company-brain vs gbrain vs Quivr:三款开源企业知识库,谁最适合你的团队

原创2026-10-10 09:23:361,959 阅读

company-brain vs gbrain vs Quivr:三款开源企业知识库,谁最适合你的团队

企业知识库赛道在 2025-2026 年经历了一次明显的物种分化:以 Quivr 为代表的"文档检索型 RAG"仍是个人与小型团队的首选模板,但越来越多团队开始意识到,真正的痛点不是"搜不到文档",而是"团队说过的话、做过的决定、正在发生的事没有被记忆下来"。于是出现了两条新路线——以 gbrain 为代表的"图谱型代理大脑",和以 company-brain 为代表的"Slack 原生团队 Agent"。三者都叫"知识库",架构与取舍却截然不同。这篇文章基于三款项目的一手源码与社区实践信息,从架构定位、检索与权限、部署与协作三个维度拆解差异,并给出按团队规模的选型建议。

一、定位速览:三个"知识库"根本不是同一个物种

维度 Quivr gbrain company-brain
核心形态 个人/团队 RAG 知识库("第二大脑") 面向 AI Agent 的生产级大脑系统 嵌入 Slack 的团队级 Agent
知识来源 手动上传/同步的文档 文档 + 图谱 + 外部数据源 Slack 对话、私聊、已连接工具、企业文档
检索方案 向量 + 关键词混合搜索 知识图谱 + 四层混合检索 权限图上的多容器混合检索
协作入口 Web 界面 Web / API / 语音 Slack 原生(频道、DM、Thread)
典型技术栈 Supabase + pgvector、Docker Compose PGLite/Supabase、数据库索引 + 知识图谱 Cloudflare Workers + D1 + Durable Objects + supermemory

一句话概括:Quivr 解决"把文档变成可问答的知识";gbrain 解决"让 Agent 有一个可审计、可推理的结构化大脑";company-brain 解决"让 AI 像团队成员一样参与协作、记住说过的话并替你去干活"。

二、检索能力与权限设计:从"搜得准"到"看得见"

三款项目在检索管线上的差异,本质上是权限模型的差异。Quivr 用"Brain"做知识库级别的隔离,gbrain 用图谱 + 引用纪律保证可溯源,company-brain 则把权限做进了检索本身——搜索范围由提问者所在的位置决定。

Quivr:模板级的 RAG 管线

Quivr 的价值在于把 RAG 工程的标准动作完整落地:文档解析 → 切片 → pgvector 向量存储 → 混合搜索(关键词 + 向量)→ LLM 生成,并支持 Embedding 与 LLM 模型分离配置。社区实践中常见的中文场景优化(bge-m3 嵌入模型替换、chunk 粒度调优)也围绕这条管线展开。它的"权限"是 Brain 多知识库隔离:每个 Brain 是一个独立的检索空间,适合个人私库与团队共享库的简单分层。

gbrain:零 LLM 调用的图谱构建与四层混合检索

gbrain 的差异点在于检索之上叠加了知识图谱。它的三层架构(本地存储 + 数据库索引 + 知识图谱)支持在不调用 LLM 的情况下自动构建图谱,并以四层混合检索达到 P@5 49.1% 的召回精度。社区对其归档规则的拆解进一步揭示了它的知识纪律:以主主题(人/公司/概念/政策)决定文件存放路径、强制反向链接维系图谱完整性、每条事实携带内联引用且来源优先级明确、原始数据按大小路由至 git 伴生目录或云存储并保留 .sha256 哈希与 .redirect.yaml 指针。这套"知识可溯源、可审计"的设计,让 gbrain 更接近一个给 Agent 用的可信记忆底座,而非给人用的问答界面。

company-brain:权限图上的"写入窄、读取宽"

company-brain 在 权限文档 中直接否定了"共享大脑 + 私有大脑"的二分法,改用权限图:记忆写入发生在对话所在的最小范围房间,而读取范围随房间私密程度扩大。落到实现上是三套容器标签——公共频道写入 sm_org_shared,私聊频道写入 slack_channel_<id>,个人 DM 写入 user_<id>(见 writeback.ts)。

读取侧的扇出在 read-scope.ts 中体现得最清楚:

export function resolveBrainReadContainerTags(agent, scope, override?) {
  // 公共频道: sm_org_shared + 本频道标签
  // 私聊频道: sm_org_shared + 本频道标签
  // DM: sm_org_shared + 个人标签 + 提问者所在的每一个私聊频道标签
}

也就是说,在 DM 里提问能读到"你能看到的一切"(个人记忆 + 公共记忆 + 你所属的所有私聊频道记忆),在公共频道提问则只读公共记忆——机器人永远不会用提问者本来看不到的权限去检索。检索管线本身是标准的多容器混合检索:search-brain.ts 以每个容器 40 条、相关度阈值 0.3、批并发 6 的方式并行搜索所有可达容器,再按结果 id 去重、按相似度排序返回 Top 40。代码中的注释写明了设计动机:DM 提问者可能属于大量私聊频道,必须限制并发扇出,避免向量查询爆发。

