你的智能体需要的是一本维基和一份录音，而不是一张更大的办公桌

每个智能体构建者最终都会撞上同一堵墙。你可以往它面前堆再多上下文也没用。智能体还是会忘记。

本文将介绍 GBrain 和 Lossless：它们是什么、为什么以及何时使用它们、使用起来是什么感觉，以及如何将它们接入到你的智能体中。

先来看一个快速术语表：

• 智能体记忆：你的 AI 智能体记住事物的整体能力。涵盖它当前能看到什么、能查找什么、以及能从更早的记录中挖掘什么。

• 上下文窗口：模型在当前轮次中能直接看到的所有内容。就像摊在它办公桌上的纸张。窗口越大，办公桌越大。

• GBrain：基于你的维基 / Markdown 仓库的搜索/索引层。让智能体在执行操作前能查询“在任何对话中都成立的事实”（人员、项目、客户、政策、决策）。

• Lossless：就像完整的会议录音。当前对话的原始消息被完整保留。即使模型只看到了摘要，它也能回溯到原始内容。

• 上下文引擎：智能体运行环境中处理“对话历史如何压缩以及如何取回”的插槽。Lossless 就接在这里。

• OpenClaw / Hermes：两种智能体运行环境。可以认为是运行智能体的“操作系统”。GBrain 可以通过 CLI、MCP、技能或插件从两者访问。

下面就是那堵墙的实际表现：

我： “还记得上次和 Acme 公司的情况吗？我们决定不低于 X 折扣。” 智能体： “Acme 是哪个客户？哪个决定？”

它读懂了每个字。只是根本没有任何地方可以去查找。

更大的上下文只会让办公桌更宽。它既没有给智能体一本维基，也没有给它一份录音。

能让智能体触及这两个层面的工具叫做 GBrain 和 Lossless。我们一个个来看。

它们是什么

GBrain 是公司维基/Notion 之上的查询层。

新员工第一天上班时，你不会让他读完 Slack 上的所有历史消息。你给他一个 Notion 链接：客户名单在这里，政策在那里，上个季度的目标在那边。

维基里存放着事实（人员、项目、公司、决策、时间线以及它们之间的关系）。GBrain 就是让这个维基能够被智能体查询的东西。它对 Markdown 进行索引，建立关联，并让智能体在执行操作前能够提问。

维基存放在你的仓库中。GBrain 位于运行环境之外，始终可访问。

Lossless 就像完整的会议录音。

你参加了一个 2 小时的会议。秘书会后写了 5 分钟的摘要。摘要丢失了 95% 的细节，但快速浏览一下也够了。

30 分钟后老板问你：“你在第 47 分钟说的那个数字是多少，是 12 还是 21？”摘要救不了你。你需要回去播放录音。

Lossless 就是那份录音。它完整保留了当前对话的原始消息。模型当前看到的是压缩后的摘要（因为窗口容不下所有内容），但它可以拉取原始内容。

简单版本：

• GBrain = 公司知识库（跨对话）
• Lossless = 当前会议录音（本次运行内）

两个常见误解值得一提：

• “我把过去 30 天的对话都塞给模型了，这应该够了吧？”：这完成了 Lossless 的一半（保留了对话），但完全没有 GBrain（没有按人员、项目或决策进行组织，而且你无法查询特定事实）。模型当然能读到它，但这并不意味着它能找到关键的那一行。

• “我在用向量数据库存储所有历史记录”：向量数据库是一个存储/搜索层。它可以成为记忆系统的一部分，但不会自动给你带来任何一种模式。GBrain 和 Lossless 是建立在存储之上的两种模式，而非存储本身。

为什么以及何时使用它们

为什么使用 GBrain：运行智能体一段时间后，你会发现真正的成本是每次都要重新教智能体“我们公司是怎么做这类事情的”。Token 是便宜的部分。你的团队把这些内容写成 Markdown 文档放在仓库里。GBrain 对它们进行索引，这样你所有的智能体共享同一个大脑。一个新智能体接手某个角色时，不必重新经历一遍入职培训。

何时实际使用它：

• 新智能体第一次与老客户或旧项目打交道
• 同一个智能体跨天恢复工作，回到两周前的任务
• 多个智能体协作，A 完成某件事后交给 B，B 需要知道上下文
• 团队中替换智能体，新人接替旧人的位置

共同点：“对话之间”。

为什么使用 Lossless：每个智能体运行环境最终都必须在某个时刻截断或压缩历史记录。否则上下文窗口无法容纳。一旦被截断，这些细节通常就永远丢失了。Lossless 让被压缩的部分可搜索且可重新打开。模型摘要之后，原始内容不会消失。

