Perplexity 推出 Brain：一種自我改進的記憶系統，構建代理工作上下文圖並夜間學習

Perplexity 今日發佈了 Brain，一種為其代理產品 Computer 設計的自我改進記憶系統。與大多數 AI 記憶不同，Brain 不是記住用户，而是專注於記錄代理執行的工作。它構建了一個可追溯的上下文圖，記錄哪些操作成功、哪些失敗、用户做出了哪些修正。在設定的時間間隔（例如夜間），Brain 會審查這個圖，並自我學習如何更有效地完成工作。隨着使用時間的增加，Computer 的效率會不斷提升。目前 Brain 已向 Perplexity Max 和 Enterprise Max 用户提供研究預覽。

傳統 AI 記憶主要圍繞用户，存儲用户的偏好、口味、工作風格、聯繫人和角色，目的是提高用户參與度。而 Brain 則圍繞代理的工作構建記憶，目的是提升代理的表現。Perplexity 認為，幫助代理變得更好是記憶最重要的目的。通過這種工作記憶，用户可以構建一個由想法、人物、項目等元素組成的 LLM 百科，便於代理遍歷和利用。

Brain 的上下文圖是增量更新的。夜間，系統會合成用户的會話記錄、連接器結果、源文檔變化以及用户所做的修正。這種不斷更新的上下文為 Computer 提供了更強的信號，指導它下一步該做什麼、去哪裏查找信息。更重要的是，每條記憶條目都鏈接到其來源會話、文件或源文檔，確保了可追溯性，便於調試和建立信任。

Brain 具有遞歸自我改進的能力。代理會學習哪些項目、連接器、工件和源文檔能帶來最佳輸出，也會從錯誤中學習——記住用户何時進行了修正，以及哪些源是死衚衕。這導致更少的交互輪次、更少的模型調用和更好的輸出。Perplexity 團隊將當前的令牌使用視為對未來更高效令牌使用的投資。

早期內部測試結果顯示，在之前見過的任務上，回答正確性提升了 25%，召回率提高了 16%，而在需要歷史上下文的任務上，成本降低了 13%。Perplexity 指出，使用時間越長，效果越好，代理會逐漸學習用户的世界。不過這些仍是早期的第一方數據。

Brain 在實際應用中有多種用例。例如，數據科學家每週進行管道審計時，Brain 會記住可靠的來源和過去的修正，使下一次審計從更好的地圖開始。支持團隊通過連接器分類工單時，Brain 可以學習哪些來源解決了過去的工單，從而更快地分配未來的工單。開發者在多個倉庫間調試時，Brain 會記住上次相關的文件，使 Computer 用更少的模型調用找到根本原因。

儘管 Perplexity 尚未發佈 Brain 的 API，但其模式可以輕鬆建模。開發者可以想象一個自包含的 ContextGraph 類，用於記錄任務、結果和來源，夜間通過 synthesize 方法進行自我改進。第一天沒有記憶時，任務需要審查；經過日誌記錄和夜間同步後，第二天同一任務就能得到正確結果。

Brain 的優勢在於將記憶聚焦於工作而非用户，直接提升代理性能；上下文圖可追溯；夜間合成將過去的會話轉化為更好的起點；具體的性能提升數據。但同時存在開放性問題：數據為首次方且早期，尚無獨立基準；Brain 僅限 Max 和 Enterprise Max 用户研究預覽；夜間更新意味着改進按計劃進行，非即時；持久化工作歷史引發數據治理問題。總體而言，Brain 代表着 AI 記憶設計方向的轉變，從以用户為中心轉向以工作為中心，為代理的持續自我改進提供了新的路徑。