Perplexity 推出 Brain：一种自我改进的记忆系统，构建代理工作上下文图并夜间学习

Perplexity 今日发布了 Brain，一种为其代理产品 Computer 设计的自我改进记忆系统。与大多数 AI 记忆不同，Brain 不是记住用户，而是专注于记录代理执行的工作。它构建了一个可追溯的上下文图，记录哪些操作成功、哪些失败、用户做出了哪些修正。在设定的时间间隔（例如夜间），Brain 会审查这个图，并自我学习如何更有效地完成工作。随着使用时间的增加，Computer 的效率会不断提升。目前 Brain 已向 Perplexity Max 和 Enterprise Max 用户提供研究预览。

传统 AI 记忆主要围绕用户，存储用户的偏好、口味、工作风格、联系人和角色，目的是提高用户参与度。而 Brain 则围绕代理的工作构建记忆，目的是提升代理的表现。Perplexity 认为，帮助代理变得更好是记忆最重要的目的。通过这种工作记忆，用户可以构建一个由想法、人物、项目等元素组成的 LLM 百科，便于代理遍历和利用。

Brain 的上下文图是增量更新的。夜间，系统会合成用户的会话记录、连接器结果、源文档变化以及用户所做的修正。这种不断更新的上下文为 Computer 提供了更强的信号，指导它下一步该做什么、去哪里查找信息。更重要的是，每条记忆条目都链接到其来源会话、文件或源文档，确保了可追溯性，便于调试和建立信任。

Brain 具有递归自我改进的能力。代理会学习哪些项目、连接器、工件和源文档能带来最佳输出，也会从错误中学习——记住用户何时进行了修正，以及哪些源是死胡同。这导致更少的交互轮次、更少的模型调用和更好的输出。Perplexity 团队将当前的令牌使用视为对未来更高效令牌使用的投资。

早期内部测试结果显示，在之前见过的任务上，回答正确性提升了 25%，召回率提高了 16%，而在需要历史上下文的任务上，成本降低了 13%。Perplexity 指出，使用时间越长，效果越好，代理会逐渐学习用户的世界。不过这些仍是早期的第一方数据。

Brain 在实际应用中有多种用例。例如，数据科学家每周进行管道审计时，Brain 会记住可靠的来源和过去的修正，使下一次审计从更好的地图开始。支持团队通过连接器分类工单时，Brain 可以学习哪些来源解决了过去的工单，从而更快地分配未来的工单。开发者在多个仓库间调试时，Brain 会记住上次相关的文件，使 Computer 用更少的模型调用找到根本原因。

尽管 Perplexity 尚未发布 Brain 的 API，但其模式可以轻松建模。开发者可以想象一个自包含的 ContextGraph 类，用于记录任务、结果和来源，夜间通过 synthesize 方法进行自我改进。第一天没有记忆时，任务需要审查；经过日志记录和夜间同步后，第二天同一任务就能得到正确结果。

Brain 的优势在于将记忆聚焦于工作而非用户，直接提升代理性能；上下文图可追溯；夜间合成将过去的会话转化为更好的起点；具体的性能提升数据。但同时存在开放性问题：数据为首次方且早期，尚无独立基准；Brain 仅限 Max 和 Enterprise Max 用户研究预览；夜间更新意味着改进按计划进行，非即时；持久化工作历史引发数据治理问题。总体而言，Brain 代表着 AI 记忆设计方向的转变，从以用户为中心转向以工作为中心，为代理的持续自我改进提供了新的路径。