OzBrain - Shared brain for AI agents and teams
Show HN: OzBrain, a shared brain for knowledge between agents and your team
OzBrain es un cerebro compartido que Claude, ChatGPT, Cursor y cualquier otro agente de IA pueden leer y escribir. Organiza tu conocimiento en artículos estructurados, de modo que cada agente accede solo a lo que necesita y nunca tengas que repetirte. Se conecta en menos de dos minutos mediante el conector MCP, cifra tu contenido y mantiene un registro de auditoría completo. Ideal para equipos que quieren una única fuente de verdad para sus proyectos y decisiones.
Un cerebro compartido que Claude, ChatGPT, Cursor y cada IA pueden leer y escribir: estructura lo que sabes para que los agentes lean solo lo que necesitan, y significa que nunca te expliques dos veces.
- Sammi
Tengo una carpeta llamada reports, plans y code-reviews en cada repositorio. Pongo mis archivos md para agentes ahí, y listo, están en la nube junto con mi código fuente en git. Simplemente hablo con mi agente local sobre estos archivos y encuentra cosas usando grep y lo que sea. Hecho. Sin necesidad de mcp ni servidor especial.
Me han presentado productos como ozbrain antes, pero no he visto la necesidad sobre lo que ya tengo. Me parece más complicación sin beneficio.
¿Me estoy perdiendo de algo?
- gavinboston
¿Tienes una solución para la degradación en precisión al compilar mayores cantidades de texto producido por LLM?
También estoy construyendo sistemas de conocimiento/memoria para LLM y me ha sorprendido lo malos que son los LLM, incluso los modelos de última generación, al resumir lotes de texto de entrada no triviales. Se equivocan, distorsionan el significado subyacente o los datos, etc.
- sinuhe69
Creo que la pregunta central para un sistema de memoria así es si nosotros o los agentes podemos encontrar la información relevante y cómo organizar estos datos a medida que llegan cambios continuamente. ¿Perderíamos algo en el proceso de recuperación? ¿Cómo organizamos la información para que se mantenga actualizada y correcta sin acumular basura? Por supuesto, podemos seguir concatenando los datos y etiquetarlos con versión y fecha, pero entonces tenemos que enfrentar el problema de extraer la información relevante en poco tiempo. Si delegamos ese problema a un LLM, el rendimiento de recuperación de contexto largo se degradará y el costo explotará.
Esa es la razón por la que condensamos la información en primer lugar. Olvidar + Sintetizar son partes necesarias del aprendizaje y, básicamente, con memoria + recuperación inteligente queremos construir un sistema de aprendizaje.
- rgbrgb
bonito :)
> me encantaría saber cómo lo hiciste
esta es la nuestra que construimos para Hedgy https://setoku.com
nuestro enfoque fue construir un data lake que absorbe datos de la empresa en clickhouse y lo une a un almacén de conocimiento. de esta manera el cerebro tiene un flujo de hechos en vivo y construye conocimiento a su alrededor. renunciamos a intentar hacer el almacén de conocimiento legible para humanos -- creo totalmente que podría haber algo ahí, pero por ahora solo nos importa mejorar el agente que estás usando. hace que mi claude code sea muy bueno para depurar y le da a todos una forma de vibecode dashboards y pequeñas herramientas internas con datos reales.
también ejecuto una instancia personal para mi esposa y para mí que absorbe monarch money y gmail. principalmente lo uso para conversar sobre grandes movimientos de dinero.
- jen729w
Soy Johnny.Decimal. [0]
Uso una bóveda de Obsidian y mi sistema. "Está en 23.16", le digo a Claude. A partir de eso puede encontrar al instante mis notas y archivos.
No se necesita software adicional. Solo algo de estructura básica. A Claude le encanta. [1]
Ah, sí, y para mantener el contexto de la conversación contenido para que puedas /resume y demás, simplemente
$ cd 23.16
$ claude