pglite
gbrain doctor
gbrain import ~/notes/
gbrain query "내 노트에서 반복해서 나오는 제품 아이디어는?"

7.3 원격 brain 서버

# HTTP MCP 서버 실행
gbrain serve --http

# 원격 brain에 연결
gbrain connect https://your-host/mcp --token gbrain_xxx --install

# Codex용
gbrain connect https://your-host/mcp --token gbrain_xxx --agent codex --install
주의: 공식 문서상 GBrain은 빠르게 업데이트되는 프로젝트입니다. 설치 명령, 기본 스키마, MCP 도구 수, 버전별 기능은 계속 바뀔 수 있으므로 실제 적용 전 저장소 README와 CHANGELOG를 다시 확인해야 합니다.

8. 활용 시나리오

8.1 개인 개발자 / 1인 스튜디오

  • Claude Code가 매번 프로젝트 구조, 의사결정, TODO, 배포 이력을 잊지 않도록 만들기.
  • 서비스별 PRD, 회의 메모, 고객 요구사항, 오류 해결 기록을 brain에 축적.
  • “지난번 AlarmK에서 권한 문제를 어떻게 해결했지?” 같은 질문에 프로젝트 맥락 기반 답변.
  • 개발 종료 시 세션 요약을 memory/YYYY-MM-DD.md로 저장하고 자동 import.

8.2 스타트업 / 팀 지식베이스

  • 고객 미팅, 영업 노트, 제품 결정, 법무 문서, 기술 문서를 source별로 분리.
  • 개인별 권한 scope로 접근 가능한 자료만 검색.
  • 팀원이 바뀌어도 “왜 이 결정을 했는지”를 citation과 함께 추적.
  • 주간 리포트, 고객 follow-up, 미해결 이슈를 cron으로 생성.

8.3 연구/리서치 brain

  • 논문, 기사, 실험 노트, 아이디어를 수집하고 서로 연결.
  • 논문별 주장과 근거를 timeline에 쌓고, compiled truth에서 현재 결론만 유지.
  • 상충되는 주장이나 citation 누락을 dream cycle에서 점검.

8.4 고객/영업/투자 관리

  • 사람, 회사, 미팅, 딜, 소개 경로를 entity graph로 관리.
  • “이 회사와 마지막으로 언제 얘기했고, 누가 핵심 의사결정자인가?” 같은 질문에 강함.
  • CRM과 노트 앱 사이의 빈틈을 Agent가 메울 수 있음.

9. 기존 RAG / 노트앱 / 벡터DB와 비교

구분일반 노트앱일반 RAGGBrain
원본 관리앱 내부 DB 또는 파일문서 업로드/청크 DB마크다운 git repo를 system of record로 사용
검색 방식키워드/태그 중심벡터 검색 중심벡터 + 키워드 + RRF + reranker + graph
답변사용자가 직접 읽음관련 chunk 기반 답변종합 답변 + citation + gap analysis 지향
Agent 쓰기제한적대개 read-onlyAgent가 capture/import/enrich/schema mutation 가능
관계 질의수동 링크약함typed edge와 graph traversal 사용
운영 자동화약함파이프라인 별도 구축cron/dream cycle/skillpack/eval 포함
해석: GBrain은 “노트앱 대체”라기보다 Agent가 읽고 쓰는 지식 운영체제에 가깝습니다. 이미 Obsidian/Notion/Markdown repo를 쓰고 있다면 그 위에 agent memory runtime을 얹는 방향으로 보는 것이 좋습니다.

10. 한계와 리스크

리스크설명대응
빠른 변화버전, 스키마, MCP 도구, 기본 pack이 빠르게 바뀜특정 커밋/버전 고정, CHANGELOG 추적, 테스트 brain으로 검증
권한/프라이버시팀 brain에서는 source별 scope와 OAuth 설정이 매우 중요민감도 frontmatter, source 분리, read/write/admin scope 테스트, audit log 확인
데이터 품질Agent가 잘못 요약하거나 stale truth를 유지할 수 있음Compiled Truth와 Timeline 분리, citation 필수화, contradiction eval 운영
운영 복잡도embedding provider, reranker, DB, cron, MCP 서버 등 구성 요소가 많음개인은 PGLite부터 시작. 팀은 Docker/Supabase/백업/모니터링을 문서화
비용대규모 embedding, reranking, LLM synthesis가 비용 발생로컬 Ollama/llama.cpp, 캐시, batch import, 쿼리 정책 설정
벤더/Agent 종속Claude Code/Codex/Cursor별 MCP UX 차이MCP 표준 설정을 코드화하고, brain repo는 독립적으로 유지

11. 도입 전략

추천 단계

  1. 1단계: 개인 로컬 brain
    PGLite로 시작하고, 개인 프로젝트 노트 100~500개 정도를 import해 검색 품질과 Agent 연동을 확인합니다.
  2. 2단계: Claude Code 프로젝트 memory
    각 프로젝트에 CLAUDE.md 또는 AGENTS.md brain-first 규칙을 넣고, 세션 종료 시 중요한 결정만 capture합니다.
  3. 3단계: 운영 규칙 만들기
    파일명, source, page type, sensitivity, citation 규칙을 정합니다. Agent가 아무 곳에나 쓰지 않도록 경로와 템플릿을 제한합니다.
  4. 4단계: 팀 파일럿
    민감하지 않은 shared wiki/프로젝트 문서부터 Postgres 기반 team brain으로 올립니다.
  5. 5단계: 권한/감사/백업 검증
    OAuth scope, source isolation, 삭제/복구, audit log, cron failure, DB backup을 점검한 뒤 확장합니다.

1인 개발 스튜디오 기준 최소 구조 예시

brain-repo/
  projects/
    alarmk/
      compiled.md
      decisions.md
      timeline.md
    tshirt-mockup/
      compiled.md
      bugs.md
      prompts.md
  people/
  companies/
  meetings/
  ideas/
  inbox/
  sources/
  CLAUDE.md

Claude Code에 줄 운영 규칙 예시

Before starting work:
1. Query gbrain for project context, previous decisions, unresolved issues.
2. If the answer is uncertain, say what is missing.

During work:
1. Do not store secrets.
2. Capture only durable decisions, architecture notes, bugs, and user preferences.
3. Every factual update must include source/date.

At session end:
1. Write a short session summary.
2. Update compiled truth only when new evidence changes the current understanding.
3. Append raw evidence to timeline.
실무 판단: GBrain은 “모든 것을 자동 기억”하게 만들기보다, 중요한 결정·반복되는 프로젝트 맥락·사람/회사/회의 관계부터 넣을 때 효과가 큽니다. 초반에는 작은 brain을 정확하게 관리하는 것이 큰 brain을 무질서하게 만드는 것보다 훨씬 낫습니다.

12. 참고 자료

아래 자료를 기준으로 정리했습니다. 접속일: 2026-06-16.

  1. garrytan/gbrain GitHub Repository
  2. GBrain v0: Postgres-Native Personal Knowledge Brain
  3. GBrain Skillpack: Reference Architecture for AI Agents
  4. Tutorial: Extend your personal brain into a company brain
  5. ADR-001 hybrid memory architecture issue
  6. GeekNews: GBrain — 오픈소스 개인 지식 베이스
  7. Zenn: gbrainに学ぶ、Agentの記憶基盤とKnowledge Graphの作り方

이 문서는 공개 웹 자료 기반의 기술 요약입니다. 실제 운영 도입 전에는 저장소의 최신 README, INSTALL, CHANGELOG, security policy, issue 상태를 반드시 재확인하세요.

Prepared for technical review · GBrain latest memo · 2026-06-16