Perplexity公司今天发布了Brain，这是一个用于其计算机 Agent 的记忆系统，它会随着使用次数的增加而变得更加智能。它并非通过记住你的姓名或职位来实现这一点，而是通过记录 Agent 实际执行的操作来实现。
Perplexity公司表示：“借助Brain，计算机在开始每项任务时，都会充分考虑您的项目、决策和来源，而不是从零开始。每一项记忆都会以完全透明和可控的方式链接回其来源的会话、文件或来源。”
每次计算机完成一项任务时，大脑都会将其添加到上下文图中。该图会记录使用了哪些连接器、哪些数据源有效、用户进行了哪些修正以及哪些操作失败。大脑会定期（默认情况下为夜间）重新生成该图，并更新一个个人 LLM wiki，该 wiki 会在下一个任务开始前加载到计算机的沙箱中。每个记忆条目都会链接回其来源的会话或文件，因此您可以追溯任何决策的源头。
逻辑很简单。大多数 AI 的记忆都与你，也就是用户有关——你的偏好、习惯、姓名。而大脑的记忆则与工作有关。它记录了智能体尝试过什么，哪些错误被纠正，以及哪些信息来源指向了有用的结果。对于任何旨在真正完成任务的系统来说，这都是一种更具实用性的记忆方式。
Perplexity 的早期指标显示，对于计算机已经处理过的任务，Brain 的答案正确率提高了 25%，记忆率提高了 16%，并且将上下文密集型任务的成本降低了 13%。这些数据是内部数据，并非第三方基准测试结果。但其方向合情合理：一个智能体如果每天早上都能知道上周哪些数据源失效，那么它就不需要浪费太多令牌来再次查找这些信息了。
这并非什么新领域。
有些人可能觉得这很酷，而另一些人可能会问“我是不是错过了什么？” 实际上，Perplexity 正在将一种小众技术推向主流市场。
OpenClaw自发布以来已在 GitHub 上积累了超过 37.9 万颗星，它几个月来一直在使用 Markdown 文件和 SQLite 数据库（支持 FTS5 全文搜索）来实现类似的功能，从而在会话之间持久化上下文。借助 Mem0 插件，内存捕获会在系统层自动完成，并且在重启和上下文压缩后仍然有效。
