Perplexity 推出了 Brain，這是一套為旗下 Computer agent 打造的記憶系統，而有意思的地方在於它選擇記住什麼。消費級 AI 記憶過去多半意味著回想使用者的偏好，例如讓聊天機器人記住你的名字或寫作風格這類事情，而 Brain 記住的是 agent 自身的工作，也就是它做了什麼，哪裡出了錯，以及它學到了什麼。該公司在 6 月 18 日以一項 research preview 的形式宣布了這套系統。

它的核心是一個 context graph，Perplexity 把它描述為一份自動建立的維基，描繪出使用者世界裡的人物，專案，想法與各個環節。當 agent 工作時，它會記錄任務，結果與修正，而圖中的每一個條目都連回它來源的工作階段，檔案或文件。這種可追溯性正是重點所在，這個 agent 不再只是對自己所知有個模糊的概念，而是能夠指出某項知識的源頭。

自我改進的部分發生在夜間。每天晚上，Brain 檢視當日的工作階段，把待處理的修正綜合成可重複使用的經驗，而在日後，agent 會在開始類似任務之前調出相關的經驗。實際上，這套系統的設計是為了不再重複自己的錯誤，就像一名新進員工那樣從被糾正中學習，而不是每一項任務都從一張白紙開始。

Perplexity 提出了這套做法的第一方成果，在重複任務上答案正確率提升 25%，召回率改善 16%，並在依賴歷史的工作上把成本降低 13%。目前 Brain 是一項 research preview，僅供 Perplexity Max 與 Enterprise Max 訂閱者使用，並且沒有公開的 Brain API。該公司展示了示意性的虛擬程式碼，但尚未推出讓外部開發者在其上開發的途徑。

值得關注的原因在於，它指向了 agent 記憶的走向。記住一名使用者很容易，而且大多只是表面功夫，但記住工作，把每一條記憶都扎根於它的來源，並將經驗整合起來讓系統隨時間改進，這才是更困難也更有用的問題，而那一步夜間綜合也是對記憶在更廣泛層面如何鞏固的一個可辨識的呼應。這些保留意見就是預覽版的標準情況，數字是 Perplexity 自己的，沒有獨立評估，而且使用權受限。但一個 agent 因為記得第一次哪裡做錯了，於是第二次處理同一任務時明顯做得更好，這比起只記住你名字的記憶，是一種更有意義的記憶。