GBrain 实战案例

通过真实场景学习 GBrain 的强大能力。

案例一：会议准备助手

场景

你明天要和 Alice 开会，但你们已经两个月没联系了。你需要快速了解：

Alice 现在的职位和公司
上次谈话的要点
有哪些待办事项

传统方式

搜索 "Alice" → 得到 15 个页面
逐个打开阅读
手动整理信息
可能遗漏重要内容

GBrain 方式

gbrain query "明天和 Alice 的会议需要准备什么？"

输出示例

Alice Chen 目前担任 Acme Corp 的工程经理。你们上次交谈是 
2 月 15 日的产品评审会议。

## 上次会议要点

1. **Q3 路线图确认** - Alice 需要你在 3 月 1 日前确认优先级
   - 来源：[[meetings/2026-02-15-alice-review]]

2. **预算审批** - Acme 的 Q2 预算已批准，Q3 待审批
   - 来源：[[meetings/2026-02-15-alice-review]]

3. **人员招聘** - 计划招聘 2 名高级工程师
   - 来源：[[companies/acme-corp]]

## 待办事项

- [ ] 你承诺在 3 月 1 日前确认 Q3 优先级（已逾期）
- [ ] Alice 需要你的 API 密钥用于集成测试
- [ ] 她介绍了 Bob 给你，需要安排 intro call

## 缺口分析

⚠️ 大脑中最近 60 天没有关于 Alice 或 Acme 的新内容。
她可能通过邮件或 Slack 回复了某些事项。
建议会前确认以下问题：
- Q3 优先级是否已确认？
- API 密钥是否已发送？
- Bob 的 intro call 是否已安排？

## 相关页面

- [[people/alice-chen]] - Alice 的个人页面
- [[companies/acme-corp]] - Acme 公司页面
- [[meetings/2026-02-15-alice-review]] - 上次会议记录

关键能力

跨页面合成：从 3 个不同页面提取信息并整合
引用来源：每个陈述都有来源页面
缺口分析：明确指出大脑不知道什么
待办追踪：自动识别逾期事项

案例二：研究文献分析

场景

你正在研究 Transformer 架构，需要：

找出所有相关论文
了解论文之间的引用关系
发现关键作者和实验室

设置 Schema

# 创建研究领域的 schema
gbrain schema fork gbrain-base research
gbrain schema use research

# 添加类型
gbrain schema add-type researcher \
  --primitive entity \
  --prefix people/researchers/ \
  --expert

gbrain schema add-type paper \
  --primitive annotation \
  --prefix research/papers/ \
  --expert \
  --extractable

# 添加关系
gbrain schema add-link-type authored \
  --page-type researcher \
  --target-type paper

gbrain schema add-link-type cites \
  --page-type paper \
  --target-type paper

# 应用 schema
gbrain schema sync --apply

论文页面示例

# Attention Is All You Need

## Summary
Transformer 架构的开山之作，由 Google 团队发表。

## Facts
| field | value |
|-------|-------|
| arxiv_id | 1706.03762 |
| published_date | 2017-06-12 |
| cited_by_count | 85000 |
| conference | NIPS 2017 |

## Authors
- [[vaswani-asap]]
- [[shazeer-noam]]
- [[mahadevan-niki]]

## Key Contributions
1. 完全基于注意力机制，无需 RNN 或卷积
2. 提出 multi-head attention 机制
3. 位置编码的设计

## References
- [[transformer-xl]] - 后续改进
- [[bert-devlin]] - 基于 Transformer 的应用

查询示例

1. 查找所有引用某篇论文的论文

gbrain graph-query paper-attention-is-all-you-need \
  --type cites --reverse

输出：

以下论文引用了 "Attention Is All You Need"：

1. [[paper-bert]] - BERT: Pre-training of Deep Bidirectional 
   Transformers (cited_by: 120000)
   
2. [[paper-gpt-3]] - Language Models are Few-Shot Learners 
   (cited_by: 95000)

3. [[paper-t5]] - Exploring the Limits of Transfer Learning 
   (cited_by: 45000)

... (共 85 篇)

2. 查找某作者的所有论文

gbrain graph-query vaswani-asap \
  --type authored --depth 1

输出：

Ashish Vaswani  authored 以下论文：

1. [[paper-attention-is-all-you-need]] (2017)
   - 核心贡献：Transformer 架构
   
2. [[paper-query-key-values]] (2016)
   - 核心贡献：注意力机制基础
   
3. [[paper-attention-depth]] (2018)
   - 核心贡献：深层注意力分析

3. 查找关键作者

gbrain query "谁是 Transformer 领域的关键作者？"

输出：

基于论文引用网络和作者合作图，以下是最核心的作者：

1. **Ashish Vaswani** (Google)
   - 论文数：12
   - 总被引：150000+
   - 代表作：Attention Is All You Need

2. **Noam Shazeer** (Google)
   - 论文数：8
   - 总被引：95000+
   - 代表作：GLU Variants, Swish activation

