同样是知识库,它凭什么说自己「不是 RAG」
同样是知识库,它凭什么说自己「不是 RAG」
gbrain 的 README 里有一句话,读起来很像营销:大多数个人知识工具还给你「五页文档,自己翻」,而它给你「一段带引用的答案」。更直接的表述在 GBRAIN_RECOMMENDED_SCHEMA.md 里,标题就叫 What makes this different from RAG。
但如果你把仓库翻一遍,会发现一个反直觉的事实:gbrain 比大多数「RAG 项目」更像 RAG。它用 Postgres + pgvector、HNSW、BM25、RRF 倒数排名融合、四层去重,GBRAIN_V0.md 里明说这些是从一套跑了三年多的生产级 RAG 系统机械移植过来的,理由是「这些模式已被验证,移植是机械工作」。
所以「不是 RAG」这句话,如果理解为「不用向量检索」,那就是错的。它的真实含义要精确得多:RAG 那套东西被降级成了兜底通道,而知识本身在写入时就已经编译好了。
这个区别值得认真拆。因为它决定了两件事——你什么时候该用它,以及你什么时候会为它付出不该付的代价。
先拆掉一个误解:它没有否定 RAG,它把 RAG 排到了第二位
看一眼检索栈就知道了。docs/architecture/RETRIEVAL.md 开头列了四路策略并列:pgvector 上的 HNSW 向量召回、BM25 关键词、RRF 融合、知识图谱遍历。文档甚至老实承认每一路单独用都会坏:
- 只用向量:「alice 投资组合里的公司」会召回一堆讲投资组合的散文,而不是公司页;
- 只用关键词:用户问 "retrieval",页面里写的是 "search ranking",直接漏;
- 只用图:新页面还没积累边,等于瞎。
这套混合栈跟任何一个认真的 RAG 系统没有本质差别。差别发生在这四路检索所检索的对象上。
传统 RAG 的检索单元是原文切块(chunk)。切块是原始素材的碎片,语义上不完整,所以每次提问都要让模型把碎片重新读一遍、重新拼一遍、重新推理一遍。gbrain 的检索单元主要是一个已经被写过一次的页面:上半部分是当前综合结论,下半部分是只追加的证据流水。检索命中的不是「提到 Alice 的十个片段」,而是「关于 Alice 的那一页」。
README 里那个会前准备的例子把这个差异说得很清楚。传统工具返回五条页面链接,你还得自己打开读;gbrain 返回的是「Alice 在 Acme 带工程团队,你们 4 月 22 日聊过定价,三件事悬着」,每条结论背后有来源页,最后还附一句「4 月 22 日之后大脑里没有新增关于她的信息,她可能从邮件或 Slack 回你了,这些渠道大脑看不见」。
最后那句话是全篇最关键的工程细节:它知道自己不知道什么。 这不是提示词技巧,而是数据结构决定的——因为结论和证据被物理分开存储了。
判定标准一:预编译,而不是查询时现编译
打开任意一页的真实结构,见 docs/guides/page-anatomy.md:
---
type: company
title: Client A Example
---
A prospect.
