YC 總裁 Garry Tan 的私房 AI 武器！gstack+gbrain 到底多神？

Meta-Meta-Prompting 拆解：Garry Tan 用 gstack + gbrain 打造個人 AI 引擎的真實架構

Y Combinator 執行長 Garry Tan 在 2026 年公開了一個觀念，叫做 Meta-Meta-Prompting：一個會生成新技能的技能（meta-skill that creates skills）。這不是抽象哲學；它對應他每天凌晨兩點還在寫程式、同時管理 YC 全職工作的真實工作流；他把整套系統用 MIT License 開源，一個叫 gstack（截至 2026 年 5 月，GitHub 約 9.4 萬星、1.39 萬 fork），一個叫 gbrain（約 1.49 萬星）。他在公開文章裡用「fat skills, fat code, thin harness」總結了這個架構的核心。

如果你關注 Claude Code 或 OpenClaw 的演進，這篇值得讀完。原因不在於 VC 又在吹捧 AI；它代表目前能找到最完整的一個人加 AI Agent 等同於一支工程團隊的工程方法論。

為什麼 Meta-Meta-Prompting 是現在最重要的概念

Garry Tan 講了一個具體例子。他讀 Pema Chödrön 的《When Things Fall Apart》——藏傳佛教談痛苦、放下、不安定感的經典，22 章、162 頁。他叫他的 AI Agent 跑一個叫 book-mirror 的技能，做了三件事：把全書 22 章抽取出來，為每一章開一個 sub-agent 同時跑，左欄寫作者觀點、右欄映射到他自己的真實人生。

40 分鐘後，他拿到一份 3 萬字的腦圖，每一章都連結到他的具體經歷：某次跟創辦人凌晨對話、某次治療師指出的模式、某個週四跟弟弟散步時冒出的想法。如果換成時薪 300 美元（約新台幣 9,600 元）的治療師讀這本書、再應用到他的生活，40 個小時也做不完，原因是治療師沒辦法存取 Garry 過去一年的會議筆記、創辦人關係圖譜、閱讀紀錄。

這就是 Meta-Meta-Prompting 的價值層級：

第一次做 book-mirror 時，輸出有三個關於 Garry 家庭的事實錯誤。他爸爸來自香港和新加坡、媽媽來自緬甸，但 AI 寫成父母離異、在香港長大。他加了強制性的事實核查步驟，把 Claude Opus 4.7（負責抓出精確錯誤）、GPT-5.5（負責補缺失脈絡）和 DeepSeek V4-Pro（負責標出太過泛泛的描述）跨模型評分。然後他做了關鍵的一步：跑 /skillify，把整個流程包成一個含觸發條件、邊界案例和品質檢核的技能檔，註冊到 resolver 裡。

接下來他做的每一本書鏡像（20 多本，包括 Bertrand Russell 的自傳、Hermann Hesse 的《流浪者之歌》、Hamming 的《The Art of Doing Science and Engineering》）都自動受益於這個累積。第二本書鏡像知道第一本，第二十本知道前面所有。

「fat skills, fat code, thin harness」的工程結構

Garry 反覆強調的架構觀念，跟一般人想像的 AI 工具完全相反：

這對市場上多數 AI 工具的設計哲學是直接挑戰。傳統做法是把智能包進框架本身，LangChain 是最明顯的例子。Garry 的主張是：智能應該存在於技能裡，runtime 只是路由器。當技能愈來愈厚、資料愈累積、技能之間互相呼叫（book-mirror 會去呼叫 brain-ops、enrich、cross-modal-eval、pdf-generation），整個系統就會自己加速。

實際使用上，他寫的技能包括：

• meeting-ingestion：每場會議結束後抓逐字稿、產出結構化摘要，再走一遍會議裡提到的每個人和公司，把討論內容更新到那些 brain page 上。會議摘要不是終點；實體傳播（entity propagation）回填到每個人物頁、公司頁，才是真正的價值。
• enrich：給一個人名，它從五個來源抓資料、合併成一份含職涯軌跡、聯絡資訊、會議歷史、關係脈絡的 brain page，每個事實都有出處。
• media-ingest：處理影片、音訊、PDF、截圖、GitHub repo。轉錄、抽取實體、歸檔到 brain 對應位置。
• perplexity-research：腦增強網路研究。先查 brain 已知什麼，再去 Perplexity 補新資訊，避免重複捕捉已有的知識。

