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 今日釋出了 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 不是記住使用者，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、使用者做出了哪些修正。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。隨著使用時間的增加，Computer 的效率會不斷提升。目前 Brain 已向 Perplexity Max 和 Enterprise Max 使用者提供研究預覽。

傳統 AI 記憶主要圍繞使用者，儲存使用者的偏好、口味、工作風格、聯絡人和角色，目的是提高使用者參與度。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。透過這種工作記憶，使用者可以構建一個由想法、人物、專案等元素組成的 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，系統會合成使用者的會話記錄、聯結器結果、源文件變化以及使用者所做的修正。這種不斷更新的上下文為 Computer 提供了更強的訊號，指導它下一步該做什麼、去哪裡查詢資訊。更重要的是，每條記憶條目都連結到其來源會話、檔案或源文件，確保了可追溯性，便於除錯和建立信任。

Brain 具有遞迴自我改進的能力。代理會學習哪些專案、聯結器、工件和源文件能帶來最佳輸出，也會從錯誤中學習——記住使用者何時進行了修正，以及哪些源是死衚衕。這導致更少的互動輪次、更少的模型呼叫和更好的輸出。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，代理會逐漸學習使用者的世界。不過這些仍是早期的第一方資料。

Brain 在實際應用中有多種用例。例如，資料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。支援團隊透過聯結器分類工單時，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除錯時，Brain 會記住上次相關的檔案，使 Computer 用更少的模型呼叫找到根本原因。

儘管 Perplexity 尚未釋出 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，夜間透過 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使用者，直接提升代理效能；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；具體的效能提升資料。但同時存在開放性問題：資料為首次方且早期，尚無獨立基準；Brain 僅限 Max 和 Enterprise Max 使用者研究預覽；夜間更新意味著改進按計劃進行，非即時；持久化工作歷史引發資料治理問題。總體而言，Brain 代表著 AI 記憶設計方向的轉變，從以使用者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。