AI 記憶升級：Perplexity 推出 Brain 系統，讓 AI 代理學會「自我優化」
編輯核心觀點
- ✦Perplexity 推出 Brain 記憶系統，將 AI 的記憶核心從「用戶偏好」轉向「工作流程紀錄」。
- ✦Brain 透過夜間自動合成上下文圖譜，讓 AI 代理能從過往錯誤與成功經驗中自我學習。
- ✦初步測試顯示，該系統能提升 25% 的回答正確率，並降低 13% 的任務執行成本。
AI 記憶的新維度：從「認識用戶」到「優化工作」
傳統 AI 記憶多半聚焦於用戶個人檔案，如偏好、工作風格或角色設定，目的在於增強互動感。然而，Perplexity 最新推出的 Brain 系統採取了截然不同的路徑。Brain 不再執著於「你是誰」，而是專注於「AI 代理（Agent）做了什麼」。
這套系統的核心在於建立一個「上下文圖譜（Context Graph）」，將 AI 執行任務的過程視覺化且可追溯。Brain 會將這些工作紀錄視為一種「LLM 維基百科」，並在每日夜間進行自動合成，將過往的對話紀錄、資料庫連結結果與修正建議整合，讓 AI 在下一次執行任務時，能擁有更精確的決策依據。
遞迴式自我優化：讓 AI 越用越聰明
Brain 的運作邏輯在於建立一個反饋循環。當用戶在 AI 執行任務時進行修正，或是 AI 發現某個資料來源是死胡同（Dead end），Brain 會將這些經驗納入圖譜。隨著使用時間增加，AI 代理能學習到哪些檔案、連結或專案能產出最佳結果，從而減少模型呼叫次數，提升效率。
Perplexity 內部測試數據顯示，Brain 在特定指標上表現顯著：
- 回答正確率：提升 25%（針對 AI 曾執行過的任務）。
- 資訊召回率：提升 16%。
- 執行成本：降低 13%（針對需要歷史脈絡的任務）。
實際應用場景
Brain 的設計旨在解決重複學習的問題，以下是三個具體的應用範例：
- 資料科學分析：在進行每週管線稽核時，Brain 能記住過往可靠的數據來源與修正紀錄，避免 AI 重複走入無效的分析路徑。
- 客服票務處理：AI 能透過連結器（Connectors）學習過往解決票務的成功案例，進而加速未來類似問題的路由與處理。
- 軟體開發除錯：在跨儲存庫除錯時，Brain 能記住上次有效的檔案路徑，讓 AI 以更少的模型呼叫次數找到問題根源。
現階段限制與挑戰
目前 Brain 僅開放給 Perplexity Max 與 Enterprise Max 訂閱用戶進行「研究預覽（Research Preview）」。儘管初步數據亮眼，但 Perplexity 也坦言，這些數據皆為內部測試結果，尚未經過獨立基準測試驗證。此外，由於更新機制設定在夜間，系統無法達到「即時」優化。同時，將工作歷史持久化儲存於上下文圖譜中，也引發了關於資料治理的討論。