他每天跑 100 多個 cron job：社群媒體、Slack、email、行事曆，凡是他會關注的，OpenClaw 和 Hermes Agent 也會關注。

gbrain：能複利的知識結構

gbrain 是這套架構裡最特別的一塊。它不是向量資料庫，也不是傳統的 RAG。每一頁的結構如下：

• 頂部：compiled truth（編譯真相），當前最好理解的事實，會被覆寫
• 中段：append-only timeline（只能追加的時間線），按時序排列的事件，不能編輯
• 底層：raw data sidecars（原始資料側檔），來源材料

根據 gbrain 開發團隊公開的 BrainBench 評測（2026 年 5 月 7 日），gbrain-hybrid 在 LongMemEval _s 的 500 題公開基準上跑出 97.60% R@5，比 MemPalace 公開的 baseline 高 1.0 個百分點，而且整個檢索流程裡完全沒有 LLM 參與。他們自家的 240 頁 BrainBench 上 P@5 達 49.1%、R@5 達 97.9%，比關掉知識圖譜層的版本高 31.4 個百分點。

每次 brain page 被寫入時，會抽取實體引用、自動建立帶型別的連結（attended、works_at、invested_in、founded、advises），全程零 LLM 呼叫。這個圖譜層是性能的關鍵。

舉個例子說明它怎麼複利。Garry 在 office hours 見一位創辦人。系統做這些事：建立或更新這位創辦人的 person page、公司 page、交叉引用會議筆記、檢查他之前有沒有見過、浮出上次討論內容、查 YC 申請資料、抓最新指標、判斷他現有的投資組合公司或人脈裡有沒有人能幫上對方。等他走進下一場跟同一位創辦人的會議時，系統已經備好完整的 context pack。

兩者的差別：檔案櫃儲存東西，神經系統連結東西、標記變化、浮出對當下相關的內容。

對台灣用戶意味著什麼

我們最近一年協助幾家金融、製造和媒體業客戶評估個人 AI 基礎建設議題時，最常聽到的反對意見有兩種。第一種：「這是 VC 圈的炫技，跟真實業務無關。」第二種：「我們公司不可能讓員工把資料放到自己的 Git 倉。」

第一種反對其實是錯的。把 Garry 的系統拆開看，真正在動的工程觀念是：技能可組合、資料層獨立於模型、系統能透過使用而自己變強。這三點對任何認真做 AI 導入的企業都成立，只是大多數人卡在還在用 ChatGPT 當聊天視窗的階段。

第二種反對成立。答案是建一個符合企業內控規範的版本。Tenten 自己內部用 OpenClaw 部署，所有腦資料在內網的 Git 倉裡，搜尋層用 pgvector 加 hybrid search，敏感性 person page 用 ACL 控制存取。本質和 Garry 的架構一樣，只是合規層比較厚。

比較：gstack/gbrain vs. 其他個人 AI 框架

關鍵差異在於 gbrain 要解決的問題不在多租戶記憶層那一塊，跟 Mem0 或 Letta 是不同象限。它對齊的是 Vannevar Bush 1945 年提出的 Memex：一個個人擁有、Agent 操作、純文字 markdown 為主、可 diff、可分支、可版本控管、人類可讀的知識倉。

為什麼這對開發者來說是分水嶺

Garry 在文章裡引述 Andrej Karpathy 在 No Priors podcast 上 2026 年 3 月講的一句話：「我大概從去年 12 月開始就沒打過一行程式碼了。」這不是修辭，是字面意義。

技術社群正在分化成兩種人：把 AI 當聊天視窗的人，和把 AI 當作業系統的人。後者建技能、建腦、建 cron job、建跨模型評分，所有日常工作流被吸進一個會複利的系統。每場會議讓 brain 變厚一點，每讀一本書讓 context 變豐富，每寫一個技能讓下次工作流更快。兩個月後系統強度十倍，再兩個月再十倍。

