Tard dans la nuit, vous demandez à Hermes : « Au fait, qu’est-ce qu’Alice m’a promis exactement la dernière fois ? » Il parcourt tout votre historique de conversation et reste sans réponse — parce que la réponse n’a jamais été dans la conversation. Elle se trouve dans les notes de réunion de la semaine dernière, dans cet e-mail que vous n’avez jamais transféré, dans un appel vocal. La mémoire de chat n’est pas la connaissance du monde, et c’est l’angle mort de chaque assistant IA.

Le président et CEO de Y Combinator, Garry Tan, est visiblement du même avis — il a construit lui-même la couche manquante, l’a open-sourcée, et le projet a dépassé les 28 000 étoiles GitHub en quelques semaines. Il s’appelle GBrain, et son déploiement en production tourne sur OpenClaw et Hermes.

GBrain en une phrase

La recherche vous donne des pages brutes. GBrain vous donne la réponse.

GBrain est la « couche cerveau » que Garry Tan a construite pour ses propres agents — synthesis, parcours de graph et gap analysis dans une seule boîte. Son README affiche des chiffres de production difficiles à ignorer :

• 155 795 pages de connaissances, 24 589 personnes, 5 340 entreprises
• 66 tâches cron exécutées en toute autonomie
• Pendant qu’il dort, son agent ingère réunions, e-mails, tweets, appels vocaux et idées brutes — enrichissant chaque personne et chaque entreprise rencontrées, corrigeant ses propres citations et consolidant la mémoire chaque nuit. « Je me réveille plus intelligent que je ne me suis couché. »

Pourquoi les utilisateurs d’Hermes devraient s’y intéresser

D’abord, une clarification : la mémoire intégrée d’Hermes (rappel inter-sessions FTS5 + le modèle utilisateur Honcho, voir la référence de la commande hermes memory) est une mémoire conversationnelle — excellente pour se souvenir de ce que vous avez dit et fait. GBrain, lui, est une connaissance du monde — les personnes, les entreprises, les relations, les engagements, les résultats de réunions et les liens qui les unissent.

Ce ne sont pas des concurrents ; ils sont complémentaires. La configuration de production de Garry Tan est Hermes (ou OpenClaw) + GBrain. Le chat reste dans le chat ; le cerveau reste dans le cerveau.

Les trois mécanismes clés

1. Une couche de synthesis qui répond, au lieu de renvoyer des liens

Posez à un outil de connaissances classique la question « que dois-je savoir avant ma réunion avec Alice ? » et vous obtenez cinq pages à lire vous-même. GBrain renvoie une réponse unique et sourcée : « Alice dirige l’ingénierie chez Acme, vous lui avez parlé le 22 avril au sujet des tarifs, trois points restent ouverts… » Chaque affirmation a une source.

Encore mieux : sa gap analysis. Si le cerveau n’a rien vu concernant Alice depuis six semaines, il vous prévient : « ces informations sont peut-être périmées, autant lui demander directement » — il sait ce qu’il ne sait pas.

2. Un knowledge graph qui se câble tout seul, zéro appel de modèle

Chaque écriture de page extrait les références d’entités et crée des arêtes typées (works_at, invested_in, founded, advises…) avec zéro appel de modèle. Demandez « qui travaille chez Acme ? » — une question à laquelle la recherche vectorielle pure ne peut pas répondre — et il répond instantanément.

Benchmark officiel (corpus de 240 pages en prose riche généré par Opus) : P@5 49,1 %, R@5 97,9 % — soit +31,4 points de P@5 par rapport à la variante sans graph.

3. Le dream cycle

GBrain s’exécute selon votre planning, la nuit : il intègre les mémoires de la journée, répare les citations cassées, déduplique les entrées. Vous dormez, il consolide, vous vous réveillez et il ne reste plus qu’à demander.

Comment le brancher sur Hermes : trois chemins

Chemin A : installation neuve (30 minutes, recommandé)

La documentation de Garry est explicite : le déploiement « toujours actif, qui s’enrichit 24h/24 » passe par OpenClaw ou Hermes :

1. Déployez Hermes via le template Railway en un clic officiel ;
2. Installez GBrain : bun install -g github:garrytan/gbrain (la base PGLite est prête en 2 secondes — aucun serveur à lancer) ;
3. Donnez INSTALL_FOR_AGENTS.md à Hermes et laissez-le terminer lui-même l’installation du cerveau, le déploiement des skills et la configuration du dream cycle.

Chemin B : le cerveau tourne déjà — connectez Hermes en une commande

gbrain auth create "hermes"          # crée un jeton d'accès
gbrain connect https://your-brain.ngrok.app/mcp --token gbrain_xxx

gbrain connect génère tout le câblage et vérifie le jeton avant la remise.

Chemin C : MCP direct (le plus léger)

GBrain est fourni comme un serveur MCP standard, et Hermes dispose d’un client MCP natif (stdio + HTTP, voir la référence de la commande hermes mcp) :

gbrain serve --surface verbs   # stdio local — 5 verbes de mémoire : recall / remember / entity / synthesize / forget
gbrain serve --http --port 3131  # mode distant avec OAuth 2.1

Enregistrez gbrain serve comme serveur MCP dans Hermes et c’est terminé — ces cinq verbes constituent l’« interface mémoire » côté agent.

Aller plus loin : un cerveau d’entreprise (isolation multi-utilisateurs)

GBrain prend désormais en charge le mode équipe : chaque membre dispose de sa propre tranche du cerveau, délimitée par sa connexion, et ne voit que ce qu’il est autorisé à voir. L’auteur affirme avoir fuzz-testé chaque chemin de lecture (search, list, lookup, lectures multi-sources) avec zéro fuite — une forme de cerveau d’entreprise qui correspond à ce que YC vient d’inscrire dans son Request for Startups.

Pièges à éviter (à lire avant l’installation)

1. ⚠️ N’installez pas le mauvais paquet : le paquet npm gbrain est un paquet tiers sans aucun rapport ! La seule installation prise en charge est bun install -g github:garrytan/gbrain (notez le préfixe github:). Si vous êtes déjà tombé dans le piège, gbrain doctor le détecte et affiche la solution.
2. Coût : le mode « toujours actif » nécessite un vrai serveur + une dépense d’API (contrairement à la voie Codex/Claude Code, qui tourne sur les abonnements que vous avez déjà).
3. Runtime : Bun + TypeScript — installez Bun d’abord.
4. Chiffres : les chiffres de production et les benchmarks ci-dessus sont des affirmations du README de l’auteur, pas des mesures indépendantes.

Pour conclure

Si la mémoire conversationnelle d’Hermes vous semble déjà solide, essayez de la faire passer à la mémoire du monde : réunions, personnes, engagements, graphes de relations — c’est la pile avec laquelle Garry Tan se réveille chaque jour. Pour offrir la même mise à niveau à votre Hermes, lancez bun install -g github:garrytan/gbrain et donnez-lui le INSTALL_FOR_AGENTS.md.

Curieux de connaître la pile mémoire d’Hermes ? Consultez le guide de mémoire sémantique (LanceDB).