Perplexity 推出了 Brain，这是一套面向其 Computer agent 的记忆系统，而其中有趣的地方在于它选择去记住什么。以往消费级 AI 记忆大多意味着回想用户的偏好，比如让聊天机器人记住你的名字或写作风格，而 Brain 记住的是 agent 自己的工作，它做了什么，哪里出了错，以及从中学到了什么。该公司在 6 月 18 日将其作为一个 research preview 发布。

其核心是一张 context graph，Perplexity 将它描述为一个自动构建的维基，用来梳理用户世界中的人，项目，想法和各个环节。随着 agent 工作，它会记录任务，结果和纠正，而图中的每一条记录都会链接回它的来源会话，文件或文档。这种可追溯性正是重点所在，agent 不再只是对自己所知有一个模糊的印象，而是能够指出某项知识究竟从何而来。

自我改进的环节发生在夜间。每晚，Brain 会回顾当天的会话记录，把待处理的纠正综合为可复用的经验，而在之后的日子里，agent 会在着手处理类似任务前调取相关的经验。实际上，这套系统的设计目的就是不再重复自己的错误，像一名新员工那样从被纠正中学习，而不是每次任务都从一张白纸开始。

Perplexity 报告了这一方法带来的第一方收益，在重复任务上答案正确率提升 25%，召回率提升 16%，在依赖历史的工作上成本下降 13%。目前 Brain 是一个 research preview，仅向 Perplexity Max 和 Enterprise Max 订阅用户开放，并且还没有公开的 Brain API。该公司展示了示意性的伪代码，但尚未推出可供外部开发者在其上构建应用的途径。

这件事之所以值得关注，是因为它指向了 agent 记忆的发展方向。记住一个用户既容易，也大多只是表面功夫，而记住工作，把每一条记忆扎根于它的来源，并把经验综合起来使系统随时间不断改进，才是更难也更有用的问题，而夜间综合这一步骤明显呼应了更广义上记忆中的巩固机制。其中需要注意的限制都是预览阶段的常见情形，这些数字来自 Perplexity 自身，没有独立评估，而且访问受限。但一个 agent 因为记住了自己第一次哪里做错，第二次就在同一任务上明显做得更好，这是一种比只会记住你名字更有意义的记忆。