## Facts
<!--- gbrain:facts:begin -->
| # | claim | kind | confidence | ... |
| 1 | Quoted annual price is $5,000 | fact | 1.0 | ... |
<!--- gbrain:facts:end -->
<!-- timeline -->
## Timeline
- **2026-10-20** | Meeting notes — Pricing call; quoted the annual plan
<!-- timeline --> 这个哨兵行是分界线。线以上是 compiled truth(编译后的当前认知),线以下是 timeline(不可改写的证据流水)。 docs/guides/compiled-truth.md 把两者的写入语义定死了,而且这个约束是硬性的:
| 区域 | 操作 | 原因 |
|---|---|---|
| Compiled truth | 重写 | 它是当前综合,证据变了就整段重写,不是追加 |
| Timeline | 追加 | 它是证据链,永不编辑;发现写错就再加一条更正 |
注意第一条的措辞:重写,不是追加。文档特意警告「不要把新段落加到旧结论后面」——因为一旦你允许追加,页面就退化成了另一个 append-only 日志,编译的意义归零。
这套语义在代码里是有实现的,不是文档口号。src/core/markdown.ts 的 splitBody() 负责切开两个区域,并且对哨兵做了严格的优先级判定:首选 <!-- timeline -->,其次是 --- timeline ---,裸 --- 只有在下一非空行是 ## Timeline / ## History 时才算分隔符。注释里留了一句很贵的教训:「把裸 --- 当分隔符,曾在 wiki 语料上造成 83% 的内容截断。」
而检索侧对「编译产物」是有明确偏好的。src/core/search/hybrid.ts 里:
const COMPILED_TRUTH_BOOST = 2.0;
export const AUTO_LOW_COMPILED_TRUTH_TILT = 1.2;
显式要求「只看结论」时,compiled truth 的 chunk 在融合阶段拿 2 倍权重;自动识别出的实体类问题只给 1.2 倍的软倾斜,因为那是猜的,不能把 timeline 证据压死。src/core/search/dedup.ts 还留了一道保底:最终结果里每一页至少要有一个 compiled_truth chunk,否则就从去重前的候选里补一个回来。
这就是「预编译」的完整闭环:写入时产出结论 → 结论被单独切块、单独加权 → 检索时结论先浮上来。传统 RAG 没有这个层次,只有原始块,所以它只能在查询时把「综合」这件事交给 LLM 现场做。
谁来编译?一个每晚跑的守护进程
编译不是免费的。docs/guides/cron-schedule.md 描述的 dream cycle 里,synthesize 阶段是两级级联:先用 utility 档模型(默认 Haiku)对每份新转录做一次廉价打分分诊,过线的才进昂贵的逐份合成子代理。README 里那句「66 个 cron job 自主运行」不是装饰。
关键是它没有把成本藏起来。同一个文档列了三个我很少在其他「AI 知识库」里见到的开关:
dream.triage.threshold(默认 0.5):分诊分数线,分数有缓存,改了立即重新分诊、零新增 LLM 调用;dream.synthesize.quote_verify(默认开):合成子代理写的每一页都要做机械引文校验。转述的引用被修回逐字切片;引文在转录里找不到依据、跨了两个说话人、归错了人、或者说了转录里没有的数字和日期——这句话会被移出正文,塞进 frontmatter 的unverified_claims,让 search / recall / think 永远看不到它;dream.synthesize.max_submissions_per_source_per_day(默认 0 关闭):单源每日提交上限。
unverified_claims 这个设计值得单独说一句。它承认了一件大多数 RAG 教程不愿承认的事:综合一定会引入幻觉,问题不是消灭它,而是让它不进入检索面。 传统 RAG 把幻觉风险留在生成侧,你只能靠提示词和后校验;gbrain 把它挪到了写入侧,并且给了它一个物理隔离区。
判定标准二:可演化的结构,而不是一堆平铺的 chunk
第二个判定标准是 schema。这可能是整个项目里最被中文社区低估的部分——多数介绍文章只提到「自组织知识图谱」,但真正的机制在 docs/architecture/schema-packs.md。