3. **Jacob Devlin** (Google)
   - 论文数：6
   - 总被引：120000+
   - 代表作：BERT

## 核心实验室

- **Google Brain** - Transformer 的发源地
- **Google Research** - 后续改进的主要贡献者
- **Stanford NLP** - 早期应用研究

来源：
- [[research/papers/attention-is-all-you-need]]
- [[people/researchers/vaswani-asap]]
- [[labs/google-brain]]

关键能力

图遍历：自动追踪引用关系
聚合分析：统计作者/论文的指标
专家路由：针对 paper 类型的查询使用专门策略

案例三：创业投资追踪

场景

你是投资人，需要追踪：

投资组合公司的融资进展
创始人之间的关系
市场动态和趋势

设置 Schema

gbrain schema fork gbrain-base founder
gbrain schema use founder

# 添加类型
gbrain schema add-type lead \
  --primitive entity \
  --prefix people/leads/

gbrain schema add-type investor \
  --primitive entity \
  --prefix people/investors/ \
  --extractable

gbrain schema add-type portco \
  --primitive entity \
  --prefix companies/portco/ \
  --extractable

gbrain schema add-type deal \
  --primitive entity \
  --prefix deals/ \
  --extractable

# 添加关系
gbrain schema add-link-type invested-in \
  --page-type investor \
  --target-type portco

gbrain schema add-link-type led-by \
  --page-type deal \
  --target-type investor

gbrain schema add-link-type intro-from \
  --page-type lead \
  --target-type lead

公司页面示例

# Acme Corp

## Summary
A 轮 SaaS 公司，专注企业自动化。

## Facts
| field | value | unit | period |
|-------|-------|------|--------|
| mrr | 50000 | USD | monthly |
| raised | 2000000 | USD | - |
| valuation | 15000000 | USD | - |
| founded_date | 2024-01-15 | - | - |
| employees | 12 | - | - |

## Founders
- [[alice-chen]] - CEO
- [[bob-smith]] - CTO

## Investors
- [[widget-vc]] (Lead)
- [[angel-john]]

## Recent News
- 2026-05-20: 完成 A 轮融资，$2M
- 2026-04-15: 发布 2.0 版本
- 2026-03-01: 团队扩张到 10 人

查询示例

1. 投资组合概览

gbrain query "我的投资组合公司现状如何？"

输出：

## 投资组合概览

### 已投公司（5 家）

| 公司 | 轮次 | 投资金额 | MRR | 状态 |
|------|------|----------|-----|------|
| Acme Corp | A 轮 | $200K | $50K | 健康 |
| Widget AI | Seed | $100K | $15K | 增长中 |
| DataFlow | Pre-A | $150K | $30K | 健康 |
| ... | ... | ... | ... | ... |

### 总览
- 总投资：$1.2M
- 组合 MRR 总计：$250K
- 平均月增长：12%

来源：[[deals/acme-seed]], [[deals/widget-angel]], ...

2. 融资轨迹追踪

gbrain eval trajectory companies/acme-corp

输出：

## Acme Corp 融资轨迹

### 历史融资

| 日期 | 轮次 | 金额 | 估值 | 领投 |
|------|------|------|------|------|
| 2026-05-20 | A 轮 | $2M | $15M | Widget VC |
| 2025-03-15 | Seed | $500K | $4M | Angel John |
| 2024-06-01 | Pre-Seed | $150K | $1.5M | - |

### 增长分析

- **估值增长**: 3 次融资，10× 增长
- **时间间隔**: 平均 12 个月
- **MRR 增长**: 从 $5K 到 $50K (10×)

### 健康度评估

✅ 增长轨迹符合预期
✅ 估值提升合理
⚠️ 最近一轮后 6 个月无新进展

建议：安排季度 review，了解最新进展。

3. 关系网络查询

gbrain graph-query alice-chen \
  --type intro-from --depth 2

输出：

## Alice Chen 的关系网络

### 直接介绍 (1 度)

Alice 通过以下人获得介绍：
- [[bob-wang]] - 2025-01-15
- [[carol-lee]] - 2025-03-20

### 二度关系

通过 Alice 可以触达：
- [[david-zhou]] (通过 bob-wang)
- [[emma-wu]] (通过 carol-lee)
- [[frank-lin]] (通过 bob-wang)

### 投资建议

如果你想接触 Alice，最佳路径：
1. 通过 bob-wang 介绍（最近联系，2025-01）
2. 通过 carol-lee 介绍（关系稳定）

来源：[[people/alice-chen]], [[people/bob-wang]], ...

