核心用法
Gbrain Multi-Agent Search 是一款基于 Bun 运行时构建的本地个人知识库 CLI 工具，专为需要长期积累、高效检索私密知识数据的用户设计。其核心架构包含三大检索引擎：
1. 全文关键词搜索（search）：基于倒排索引的快速精确匹配，适合查找人名、术语、文件名等确定性内容
2. 语义搜索（query）：通过 OpenAI 兼容的 Embedding API 实现语义理解，支持自然语言提问、模糊概念关联和跨主题查询
3. 知识图谱（graph）：基于手动创建的实体关系（如 works_at、invested_in、friend_of 等），支持多跳关系遍历
使用流程遵循「先精确后语义、先搜索后图谱」的分层策略：先用 search 快速定位，未果则换 query 深度理解，再通过 get 读取完整内容，最后用 graph 探索关联实体。
显著优点
- 完全本地私有化：数据存储于本地 Git 仓库，Embedding 可调用私有/本地 API，规避云端知识库隐私风险
- 多模态检索融合：关键词+语义+图谱三重机制，兼顾效率与智能
- 开放式实体关系：支持自定义 link-type，可建模复杂人际网络、项目归属、投资关系等
- Markdown 原生友好：内容以 Markdown 管理，与现有笔记工作流（Obsidian、Logseq 等）无缝衔接
- 增量更新机制：
sync+embed --stale支持高效增量索引，避免全量重建开销
潜在缺点与局限性
- 部署门槛较高：需自行安装 Bun 运行时、配置 Embedding API、初始化双仓库结构（gbrain 源码 + brain 内容），对非技术用户不友好
- Embedding 成本依赖外部 API：语义功能强制依赖 OpenAI 或兼容服务商，产生 token 费用；虽可本地部署模型，但配置复杂
- 知识图谱需手动维护：实体关系不会自动提取，需用户通过
link命令主动创建，规模化后维护成本显著 - 中文分词与排名优化有限：作为个人开源项目，对 CJK 字符的索引优化、相关性排序可能不及商业方案
- 无冲突解决与协作机制：Git 管理虽提供版本控制，但无并发编辑、冲突合并的专门设计
适合人群
- 技术背景较强的个人知识管理者（开发者、研究员、记者、投资人）
- 对数据隐私敏感、拒绝 SaaS 笔记平台的用户
- 已使用 Markdown/Git 管理笔记，希望叠加语义检索能力的进阶用户
- 需要构建个人关系网络、项目履历等结构化知识图谱的专业人士
常规风险
- API 密钥泄露风险：Embedding API Key 需配置于环境变量或命令行，存在意外提交至 Git 历史的可能
- Embedding 服务商锁定：切换模型或服务商需重新生成全部向量，迁移成本较高
- 本地数据丢失：虽依赖 Git，但若未配置远程备份，单点故障可导致知识库永久丢失
- 语义漂移与幻觉：Embedding 检索返回的结果基于向量相似度，可能包含语义相关但实际无关的内容，需人工复核