Y Combinator CEO’nun Kendi AI Hafızasını Kodladığı Açık Kaynak Proje: GBrain’in Sırları

Garry Tan’ın son projesi, sadece bir deney değil — aynı zamanda onun günlük kullanımındaki üretim sistemi olan GBrain, gelişmiş bir yapay zeka hafıza yönetim aracı olarak dikkat çekiyor. Tan’ın geçmişi, bu projenin önemini daha da artırıyor: Stanford Bilgisayar Mühendisliği mezunu olan Tan, Microsoft’ta çalıştıktan sonra Palantir’in 10. çalışanlarından biri oldu. 2008 yılında Posterous’u kuran ve 2012 yılında Twitter tarafından 20 milyon dolara satın alınan girişimci, Y Combinator’a Tasarım Ortağı olarak katıldı ve Coinbase’e ilk tohum yatırımını yaptı. 2023 yılında YC’nin CEO’su olan Tan, halen aktif olarak kod yazmaya devam eden nadir yatırımcılardan biri olarak biliniyor.

GBrain, Tan’ın kendi bilgi ağını yönetmek üzere geliştirdiği bir sistem. Proje, halihazırda 17.888 belge, 4.383 kişi ve 723 şirket verisini barındırıyor. Bu veriler, Tan’ın portföy şirketleri, kurucu ilişkileri ve piyasa sinyallerini kapsıyor. Peki, GBrain’in ardındaki yenilikçi mimariyi ve performans avantajlarını neler oluşturuyor?

GBrain’in "Beyin Odaklı" Tasarım Felsefesi: İlk Sorgu Yerelden Başlar

Geleneksel yapay zeka ajanları, bir sorgu aldığında genellikle dış veri kaynaklarına (API’ler, veritabanları veya araçlar) erişim sağlar. Bu yaklaşım, her sorguda aynı verilerin tekrar tekrar çekilmesine ve maliyetin artmasına neden olur. GBrain ise tamamen farklı bir yaklaşım benimsiyor: "Beyin Odaklı" sistemde, ilk olarak yerel hafıza sorgulanır.

• Sorgu alınır → Yerel beyin sorgulanır (indekslenmiş bilgi grafiği)
• Eğer cevap bulunursa, doğrudan yanıt verilir ve hiçbir ek maliyet oluşmaz.
• Eğer cevap bulunamazsa, dış API’ye başvurulur, ardından sonuç yerel hafızaya kaydedilir.
• Bir sonraki sorguda, bu bilgi artık yerel hafızada bulunduğu için tekrar API’ye başvurma ihtiyacı kalmaz.

Bu yaklaşım, sistemin her kullanımda daha akıllı ve daha ekonomik hale gelmesini sağlıyor. Tan’ın deyimiyle: "Bu bir deney değil. Üretimde kullandığım sistemdir."

Hibrit Arama Mimarisi: Vektör ve Anahtar Kelime Aramalarının Gücü

GBrain’in en dikkat çekici özelliklerinden biri, hibrit arama mimarisidir. Sistem, hem vektör araması hem de anahtar kelime araması yaparak daha yüksek doğruluk oranına ulaşır. Bu yaklaşım, Reciprocal Rank Fusion (RRF) adı verilen bir teknikle birleştirilir.

RRF formülü şu şekilde çalışır:

RRF skoru = Σ 1/(60 + sıra_numarası)

Örnek olarak, vektör araması şu sonuçları döndürür: [Belge A #1, Belge B #2, Belge C #5] Anahtar kelime araması ise: [Belge B #1, Belge D #2, Belge A #4]

• Belge A: 1/(60+1) + 1/(60+4) = 0.01639 + 0.01538 = 0.03177
• Belge B: 1/(60+2) + 1/(60+1) = 0.01613 + 0.01639 = 0.03252 (en yüksek birleşik skor)

Bu hibrit yaklaşım, GBrain’in Recall@5 metriğinde %95’e ulaşmasını sağlıyor. Karşılaştırma yapıldığında, sadece vektör araması kullanan sistemlerde bu oran %83’e düşüyor. Aynı şekilde, Precision@5 metriği de %45’e ulaşarak, sadece vektör araması kullanan sistemlerin %39’luk performansının önüne geçiyor.