关键能力

结构化事实：MRR、估值等数值可比较
时间序列：自动追踪融资历史
关系图谱：理解人际网络
健康度评估：基于数据的分析

案例四：团队知识库

场景

你是一个 10 人团队，需要：

共享团队知识
追踪决策历史
新人 onboarding

设置团队大脑

# 创建团队大脑
gbrain init --postgres \
  --db-url postgres://team-db \
  --brain-id eng-team

# 添加 source
gbrain sources add eng-docs \
  --path ~/team/eng-docs

gbrain sources add meeting-notes \
  --path ~/team/meetings

# 挂载到团队目录
cd ~/team/eng-docs
echo "eng-team" > .gbrain-mount

决策记录示例

# 选择 PGLite 作为默认存储

## 日期
2026-05-01

## 背景
团队需要为 GBrain 实例选择存储方案。

## 选项

### 选项 A: PGLite
- 优点：无需服务器，2 秒启动，成本低
- 缺点：单机，无法横向扩展

### 选项 B: Postgres + Supabase
- 优点：可扩展，高可用
- 缺点：成本较高，需要运维

## 决策
选择 PGLite 作为默认方案。

**原因**：
1. 团队规模小（10 人），单机足够
2. 成本敏感（$0 vs $50/月）
3. 可以快速启动和测试

## 后续
如果团队增长到 50+ 人，重新评估迁移到 Postgres。

## 参与者
- [[alice-chen]] - 决策者
- [[bob-smith]] - 技术评审
- [[carol-lee]] - 运维评审

查询示例

1. 查找某个决策的历史

gbrain query "我们为什么选择 PGLite？"

输出：

## 决策：选择 PGLite 作为默认存储

**日期**: 2026-05-01

**背景**: 团队需要为 GBrain 实例选择存储方案。

**决策原因**:
1. 团队规模小（10 人），单机足够
2. 成本敏感（$0 vs $50/月）
3. 可以快速启动和测试

**参与者**:
- Alice Chen - 决策者
- Bob Smith - 技术评审
- Carol Lee - 运维评审

**后续**: 如果团队增长到 50+ 人，重新评估迁移到 Postgres。

来源：[[eng-docs/decisions/2026-05-01-pglite.md]]

2. 查找谁了解某个主题

gbrain whoknows "PGLite 迁移"

输出：

以下人员了解 "PGLite 迁移"：

1. **Alice Chen** (决策者)
   - 参与决策：[[eng-docs/decisions/2026-05-01-pglite]]
   
2. **Bob Smith** (技术评审)
   - 参与决策：[[eng-docs/decisions/2026-05-01-pglite]]
   - 技术文档：[[eng-docs/tech/pglite-evaluation]]

3. **Carol Lee** (运维评审)
   - 参与决策：[[eng-docs/decisions/2026-05-01-pglite]]
   - 运维计划：[[eng-docs/ops/migration-plan]]

3. 新人 onboarding

gbrain query "作为新工程师，我需要了解什么？"

输出：

## 新工程师 onboarding

### 技术栈

- **前端**: React, TypeScript
- **后端**: Node.js, GBrain
- **数据库**: PGLite (默认), Postgres (生产)

### 关键决策

1. [选择 PGLite](../decisions/2026-05-01-pglite) - 2026-05-01
2. [API 设计规范](../decisions/2026-04-15-api-design) - 2026-04-15

### 核心团队

- **Engineering**: Alice Chen (Lead), Bob Smith
- **Product**: Carol Lee
- **Design**: David Wang

### 会议节奏

- 每日站会：9:30 AM
- 周会：周五 2:00 PM
- 技术评审：周三 3:00 PM

### 相关文档

- [[eng-docs/onboarding/new-hire-guide]]
- [[eng-docs/tech/architecture-overview]]
- [[eng-docs/ops/development-environment]]

来源：多个团队文档

关键能力

决策追踪：保留决策历史
知识归属：知道谁知道什么
自动汇总：为新人生成 onboarding 指南

总结

GBrain 的核心优势

能力	传统工具	GBrain
查询	返回页面列表	返回答案 + 引用
关系	手动整理	自动图遍历
事实	文本搜索	结构化查询
缺口	不知道	明确提示
跨页面	人工整合	自动合成

何时使用 GBrain

✅ 适合场景:

知识量大（1000+ 页面）
需要跨页面推理
关注实体关系
需要结构化事实
团队协作共享

❌ 不适合场景:

简单笔记（用 Obsidian/Notion 即可）
纯文本搜索（用 grep 更快）
临时信息（不需要长期存储）

案例一：会议准备助手​

场景​

传统方式​

GBrain 方式​

输出示例​

关键能力​

案例二：研究文献分析​

场景​

设置 Schema​

论文页面示例​

查询示例​

关键能力​

案例三：创业投资追踪​

场景​

设置 Schema​

公司页面示例​

查询示例​

关键能力​

案例四：团队知识库​

场景​

设置团队大脑​

决策记录示例​

查询示例​

关键能力​

总结​

GBrain 的核心优势​

何时使用 GBrain​

相关文档​

案例一：会议准备助手

场景

传统方式

GBrain 方式

输出示例

关键能力

案例二：研究文献分析

场景

设置 Schema

论文页面示例

查询示例

关键能力

案例三：创业投资追踪

场景

设置 Schema

公司页面示例

查询示例

关键能力

案例四：团队知识库

场景

设置团队大脑

决策记录示例

查询示例

关键能力

总结

GBrain 的核心优势

何时使用 GBrain

相关文档