CEO của Y Combinator thức đến 2 giờ sáng để build gì? GBrain - bộ não thứ hai bằng AI

TL;DR

Garry Tan - CEO của Y Combinator - thức đến 2 giờ sáng không phải để xử lý email hay họp khẩn. Ông đang build hệ thống AI cá nhân gồm 100,000 trang kiến thức, 100+ skills chuyên biệt và hơn 100 cron jobs chạy liên tục mỗi ngày. Ông gọi đó là "bộ não thứ hai thực sự hoạt động" - không phải ẩn dụ, mà là cơ sở hạ tầng đang chạy 24/7. Tháng 4/2026, ông open-source toàn bộ stack dưới tên GBrain, MIT license, miễn phí.

Tại sao CEO của YC thức đến 2 giờ sáng?

Trong 5 tháng gần đây, AI đã biến Garry Tan trở lại thành một builder. Không phải toy projects - những hệ thống thực sự có compound value. Câu trả lời của ông cho câu hỏi "tại sao?" không phải là năng suất hay deadline. Đó là joy of building - niềm vui xây dựng mà ông tìm lại được.

Luận điểm cốt lõi: model AI chỉ là engine. Mọi thứ khác mới là chiếc xe. Chạy Claude hay GPT-5.5 trực tiếp qua chat window chẳng khác gì chạy một động cơ không có khung xe, không có bánh lái.

Book Mirror - khi AI đọc sách và ánh xạ vào cuộc đời bạn

Garry đang đọc cuốn When Things Fall Apart của Pema Chödrön - 162 trang, 22 chương về cách tiếp cận Phật giáo với nỗi đau và sự buông bỏ. Ông chạy lệnh "book mirror" trong GBrain.

Kết quả sau 40 phút: một tài liệu 30,000 từ. Mỗi chương được render thành hai cột song song:

• Cột trái: Tóm tắt ý tưởng của tác giả

• Cột phải: Ánh xạ cụ thể vào cuộc sống thực của Garry - không phải "điều này áp dụng cho các nhà lãnh đạo nói chung", mà là sự kiện cụ thể: cuộc trò chuyện với một founder tuần trước, pattern mà therapist đã nhận ra, một buổi viết lúc nửa đêm

Tại sao điều này đáng chú ý? Một therapist $300/giờ đọc cùng cuốn sách và áp dụng vào cuộc sống của Garry không thể làm điều tương tự trong 40 giờ - vì họ không có toàn bộ graph: lịch sử chuyên nghiệp, meeting notes, danh sách sách đã đọc, và mạng lưới 3,000+ mối quan hệ founders tất cả được nạp và có thể cross-reference.

Garry đã làm book mirror với hơn 20 cuốn: Bertrand Russell, Richard Feynman, Hermann Hesse, Ken Wilber, Alan Watts... Mỗi cuốn sau biết về tất cả các cuốn trước. Cuốn thứ 20 biết về 19 cuốn trước đó.

Kiến trúc: Fat Skills, Fat Code, Thin Harness

GBrain vận hành theo ba nguyên tắc kiến trúc:

• Thin Harness: OpenClaw hoặc Hermes Agent - harness mỏng, chỉ làm nhiệm vụ routing. Vài nghìn dòng logic. Không biết gì về sách hay meetings - chỉ biết chuyển yêu cầu đúng chỗ.

• Fat Skills: Hơn 100 skill files, mỗi file là một file markdown chi tiết encode toàn bộ một workflow cụ thể. Mỗi skill biết khi nào cần chạy, cần gọi skill nào khác, và duy trì chất lượng ra sao.

• Fat Data: 100,000 trang kiến thức - người, công ty, cuộc họp, sách, bài viết, ý tưởng - tất cả được liên kết, có thể tìm kiếm, và lớn dần mỗi ngày.

Models là thành phần có thể thay thế. Garry dùng Opus 4.7 1M cho precision, GPT-5.5 cho recall và exhaustive extraction, DeepSeek V4-Pro cho góc nhìn sáng tạo, Groq + Llama cho tốc độ. Skill quyết định gọi model nào cho task nào. Harness không quan tâm.

