AI落地瓶颈不是模型能力，而是高层头脑中的公司专属知识

Garry Tan 这条推文直击当下 AI 落地的一个被忽视的核心矛盾：模型已经够好，但企业真正缺的不是更强的模型，而是能把资深员工脑子里那些"只可意会"的经验翻出来变成可用数据的能力。

产品是什么？

GBrain 是一个开源检索层，定位在 RAG（检索增强生成）之上、企业知识库管理系统（如 Confluence、Notion）之下。它的核心思路是：不依赖预设的结构化文档，而是通过某种机制主动挖掘员工脑内的隐性知识（tacit knowledge），将其转化为可被向量检索的格式。

换句话说，传统的 RAG pipeline 是"文档进来，检索出去"；GBrain 想做的是"把人的经验拽出来，沉淀成文档，再检索"。这在逻辑上是 RAG 的上游补全。

解决什么问题？

企业 AI 落地的典型困境：花大价钱部署了 SOTA 模型，却发现回答质量取决于喂进去的知识质量。而很多行业的核心知识根本不在文档里——在老销售的话术里，在资深工程师的调试直觉里，在客服主管的处理经验里。这些东西存在于人脑中，无法被爬虫抓取，无法被文档管理。

GBrain 试图填补这个空白：如果能把这部分知识也提取成可检索的向量，就等于给