何时实际使用它：

• 单个长对话（50 轮以上）
• 模型自动压缩历史之后（较早的内容被合并成摘要）
• 用户突然引用 30 分钟前的某个具体内容
• 调试：你想查看智能体当时到底基于什么做出了决策

共同点：“对话之内”。

如果你的智能体用例在几轮对话内就能结束，Lossless 对你就不会有太大影响。

如果你的智能体只服务于一个客户或一个项目，GBrain 对你就不会有太大影响。

这两个层面真正开始产生回报的时刻是：当智能体像任何同事一样，必须跨对话、跨任务、跨团队成员工作时。

实际使用体验

没有 GBrain 时，智能体把每个老客户都当陌生人：

智能体： 这是哪个客户？我们以前谈过什么？政策是什么？

有了 GBrain 后，开场白变成了这样：

智能体： 我看到这是 Acme 公司。上次你决定不低于 X 折扣。这个请求是 X + 10%，没问题。需要我也更新客户备注吗？

它在走进房间之前先查了维基。

没有 Lossless 时，在一个长对话中，过一会儿你说“根据我们刚刚讨论的那个模式修改一下”，你会得到：

智能体： 哪个模式？你能再说一遍吗？

因为窗口无法容纳所有内容，较早的内容被压缩掉了。

有了 Lossless 后：

智能体： 你是说 35 分钟前的那部分。我们最初决定用 UUID（一种 ID 格式），然后 12 分钟后你改成了 ULID（另一种格式）。要我应用 ULID 吗？

它可以回放录音。

如何将它们接入到你的智能体中

这两个工具走的是完全不同的路径。

Lossless 接入到运行环境内部的“上下文处理层”。 像 OpenClaw 这样的运行环境会在这里留出一个插槽，用于处理当对话变长时如何压缩，以及如何在需要时重新挖掘原始内容。默认方式通常是直接截断：太多了，丢掉。lossless-claw 插件将这种硬截断替换为结构化摘要，该摘要保持可搜索性，并且原始文本仍然可以恢复。

在 OpenClaw 中，一行配置就能搞定：将 contextEngine 指向 lossless-claw。

Hermes 也有同样的插槽。Hermes 的路径是 lossless-hermes-py：通过 hermes plugins install mssteuer/lossless-hermes-py 安装，然后设置 context.engine: lossless-hermes。

GBrain 的接入方式不同。 它的核心位于运行环境外部：一个大脑仓库、一个数据库以及一个 CLI/MCP 接口，智能体可以调用它。

• 你的代码仓库中包含 Markdown 页面，记录着“不太会变的事实”
• GBrain 对这些 Markdown 页面进行索引，使其可搜索，并建立人员、项目和决策之间的关联
• 智能体通过 CLI、MCP、技能或运行时插件访问 GBrain，通常在执行操作之前

所以 Lossless 是运行环境内部的上下文引擎。GBrain 是运行环境可以调用的共享大脑层。它们处于不同的位置，但填补的是同一个缺口：“在我执行这个操作之前，我应该知道什么？”

5 层诊断：下次你的智能体“忘记”时，按此排查

不要一开始就问上下文是否足够大。按顺序检查这 5 层：

• 捕捉（它是否进入了系统？）：这个事实是否曾经进入过任何系统？
• Lossless（对话是否存活下来了？）：较早的对话是否被保留下来了，还是被压缩吃掉了？
• GBrain（是否可以跨对话获取？）：你是否能按人员、项目或决策跨对话查询？
• 排序（正确的事实是否出现了？）：在执行操作前，正确的事实是否被排到了最前面？
• 任务（任务是否清晰？）：当前的任务是否告诉了智能体为什么这个事实重要？

很多时候你会发现 bug 存在于第三或第四层，而不是前两层。

总结

更大的上下文无法修复记忆 bug。它只是让工作台变得更宽。

真正的解决方案是给智能体两样东西：

• GBrain：基于你的维基的查询/索引层，跨对话
• Lossless：当前对话中的录音

两者结合，让智能体感觉像一位知道你们公司实际运作方式、并且记得你们上次说到哪里的同事。

那么，你的智能体现在处于哪种状态？是那个桌子很大但无从查阅的实习生？还是那位桌子虽小但知道去查维基并能重放刚才说过什么的同事？

接下来：你打算先接入哪一层？

参考资料

• GBrain：共享大脑层。跨会话索引 Markdown 知识，使智能体能在执行操作前查询人员、项目和决策。
• lossless-claw：OpenClaw 上下文引擎插件。将对话历史压缩为结构化摘要，同时保留原始文本的可搜索性和可重开性。
• OpenClaw：智能体运行环境。lossless-claw 所接入的运行环境。
• Hermes：智能体运行环境。也有一个 Lossless 风格的上下文引擎路径，通过 lossless-hermes-py 实现。

我正在构建的更多内容位于 voxyz.ai。