一个 schema pack 是一份 pack.yaml,它声明:有哪些目录、里面住什么类型、Agent 如何从路径反推类型、哪些 link 动词连接哪些类型。仓库内置七个包,gbrain-base-v2 是默认的 canonical taxonomy,gbrain-recommended 在其上再加 13 个目录(deal / meeting / concept / project / source / daily / personal / civic / original / place / trip / conversation / writing)。
类型不是标签。它带规则。在 src/core/schema-pack/base/gbrain-base.yaml 里,每个类型可以挂 path_prefixes、extractable、expert_routing;每个 link verb 可以挂触发正则,甚至只对 NER 结果生效:
link_types:
- name: attended
inference:
page_type: meeting
- name: founded
inference:
regex: \b(founded|founder of|co-?founded|started)\b
ner_only: true
- name: invested_in
inference:
regex: \b(invested in|backed|seeded|funded|wrote a check)\b
ner_only: true
docs/what-schemas-unlock.md 用一个很具体的例子说明了「结构」的价值:你有一批 meetings/ 下四千个 Markdown 文件,默认 schema 没有 meeting 类型,它们全被归成 note。于是 gbrain whoknows "Q3 roadmap discussion" 只能按文本相关度排序——它不知道这些是会议,没法按参会人、日期、显著性路由,也没法回答「过去三次路线图会议里我们怎么定的定价」。
加一行类型、跑一次 backfill,四千页从「不可见」变「可查」:
gbrain schema add-type meeting --primitive temporal --prefix meetings/ --extractable
gbrain schema sync --apply
内容一个字没改,改的是结构。这就是它跟「把文档切块丢进向量库」最根本的分野:向量库没有类型这个概念,所以它无法用类型做路由、做事实抽取、做专家检索。
而且这个结构是允许 Agent 参与演化的:gbrain schema detect 提出候选,schema suggest 用模型精修,schema review-orphans 找出没有匹配类型的页面,人审后 schema apply 原子生效并带审计。文档里甚至给了完整对话脚本——Agent 看到 companies/yc-w24/ 下攒了 47 页,提议加一个带 extractable: true 的子类型并回填。
顺带说一个很少被提及的细节:空的结构本身也是提示词。 文档里写,「What They Believe: [No data yet]」这种空章节在告诉下一个读页的 Agent「这里缺什么,去补」。这是把「检索什么」从查询时前移到了结构里。
判定标准三:零模型关系抽取
第三个标准是成本结构上最锋利的一刀。
GraphRAG 这类方案要在索引期调用 LLM 抽实体抽关系,语料一大就是一笔硬账单加一堆失败模式。gbrain 的做法是在可信的本地写入路径上,直接用正则解析 Markdown 链接语法,一个 token 都不花。docs/architecture/RETRIEVAL.md 的 "Auto-link: why zero-LLM-call edge extraction works" 一节列了它认的三种形态:
Alice Example <!-- 标准 Markdown 链接 -->
[[wiki/people/alice-example|Alice Example]] <!-- Obsidian wikilink -->
> **Convention:** see path. <!-- 类型化链接 blockquote -->
关系类型靠上下文动词正则推断,全在 src/core/link-extraction.ts 里,而且写得很"脏"——这是夸它。WORKS_AT_RE 覆盖了 works at、joined ... as a senior engineer、promoted to staff engineer at、previously worked at、spent 3 years at;INVESTED_RE 覆盖 led the seed、wrote a check、portfolio includes、term sheet for。代码里还有一组 verb.zh.* 规则,中文的 founded / invested_in / advises / works_at / cited 单独一套。
