🎧 Luister dit verslag

1,0x

titel: Gebruiken wij GBrain goed? — Analyse na de Prism Labs-video
datum: 2026-07-04

Kort antwoord

Nee, nog niet optimaal. We gebruiken GBrain nu als een simpele zoekbak (302 documenten, allemaal doorzoekbaar). Maar de échte kracht uit de video — een zelf-verrijkend kennis-netwerk met feiten, links en autonome nachtelijke verwerking — staat bij ons uit. Onze brain-score is 45/100. Met een paar knoppen omzetten kan dat fors omhoog.

Wat GBrain kán (uit de video van Garry Tan / YC)

10.000+ bestanden geïndexeerd met slimme entity-relaties (alles hangt aan elkaar).
Autonome nachtelijke verrijking (nightly enrichment): het brein verbetert zichzelf terwijl je slaapt.
30 MCP-tools voor AI-agents om het brein te bevragen.
Skill-modules: kant-en-klare instructies zodat agents het brein goed gebruiken.
Bron-attributie + cron (het weet waar elk feit vandaan komt en houdt zichzelf actueel).

Wat Haarvisie NU doet (de meting, 4 juli)

Onderdeel	Wij	Wat het zou moeten zijn
Documenten	302 (concepten 175, feedback 59, projecten 30, referenties 28)	Prima start
Doorzoekbaar (embeddings)	✅ 100%	Goed
Links tussen documenten	❌ 0 (alle 302 zijn "orphan", los zand)	Het netwerk = de kracht
Feiten (recall)	❌ 0 — een zoekopdracht op "brand kleuren + fonts" gaf niks terug	Zou feiten moeten teruggeven
Autonome verrijking	❌ nooit gedraaid (0 cycles)	Elke nacht automatisch
Tags / timeline	❌ 0 / 0	Voor overzicht + geschiedenis
Skill-modules	❌ geen	Zodat de bots 'm goed gebruiken
Git-sync	❌ nooit gesynct, geen repo gekoppeld	Blijft dan vanzelf actueel
Brain-score	45 / 100	80+ haalbaar

De kern van het probleem

We hebben de bibliotheek (302 documenten netjes op de plank, doorzoekbaar). Maar we hebben geen bibliothecaris die verbanden legt, feiten uittrekt en de kast 's nachts opnieuw ordent. Dát is precies wat GBrain uniek maakt — en dat staat bij ons uit.

Concreet gevolg: als een bot vraagt "wat zijn de Haarvisie-merkkleuren?" krijgt hij nu geen feit terug, terwijl die info wél in de 302 documenten staat. De kennis is er, maar niet ontsloten.

Wat ik voorstel (gefaseerd, ik kan het zelf doen)

Feiten-extractie + enrichment aanzetten — laat GBrain door de 302 documenten gaan, feiten uittrekken en links leggen. Eenmalig draaien, daarna nachtelijk. → recall gaat werken, orphans verdwijnen.
Git-sync koppelen — koppel het brein aan de geheugen-repo zodat nieuwe kennis automatisch binnenkomt (past bij onze regel "geheugen onder git").
Meer voeden — nu 302 docs; onze Obsidian-vault heeft 1.600+ notities + alle verslagen. Die erin = veel rijker brein.
Skill-modules toevoegen — zodat Conductor/Sjakie/Coco het brein consistent gebruiken.
Nachtelijke cron — elke nacht automatisch verrijken (zoals in de video).

Eindresultaat: van een zoekbak (45/100) naar een echt zelf-lerend Haarvisie-brein (80+) dat feiten teruggeeft, verbanden legt en zichzelf actueel houdt.

Advies in 1 zin

De fundering staat (302 docs, doorzoekbaar), maar we benutten GBrains superkracht — autonome verrijking + kennisnetwerk + feiten — nog niet. Aanzetten is vooral een kwestie van de enrichment-motor starten en het brein blijven voeden.

Analyse door Conductor, 4 juli 2026 — gemeten via de gbrain MCP-tools (get_stats, get_health, recall).

🎙️ Bespreek met Jarvis