相比 gbrain 用图谱和引用纪律做"检索质量"约束,company-brain 用权限图做"检索边界"约束——它优先保证的是"不泄露",而非"搜得全"。

工具访问:company-brain 的租约与审批

权限图之外,company-brain 把权限延伸到了工具层。Slack 回合默认只使用提问者个人的 MCP 连接(personalConnectionsOnly: true),组织级共享连接对所有人只读;写入类动作(send/create/delete 等)必须经过 Block Kit 的 Approve/Deny 审批卡,且只有原始提问者能决定(approval.ts,审批 15 分钟过期)。当请求需要某个只有同事连接的工具时,会触发租约机制:policy.ts 按组织、连接 slug、活跃状态筛选候选出借人,store.ts 中的租约表记录租期(默认 10 分钟)、出借人、租入者与撤销状态,任何环节都不存在静默授权。这套"可追溯、有时效、需授权"的设计,在社区对 company-brain 权限图的拆解中也被认为是其区别于普通 RAG 知识库的核心。

三、部署复杂度与团队协作体验

Quivr:Docker Compose 起步,个人友好

Quivr 的部署以 Docker Compose + Supabase(PostgreSQL + pgvector)为骨架,社区指南普遍覆盖 Compose 避坑、pgvector 建库、Ollama 本地推理与 Embedding/LLM 分离配置。对想完全私有化的个人用户,它是最成熟的模板;但文档导入仍需手动完成,团队协作主要停留在"共享 Brain"层面。

gbrain:PGLite 到 Supabase 的两段式路径

gbrain 提供了清晰的渐进路径:单机场景用 PGLite 快速起一个零依赖的本地部署,团队协作再切到 Supabase,配合 OAuth 权限控制与多语言全文检索。联邦式多用户架构与模式包系统让它适合从个人知识管理平滑升级到企业级 Agent 底座。代价是知识图谱的构建与归档纪律需要使用者遵守(主主题归档、反向链接、内联引用),团队上手有学习成本。

company-brain:一键部署 + Slack 零门槛

company-brain 的部署被压缩到了极致:README 声称"五分钟部署",实际路径是 Cloudflare 一键部署(只需 supermemory API key 与一个模型 key)→ 打开 /setup 生成带 URL 的 Slack App manifest → 用 Slack 登录,首个登录者成为 owner → 安装到 Slack。数据库(D1)、KV、Durable Objects 与 Workers AI 全部自动供给,详见 setup.md。免费计划即可运行,多步骤长回答与内置代码沙箱则需要 Workers Paid。

真正拉开差距的是团队协作体验。安装后:

  • 机器人自动创建 #company-brain 主频道,基于 Slack workspace 域名自动开始公司研究;
  • 新成员从 Slack 自动发现、自动开账号、自动拉进频道并收到欢迎 DM——无需邮件邀请、不按座位计费;
  • 管理员点一次卡片即可把机器人推广到公共频道(敏感频道名如 hr/finance/legal 会被硬屏蔽);
  • 机器人能不被打招呼就主动发言:被动消息经 triage.ts 的 ANSWER / ACK / INVESTIGATE / PASS 路由判断,默认模型 claude-haiku-4.5 低努力档,频道级 chime 有每小时配额(每频道每小时上限 12 次,普通回复间隔至少 3 分钟);
  • 主对话默认 grok-4.5 高努力档,最多 60 步工具循环(model-profile.ts);
  • 需要执行代码时,LLM 生成的 Code Mode 程序跑在 Worker 内的 QuickJS(WASM)沙箱里,无 fetch、无定时器、无绑定,只有被显式注入的工具命名空间可以出去(quickjs-executor.ts)。

配合 connectors.md 描述的 MCP 工具目录(GitHub、Linear、Notion、Sentry、Plain、PostHog、Granola 等数百个 MCP 服务器,见 catalog.ts),它不只是"回答问题",而是"听完讨论后真的去开 issue、查 Sentry、拉 PR"。系统架构在 architecture.md 中有完整的系统图:Slack 事件经 HMAC 校验进入 Hono Worker,按 org 落到独立的 Durable Object(CompanyBrainAgent),每个组织一个实例,串行化回合状态并自带 SQL 持久化。

四、按团队规模选型

场景 推荐 理由
个人 / 5 人内小团队,自建私有 RAG Quivr Docker Compose + Supabase 模板成熟,Ollama 全本地可行,中文 embedding 生态有现成实践
需要高召回精度、可审计知识、Agent 记忆底座 gbrain 零 LLM 图谱构建 + 四层混合检索(P@5 49.1%),归档与引用纪律保证知识不腐化
团队日常在 Slack 协作、知识散落在对话里 company-brain 记忆随对话自动沉淀、零录入成本;权限图防泄露;MCP 工具 + 审批 + 租约让 AI 真正"能干活"
10-50 人团队,想要"会主动干活的同事" company-brain 新成员自动 onboarding、频道推广一键完成、chime-in 主动应答,几乎无学习成本

需要注意的边界:Quivr 与 gbrain 的部署形态是"你拥有的服务器/数据库",适合对数据主权有强要求的团队;company-brain 的内存托管在 supermemory 账户(BYO API key),运行在 Cloudflare 账户内,是"自己的 Worker + 托管记忆"的混合形态。若你既要 Slack 原生体验又要完全自控记忆,公司仍在发展相关能力,选型时需自行评估这一约束。

结语

三款项目的分化本质上是产品哲学的差异:Quivr 把"检索文档"做到极致,gbrain 把"让 Agent 拥有可信大脑"做到极致,company-brain 则把"让 AI 成为团队一员"做到极致。对绝大多数团队而言,问题不是"哪个知识库最强",而是"我们的知识到底散落在哪里"——如果它散落在文档里,选 Quivr;如果它需要被机器严谨地消费,选 gbrain;如果它散落在 Slack 的对话和线程里,company-brain 是唯一一个不需要任何人"录入"就能开始工作的选项。

登录后查看全文
company-brain