這跟用 ChatGPT 訂閱費 20 美元換來的生產力小幅提升不是同一件事。同樣的 AI 模型，落在不同架構上，產出差距可能是百倍級。

常見問題

Meta-Meta-Prompting 到底跟一般 Prompt Engineering 差在哪？

傳統 prompt engineering 是寫單次指令給 LLM，輸出用完即丟。Meta-Meta-Prompting 寫的是會生成新指令的指令；/skillify 觀察使用者剛剛做了什麼，抽取可重複的模式，寫成含觸發條件、邊界案例和品質檢核的技能檔，註冊到 resolver。下次相似任務出現時，技能會自動觸發。差別在於它會複利。

gstack 和 gbrain 必須一起用嗎？

不必。gstack 是 Claude Code 的技能包，主要服務寫程式工作流；gbrain 是 OpenClaw 或 Hermes Agent 的記憶層，主要服務知識管理。兩者透過 hosts/gbrain.ts 整合，但可以分別獨立使用。如果你目前主要需求是寫程式，先裝 gstack；如果你想建個人知識系統，先裝 gbrain。

一般中小企業有沒有可能採用這套架構？

可以。關鍵不是工具本身，是觀念：技能優先（不是 prompt）、資料層獨立於模型、系統能透過使用而變強。Tenten 自己用 OpenClaw 加 Claude Skills 為客戶建內部知識系統，3-4 人團隊就能跑起來。資安要求高的客戶用本地部署，搭配 ACL 控制。

90 天後，知識倉裡會有多少資料？

按 Garry 公開的數據，他的 brain 在 12 天內累積到 1.7 萬頁，三個月達 10 萬頁。一般使用者的成長曲線會慢一些，但只要把會議逐字稿、email 摘要、閱讀筆記、社群擷取自動化跑進來，幾週內就會有幾千頁的累積。重點不是頁數，是頁面之間的連結密度，後者才是知識圖譜複利的真正來源。

我該如何開始建自己的個人 AI 系統？

四個步驟：第一，挑一個 harness（gstack、Claude Code、OpenClaw、或從 Anthropic SDK 自建），保持薄。第二，開一個 brain，gbrain 一個指令就裝好。第三，做一件你真的在意的事，例如寫一份報告、研究某個人、分析投資組合，用 Agent 跑完並跑到滿意為止。第四，跑 /skillify，把這次的流程抽成可重複技能。然後重複。六個月後你會有一個沒有 chatbot 能複製的東西，因為價值不在模型，在你教給系統的關於你自己生活、工作和判斷的東西。

Author Insight

我最大的觀察是：開始的人和沒開始的人，差距不是線性，是指數的。前後我們接觸過十多家金融、製造、媒體、消費品產業的客戶，這個觀察反覆出現。

具體一點。一位金融業客戶的 CTO 三月時花了大概 6 小時做完 gbrain 初始安裝、把過去 12 個月的會議逐字稿匯入。我五月再跟他聊，他說團隊每週省下大約 8 小時找上次討論的時間，但更重要的是會議品質變了。進會議前 Agent 已經把對方的所有歷史、爭議點、未完成議題備好。團隊不需要在會議上重新熱身。

另一個觀察：技能可組合性的價值被嚴重低估。我們幫客戶建第三個技能時，會發現它能呼叫前兩個；建第十個時，前面九個都成了它的工具。這是工程觀念的勝利，不是 AI 模型的勝利。任何認真做 DevOps 或 microservice 的人都會直覺認同這套設計，差別只是把同樣的觀念搬到 LLM 工作流上。

最後一個觀察我想老實說。半夜兩三點，整個城市都安靜下來的時候，我們的 Agent 還在跑，抓逐字稿、解析 email、更新 person page。我看著 Slack 跳出今天 Agent 寫好的 PR、明天會議的 context pack、上週投資組合公司的指標變化警報。這讓人有點毛，不是科幻片那種毛，是發現自己已經回不去手動模式的那種毛。但我也說不上來該怎麼形容那種複利在你身上發生的感覺。

Garry 在他的文章裡寫得直白：未來屬於建立會複利 AI 系統的個人，而不是使用公司中心化 AI 工具的個人。這句話如果在 2024 年講會像 VC 推銷話術；在 2026 年 5 月講，它已經是工程現實。

引用來源

• GitHub — garrytan/gstack 完整 README 與 23 種技能說明
• GitHub — garrytan/gbrain Agent Brain 架構文件
• GitHub — garrytan/gbrain-evals 公開基準測試 LongMemEval _s 報告
• TechCrunch — Why Garry Tan's Claude Code setup has gotten so much love, and hate
• Y Combinator Startup Library — Inside Garry Tan's AI Coding Setup
• Augment Code — Garry Tan's gstack hits 89.7K stars: what developers should know

With over 20 years of experience in technology, and the startup industry, I am passionate about AI and driving innovation. Keeping the engine running

Loading...