推断优先级是硬编码的顺序表,CORE_VERB_RULES 从 founded → invested_in → board_seat → advises → works_at 依次匹配,先命中先赢。在 schema pack 时代,pack 里的 inferLinkTypeFromPack 先跑,跑不出来才回落到这份内置规则。
这条路径的成本是零,延迟是毫秒,失败模式是"少连一条边",而不是"连错一条边还编了个理由"。文档也很克制地没吹:图遍历的收益是有限的。BrainBench 上开一个开关(search.relational_retrieval),关系类问题平均 R@5 从 0.6626 升到 0.7241,435 次问题运行里 45 次变好、0 次变差。整系统对比表里,纯向量 R@5 是 0.4069,纯关键词 0.6244,混合 0.6874。
而那张表里 0.9791 的 graph-oracle-parse 是什么?文档自己标注了:"upper bound, not a product score"——它事先知道四个问题模板,这是上界,不是产品能力。这种自我拆台在开源项目里不常见,但正因为有它,前面那些数字才可信。
这条路径有个真实的坑
零 LLM 抽取依赖「可信本地写入」。文档明说:远端 put_page 在信任边界上故意跳过内联链接抽取;stdio 服务会在启动和空闲时扫一遍,但HTTP 服务不会自我扫描。也就是说,通过 HTTP MCP 写进来的页面,边可能一直不存在,直到你手动跑:
gbrain extract links --source db --source-id <id>
或者由有权限的客户端显式 add_link。仓库把这句写得很直白:「接受一次远端写入,不等于它的链接已经被抽取」。如果你的部署是 HTTP 模式,这是必须知道的一件事。
什么场景下,它确实比传统检索链更省
先把话说清楚:它省的不是 token,是重复推导。
仓库里有个容易被忽略的数字。docs/evidence-delivery.md 记录:在 LongMemEval-S 上,auto 交付模式(会话页整页返回)在 16,000 token 预算下答对 445 题,纯 chunk 是 312 题(+145 / −12),代价是每题读者侧约 15,100 token,而 chunk 模式约 3,500。读整页比读片段贵四倍多。 预编译不是省 token 的路子,恰恰相反。
它省在三个地方:
第一,同一实体被反复问。 传统 RAG 每问一次就重推一次:召回碎片 → 排序 → LLM 读 → 现场综合。pre-compile 的边际成本在第二次提问时就开始摊薄——第一次写入时付了合成费,之后每次查询读的是一段已经写好的结论。这就是社区文章里那个「维护成本从 O(n) 到 O(1)」的说法背后的真实含义,虽然这个类比在工程上不严谨(重写 compiled truth 仍是 O(1) per write,但它不是 per query)。
第二,答案需要跨页拼接。 「明天见 Alice 之前我需要知道什么」这类问题,传统链要召回人物页、会议页、公司页、笔记页,然后让模型在四份碎片之间做时间线和承诺关系的推理。这部分推理在 gbrain 里是写入时做完的:谁在哪家公司、哪次会议、哪条承诺还悬着,都在页面结构里。README 举的例子之所以能加那句「六周没有新信息」的提醒,是因为 timeline 的最后一条有日期——这个信息在 chunk 检索里根本不会作为元数据浮现。
第三,需要溯源与撤回。 timeline 不可编辑、每条事实强制带 <a href="https://link.gitcode.com/i/7f91a30d428119cb35e7cdd220ec11e4" target="_blank">Source: 谁, 什么渠道, 日期 时区](规则见 [docs/guides/source-attribution.md),compiled truth 的每条论断都必须能追到 timeline 条目。这个约束让「这句话哪来的」「这条还算数吗」变成可查询的问题,而不是靠模型自我声明。对需要审计的场景(投资尽调、法务、会议决策留痕),这是刚需,纯 chunk 检索给不了。
还有一个常被忽略的省:起步阶段零模型成本。没配任何 API key 时,gbrain search 走关键词路径就能用,第一天就有结果;语义检索、重排、合成是后加的(README 的 "Start keyless")。这个顺序是对的——大多数知识库死在「先配嵌入模型」这一步。
什么场景下,老老实实用检索反而更稳