Database mặc định: PGLite - embedded Postgres 17.5 chạy qua WASM, không cần Docker hay Supabase để bắt đầu. Thời gian setup: khoảng 30 phút. Import 7,000 files trong khoảng 30 giây. Vectorize 1,000 trang trong khoảng 1 phút.

Vòng lặp compound: Skills sinh ra Skills

Đây là insight đệ quy quan trọng nhất: GBrain có một meta-skill tên là Skillify. Khi Garry gặp một workflow sẽ lặp lại, ông nói "skillify this" - system tự phân tích những gì vừa xảy ra, trích xuất pattern có thể tái sử dụng, viết một tested skill file với triggers và edge cases, và đăng ký vào resolver.

Book mirror pipeline được skillify từ lần đầu Garry làm thủ công. Meeting prep workflow được skillify sau khi ông nhận ra mình làm cùng các bước trước mỗi cuộc gọi. Khi ông cải thiện một skill, mọi workflow dùng skill đó tự động được hưởng lợi.

Ví dụ về compound value: trước buổi fireside chat với Demis Hassabis (CEO DeepMind), GBrain prep trong chưa đến 2 phút - brain page đầy đủ của Demis, quan điểm đã công bố về AGI timeline ("50% scaling, 50% innovation"), highlights từ biography mới nhất của Sebastian Mallaby, cross-references với các phát biểu của Garry, và ba demo scripts để showcase multi-hop reasoning.

Giới hạn và chi phí

GBrain không phải viên đạn bạc. Một số điểm cần biết trước khi bắt đầu:

• Cần frontier models: Claude Opus 4.7 hoặc GPT-5.5 cho precision. Models nhỏ không cho kết quả tốt.

• Không có cơ chế quên: Memory chỉ tăng, chưa có decay management có nguyên tắc.

• Benchmark cần đọc kỹ: Recall 97.6% được claim với reranking; honest top-10 không rerank cho 88.9%.

• Chi phí: GBrain MIT license - miễn phí. Production tier qua Supabase Pro: $25/tháng. Chi phí model (Opus, GPT-5.5) tính riêng theo usage.

• Setup prerequisite: Cần OpenClaw hoặc Hermes Agent đã có sẵn.

Kết - Bắt đầu từ đâu?

Garry Tan đề xuất ba bước để ai cũng có thể build hệ thống tương tự:

1. Chọn một harness mỏng: OpenClaw, Hermes Agent, hoặc tự build với Pi. Host trên máy ở nhà qua Tailscale, hoặc Render/Railway trên cloud.

2. Bắt đầu với GBrain: Một lệnh để cài. Git repo nơi mỗi người, cuộc họp, bài viết, và ý tưởng đều có trang riêng.

3. Làm một việc gì đó thú vị: Không cần lên kế hoạch skill architecture. Làm một task thật - viết report, research một người, phân tích portfolio. Làm với agent, lặp đến khi tốt, rồi Skillify để trích xuất pattern thành reusable skill.

Hệ thống đầu tiên của Garry rất tệ. Cái thứ 100 là thứ ông tin tưởng với lịch, inbox, và meeting prep. "The compound curve is real."

GStack (framework coding skill) đã đạt 87,000+ GitHub stars. GBrain đạt 4,800+ stars và 541 forks chỉ trong 24 giờ đầu. Toàn bộ stack - skills, book mirror pipeline, cross-modal eval framework, skillify loop, resolver architecture - mở nguồn và miễn phí tại github.com/garrytan/gbrain.

Sự khác biệt giữa một filing cabinet và một nervous system: filing cabinet lưu thông tin. Nervous system kết nối chúng, gắn cờ khi có thay đổi, và đưa ra điều liên quan vào đúng lúc bạn cần. AI không phải công cụ viết. Không phải search engine. Không phải chatbot. Đó là cơ sở hạ tầng - nếu bạn chịu build nó.

via GBrain GitHub · Agentic Brew · Gamgee Blog