Sıfır LLM Kullanarak Oluşturulan Bilgi Grafiği: Otomatik İlişkilendirme Sistemi

GBrain’in en ilginç özelliklerinden biri de, sıfır LLM kullanarak otomatik olarak ilişkileri çıkaran bir sistemdir. Bu, sistemin performansını ve maliyet etkinliğini önemli ölçüde artırıyor.

Sistem, regex desenleriyle beş farklı ilişki türünü otomatik olarak tanımlıyor:

• `attended`: "X’in toplantısına katıldı", "X’in sunumunu izledi"
• `works_at`: "X, Y şirketinde [ünvan] olarak çalışıyor"
• `invested_in`: "X’in Y şirketinin Serisi A’sına liderlik etti"
• `founded`: "X, Y şirketini kurdu"
• `advises`: "X, Y şirketine danışmanlık yapıyor"

Örneğin, Tan bir notunda "Brian Armstrong ile Coinbase’in yeni ürünü hakkında sabah görüşmesi" yazdığında, sistem otomatik olarak [garry-tan] --attended--> [brian-armstrong] şeklinde bir kenar oluşturuyor. Bu işlem sırasında hiçbir token harcanmıyor ve sistemin bilgi grafiğini sürekli olarak güncelleyerek zenginleştiriyor.

Minions Görev Kuyruğu: LLM Maliyetlerini %92 Oranında Azaltan Çözüm

GBrain, görevleri iki farklı kategoriye ayırarak verimliliği maksimuma çıkarıyor: Minions (Belirleyici İşlemler) ve LLM Ajanları (Belirsiz İşlemler).

• Minions: Belirleyici işlemler (örneğin, Markdown dosyalarını analiz etmek, bağlantılar oluşturmak, dosyaları senkronize etmek)
• Çalışma süresi: 753 ms
• Token maliyeti: Sıfır
• LLM Ajanları: Belirsiz işlemler (örneğin, özetleme, soruları yanıtlama, içgörüler oluşturma)
• Çalışma süresi: 10+ saniye
• Token maliyeti: Gerçek para

Minions, PostgreSQL tabanlı kalıcı bir görev kuyruğu üzerinde çalışıyor. Bu sistem, çökme durumunda bile verilerin kaybolmamasını ve görevlerin otomatik olarak yeniden başlatılmasını sağlıyor. GBrain’in bu yaklaşımı, LLM kullanım maliyetlerini %92 oranında azaltıyor ve sistemin genel performansını önemli ölçüde artırıyor.

GBrain’in Kapsamlı Veri Entegrasyonu ve MCP Desteği

GBrain, 30’dan fazla MCP (Model Context Protocol) aracını destekleyerek, doğrudan Claude Code, Cursor ve Windsurf gibi araçlardan kullanılabilmesini sağlıyor. Sistem ayrıca, veri entegrasyon reçeteleri ile farklı veri kaynaklarından (örneğin, fikirler, medya, toplantı transkripsiyonları, yapılandırılmış veriler) otomatik olarak veri çekebiliyor.

GBrain’in sunduğu 26 farklı yetenek, yapay zeka hafızası yönetimini kapsamlı bir şekilde ele alıyor. Bu yetenekler arasında:

• Veri Tüketimi: Fikir işleme, medya tüketimi, toplantı transkripsiyonu, yapılandırılmış veri ithali
• Beyin Operasyonları: Bilgi zenginleştirme, akıllı sorgulama, bakım, alıntı onarımı
• Görev Operasyonları: Görev yönetimi, planlama, raporlama, webhook tetikleyicileri
• Kimlik Yönetimi: Ruhsal denetim, başlatma, veri göçü, günlük özetleme

GBrain, yapay zeka ajanlarının hafıza yönetimini yeniden tanımlayan yenilikçi bir proje olarak öne çıkıyor. Garry Tan’ın bu projeyi açık kaynak olarak yayınlaması, yapay zeka topluluğuna büyük katkı sağlıyor ve diğer geliştiricilerin de benzer sistemler geliştirmeleri için ilham kaynağı oluyor. Gelecekte, GBrain’in daha da geliştirilmesiyle birlikte, yapay zeka ajanlarının verimliliği ve yeteneklerinin önemli ölçüde artacağı öngörülüyor.