这部分我不想写成"它也有缺点"的客套。仓库自己的基准就在告诉你边界在哪。
第一,大规模长尾召回,本来就是检索的活儿。 gbrain 的公开成绩单来自 LongMemEval-S 的检索指标:release 默认路径 95.53%(449/470,带 reranker),关掉 reranker 是 93.40%(439/470)。注意,这两个数字都是 recall_all@5——纯检索、无 reader 模型。换句话说,它最能打的场景,恰恰是它老老实实做 RAG 的场景。
更值得引以为戒的是另一行:加 LLM 多查询扩展(expansion)后,strict recall_all@5 从 93.19% 掉到 54.89%(470 题,配对 +3 / −183)。变体列表在小 k 下把原始查询投票投死了。所以三个模式包里 expansion 默认全关,tokenmax 更是在 2026-10-14 的延迟评测后彻底关掉——query 的 p50 从 2,022ms 降到 227ms,检索结果没变。
这个教训比任何架构图都值钱:查询时叠的"智能"越多,越容易互相打架。 如果你的场景是"从十万份文档里精确找到那一段",别加戏,用 gbrain search --exact、用关键词臂、用 reranker,比让它现场综合靠谱。
第二,"找出全部 X"不要用 top-K。 文档在这点上非常直白:search 和 query 都是 top-K,「结果集非空不等于覆盖完整,穷举属于 list_pages」。这就是 RAG 的原生缺陷——它是个排序器,不是枚举器。任何「把所有客户列出来」「所有提到这个条款的合同」的需求,都应该走结构化查询或全文扫描,不要指望向量召回。
第三,语料冷、问题一次性,编译费摊不回来。 dream cycle 的价值随「同一实体被问的次数」增长。如果你只是把一批 PDF 灌进去问三个问题然后走人,你付了分诊、合成、引文校验的全部成本,换来的是三个问题——直接做检索 + 长上下文阅读更快更便宜。合成是有单价的,max_submissions_per_source_per_day 这个开关存在本身就说明有人被账单教育过。
第四,需要"原文即证据"的场合。 compiled truth 是论断,timeline 才是证据。仓库为此专门做了 quote_verify 和 unverified_claims 隔离区——这恰恰证明综合层会说错话。在合同审查、合规留证、医疗记录这类场景,你需要的是一段未被任何模型改写过的原文,而不是一段被重写过的综合。用它的 timeline 和 raw source,别用它的结论。
第五,运维面太大。 66 个 cron job、dream cycle、schema 迁移、embedding 迁移、PGLite/Postgres 双引擎、多源 brain、权限与 trust tier——这套东西的稳定性依赖于你真的在跑那个守护进程。docs/guides/troubleshooting.md 里那一长串 doctor 检查项不是装饰。如果团队里没人愿意维护一个常驻进程,一个"上传即检索"的托管方案会比它稳。
第六,关键词精确匹配仍然是最高性价比的一档。 RETRIEVAL.md 自己承认:在 fuzzy 和外部撰写的题目族上,关键词臂和向量臂各自赢下一些对比。查错误码、查 commit hash、查一个精确的专有名词,BM25 加 trigram 比任何语义层都快且准。
一套可执行的判断清单
如果你要决定「我的场景该用哪一种」,问自己五个问题就够了:
- 同一批实体(人、公司、项目、会议)会不会被反复问? 会 → 预编译摊得回来;不会 → 直接检索。
- 答案需要跨三页以上拼接吗? 需要 → 结构化和 timeline 是刚需;不需要 → 向量召回够用。
- 你需不需要回答"这条信息是哪来的、还算数吗"? 需要 → 强制引用 + 不可变 timeline 是省不掉的;不需要 → 别为它付合成成本。
- 你的查询是"找到"还是"概括"? 找 →
search/exact/list_pages;概括 →think/ compiled truth。 - 你有常驻进程和 API 预算吗? 没有 → 用 keyless 关键词模式起步,或者干脆别自建。
gbrain 那句「不是 RAG」,精确的读法是:它把 RAG 从"每次提问都要重新推导知识"改成了"写入时推导一次、检索时只负责定位"。 检索没被扔掉,只是从主角变成了配角——而且是一个被精心调过的配角(HNSW 迭代扫描、按页最大池化、标题短语加权、别名跳转、证据契约、CRAG 置信度门)。
这个定位是有代价的:写入变贵、运维变重、结构需要人养。所以它适合的从来不是"我有一堆文档想搜",而是"我有一个持续生长、以实体为核心的记忆,而且我愿意养它"。分不清这两件事的项目,最后都会在账单和幻觉之间选一个死法。