【AI工具】Perplexity Brain深度评测：AI Agent记忆系统从记住你到学会工作的范式转移

引言：AI记忆正在从用户画像进化到工作图谱

2026年6月18日，Perplexity正式推出了 Brain ——一个为Computer Agent打造的自进化记忆系统。与传统AI记忆记住用户偏好不同，Brain选择了一条截然不同的路径：它不记住你是谁，而是记住Agent做了什么、什么有效、什么失败、用户做了哪些修正。

Perplexity将这种记忆框架定义为两个维度：

• 关于什么：传统记忆关于用户；Brain关于Agent的工作
  
• 为了什么：传统记忆为了提升用户参与感；Brain为了提升Agent性能
  

这不是一个功能更新，而是对AI记忆本质的重新定义。

一、Brain的核心机制：上下文图谱

Brain构建了一个可追踪的上下文图谱，帮助Computer理解用户的世界并从工作中学习。这个图谱以LLM Wiki的形式存在，自动加载到Agent沙盒中。

Wiki页面反映用户世界中的概念、人物、项目和其他元素。Computer可以遍历这张个人信息网络，像人类同事一样了解业务背景。

关键特性：

• 增量更新：Brain在夜间综合用户的会话、连接器结果、源文档变更和修正，自动刷新Wiki
  
• 可追溯性：每条记忆条目都链接回来源会话、文件或数据源，便于调试和建立信任
  
• 自学习循环：Agent记住哪些项目、连接器、工件能带来最佳输出，也记住失败和死胡同
  

二、性能数据：早期测试结果

Perplexity公布了内部测试的初步数据：

指标	变化	条件
回答正确率	+25%	Computer之前处理过的任务
召回率	+16%	早期结果
成本	-13%	需要历史上下文的任务

Perplexity强调，这些数字会随着使用时间的增加而持续改进。Agent越了解用户的世界，表现越好。当前的token消耗被视为对未来更高效token使用的投资。

三、实战场景：Brain如何改变工作流

• 数据科学家：每周运行管道审计。Brain记住可靠的数据源和过去的修正，下次审计从更优的地图开始，减少死胡同。
  
  
• 客服团队：通过连接器分流工单。Brain学习哪些来源解决了过去的工单，未来路由更快更准。
  
  
• 开发者：跨仓库调试。Brain记住上次哪些文件是关键，Computer用更少的模型调用就能定位根本原因。
  

核心收益来自历史复用：Agent不需要两次学习相同的上下文。

四、技术启示：递归自改进的实现逻辑

虽然Perplexity尚未公开Brain API，但其设计模式可以概括为：

• 记录每次任务的结果和来源
  
• 记录用户的修正和反馈
  
• 夜间综合所有会话，提取可复用的经验教训
  
• 将经验教训写入长期记忆，供未来任务调用
  
• 形成做得越多，越聪明的正反馈循环
  

这与传统RAG（检索增强生成）的区别在于：RAG是静态知识库，Brain是动态经验积累。RAG回答我知道什么，Brain回答我学会了什么。

五、局限与思考

• 数据封闭：目前仅Perplexity Max和Enterprise Max订阅用户可用，处于Research Preview阶段
  
• 第一方数据：性能数据来自Perplexity内部测试，第三方独立验证尚待观察
  
• 隐私考量：Agent记住的工作细节涉及敏感业务信息，数据安全和访问控制需要关注
  
• 锁定风险：记忆积累在Perplexity生态内，迁移成本随使用时间递增
  

六、总结：AI Agent的肌肉记忆时代

Brain代表了一个重要趋势：AI Agent正在从每次对话都是新的开始进化到拥有持续学习和改进的能力。

如果说传统AI记忆是让用户感到被理解，那么Brain让Agent变得更擅长工作。这不是关于情感连接，而是关于效率提升。

对于重度使用AI Agent的用户来说，Brain意味着：

• 更少的重复解释
  
• 更精准的任务执行
  
• 更低的长期成本
  
• 真正个性化的工作助手
  

讨论话题：

• 你更希望AI记住你是谁还是你做什么？
  
• 如果AI Agent能积累工作经验，你会更依赖单一平台吗？
  
• Brain的模式是否适用于其他Agent产品（如Claude、GPT-4o的Computer Use）？
  

参考资料：Perplexity Brain官方发布、MarkTechPost深度报道