GBrain 技术图谱

本书以 GBrain v0.22 源码为案例，系统解析一个生产级 Agent Memory 系统的内部设计与实现逻辑。 目标读者：具备一定编程经验、对 LLM 应用有兴趣、想理解「AI 如何拥有持久记忆」这一核心问题的开发者。

• 第一章：认识 GBrain——个人知识大脑
  • 1.1 从「AI 健忘症」说起
  • 1.2 GBrain 的思路：把记忆当成 Git 仓库
  • 1.3 GBrain 在这个领域的定位
  • 1.4 整体架构预览
  • 1.5 本书结构
  • 1.6 源码阅读路线
  • 下章预告
• 第三章：设计哲学（Philosophy）
  • 3.1 本地优先（Local-First）
  • 3.2 Git 原生（Git-Native）
  • 3.3 信任边界（Trust Boundary）
  • 3.4 操作注册表模式（Operation Registry）
  • 3.5 双引擎抽象（Dual-Engine）
  • 3.6 设计哲学总结
• 第四章：数据模型（Data Model）
  • 4.1 Page：记忆的基本单元
  • 4.2 Chunk：语义分块
  • 4.3 Link：知识图谱的边
  • 4.4 Vector：嵌入向量
  • 4.5 CodeEdge：Cathedral II 特有
  • 4.6 数据库 Schema 概览
  • 4.7 数据模型与检索的协作
  • 4.8 小结
• 第五章：写入流程（Write Flow）
  • 5.1 从 put_page 开始
  • 5.2 内容解析链路
  • 5.3 分块（Chunking）
  • 5.4 向量化（Embedding）
  • 5.5 双写：数据库 + 文件系统
  • 5.6 完整数据流图
  • 本章小结
• 第七章：查询流程（Query Flow）
  • 7.1 查询入口
  • 7.2 查询解析（Query Parsing）
  • 7.3 混合搜索管线（Hybrid Search Pipeline）
  • 7.4 两遍检索（Two-Pass Retrieval / Cathedral II）
  • 7.5 结果重排（Rerank）
  • 7.6 完整查询时序图
  • 本章小结
• 第六章：知识图谱（Knowledge Graph）
  • 6.1 为什么需要知识图谱
  • 6.2 Link 的类型系统
  • 6.3 Link 的自动提取
  • 6.4 图查询 API
  • 6.5 链接修复（Backlinks Fix）
  • 本章小结
• 第八章：混合搜索深度解析（Hybrid Search Deep Dive）
  • 8.1 向量搜索（Vector Search）
  • 8.2 关键词搜索（Keyword Search）
  • 8.3 RRF 融合算法
  • 8.4 结果去重（Deduplication）
  • 8.5 搜索增强（Search Enrichment）
  • 8.6 搜索参数调优
  • 本章小结
• 第九章：Skill 系统——AI Agent 的可扩展技能单元
  • 9.1 为什么需要 Skill
  • 9.2 Skill 的结构
  • 9.3 内置 Skill 解析
  • 9.4 Skill 的触发机制
  • 9.5 Skill 之间的协作
• 第十章：SkillPack 机制——Skill 的打包、分发与安装标准
  • 10.1 什么是 SkillPack
  • 10.2 SkillPack 的结构
  • 10.3 Skillify：代码生成 Skill
  • 10.4 Skill 的安装和更新
  • 10.5 Skill 生态
• 第十一章：高级主题（Advanced Topics）
  • 11.1 Cathedral II 两遍检索深度解析
  • 11.2 后台作业系统（Minions）
  • 11.3 Resolver 系统
  • 11.4 迁移框架
  • 11.5 安全机制
  • 11.6 MCP 服务端
  • 本章小结

附录

• 附录 B：术语表（Glossary）
• 附录 C：鸣谢与参考资料（Credits）