Perplexity Brain 深度解析：当 AI 学会记住自己的错误

2026 年 6 月 18 日，Perplexity 发布了 Brain——一个嵌入其 Computer Agent 产品的自改进记忆系统。Perplexity CEO Aravind Srinivas 在发布时这样定义：

"Brain is a self-improving context-graph of all your sessions, connectors, and files. Brain updates itself overnight with fresh context proactively, and feeds itself to every task on Computer."

这句话的核心信息是：Brain 不是又一个「记住用户偏好」的功能，而是一个让 Agent 记住自己工作历史的系统。

1.1 AI 记忆的三代演进

回顾 AI 记忆的发展，可以清晰地看到三个范式：

第一代：个人记忆（Personal Memory）。 以 ChatGPT Memory（2024 年 2 月上线）为代表。它记住的是用户的偏好——"我喜欢用 bullet points"、"我是 Python 开发者"、"我的猫叫 Luna"。本质上是用户画像的持久化。

第二代：项目记忆（Project Memory）。 以 Claude Projects（2024 Q3）和 claude.md 为代表。记忆从「用户级」下沉到「项目级」——一个项目有自己的上下文、规则、文件索引。这是协作记忆的雏形。

第三代：工作记忆（Working Memory）。 以 Perplexity Brain（2026 年 6 月）为代表。记忆的主体不再是用户，而是 Agent 自身的工作过程——它做过什么、做错了什么、学到了什么。这是真正意义上的自我改进记忆。

这三代演进的本质变化是：记忆的主体从「人」转移到了「Agent」。

Brain 的底层是一个 Perplexity 称为 "Living Context Graph"（活上下文图谱） 的数据结构。理解这个图谱是理解整个系统的关键。

2.1 上下文图谱的节点类型

上下文图谱不是简单的向量数据库，而是一个异构知识图谱。它包含以下节点类型：

• Session 节点：每次 Agent 执行的任务，包括输入、输出、工具调用序列
• Connector 节点：Agent 连接的外部数据源（Slack、GitHub、Google Drive 等）
• File 节点：Agent 处理过的文件及其版本
• Decision 节点：Agent 做出的关键决策及其理由
• Correction 节点：用户或系统对 Agent 输出的纠正——这是最有价值的节点

2.2 夜间合成机制

Brain 最独特的设计是夜间自动合成（Overnight Synthesis）。白天，Agent 正常执行任务，所有交互被记录到上下文图谱。夜间（低负载时段），一个专门的合成 Pipeline 启动：

1. 增量扫描：只处理当天新增的节点
2. 冲突检测：发现矛盾信息（如文件 A 的路径昨天是 /x，今天变成了 /y）
3. 知识蒸馏：将多个 Session 节点的细节压缩为高层摘要
4. 纠错标记：将 Correction 节点提升为高优先级规则
5. 图谱更新：将合成结果写回图谱，供次日使用

这个过程类似于人类睡眠时的记忆巩固（Memory Consolidation）——大脑在睡眠中将短期记忆转化为长期记忆，剔除噪声，强化重要信息。

Perplexity 公布了三组核心数据（来自内部测试，尚未经过第三方验证）：

3.1 为什么正确率能提升 25%？

关键在于 Correction 节点的权重机制。当用户纠正了 Agent 的一个错误（比如"不要用 lodash，我们用原生 ES Modules"），这条纠正会被：

1. 记录为 Correction 节点
2. 在夜间合成中被标记为高优先级规则
3. 在后续任务中，当 Agent 检测到相似上下文时，自动注入这条规则

这相当于给 Agent 加了一个自我纠错的反馈循环——不需要人工编写 system prompt，Agent 自己从错误中学习。

3.2 成本降低 13% 的来源

成本降低主要来自两个方面：

减少重复探索。 没有记忆的 Agent 每次遇到类似问题都要重新搜索、重新推理。Brain 让 Agent 能直接引用之前的工作结果，跳过探索阶段。

更精准的上下文注入。 传统方案是「把所有历史对话塞进上下文窗口」，Brain 的做法是「只注入与当前任务相关的合成摘要」——上下文利用效率更高，token 浪费更少。

# Brain 记忆检索的简化伪代码
class BrainMemoryRetriever:
    def retrieve(self, current_task: Task) -> ContextBundle:
        # 1. 从上下文图谱中检索相关节点
        relevant_nodes = self.graph.search(
            query=current_task.embedding,
            node_types=["session", "decision", "correction"],
            time_decay=True,  # 近期记忆权重更高
        )

        # 2. 过滤：只保留与当前任务类型匹配的节点
        filtered = [
            node for node in relevant_nodes
            if node.task_type == current_task.type
            and node.confidence > 0.7
        ]

        # 3. 合成：将多个节点压缩为上下文摘要
        synthesized = self.synthesizer.compress(
            nodes=filtered,
            max_tokens=2048,  # 控制注入量
            priority_order=["correction", "decision", "session"],
        )

        # 4. 注入：作为系统上下文附加到任务
        return ContextBundle(
            system_context=synthesized,
            source_links=[n.source_url for n in filtered],
        )

2026 年 6 月的 Agent 记忆赛道已经非常拥挤。让我们从多个维度对比四个主要方案：

4.1 设计哲学对比

4.2 技术路线差异

Brain 与 Engram（agent-084）的核心差异在于记忆的处理方式：

• Engram 是一个记忆基础设施——它提供记忆的存储、检索、权限管理，但「记什么」和「怎么用」由应用层决定
• Brain 是一个记忆应用——它不仅提供存储，还内置了合成、纠错、优先级排序等智能逻辑

用数据库类比：Engram 是 MySQL（通用存储引擎），Brain 是 Notion（带智能视图的知识管理应用）。

4.3 锁定效应分析

Brain 创造了一种独特的工作记忆锁定效应：一个使用了 6 个月的 Computer Agent 实例，积累了大量特定团队的工作历史、纠错记录和决策上下文——迁移到另一个 Agent 平台意味着丢失所有这些工作记忆。

这比 ChatGPT Memory 的锁定更强——用户偏好可以手动重建，但 6 个月的工作历史无法复制。

Brain 的发布不仅是产品更新，它标志着 Agentic AI 竞争轴心的转移。

5.1 竞争轴心：从「模型智能」到「记忆复利」

过去两年，AI Agent 的竞争焦点是底层模型有多聪明——谁的 benchmark 分数更高、谁的推理能力更强。Brain 提出了一个不同的命题：谁的 Agent 能积累更多有用的工作记忆，谁就能在实际任务中表现更好。

这意味着：

• 一个使用 Brain 6 个月的「老 Agent」，即使底层模型不变，其任务表现也会持续优于「新 Agent」
• Agent 的价值不再只是「聪明」，而是「有经验」——就像人类员工一样
• 记忆复利成为新的竞争壁垒

5.2 对开发者的启示

如果你在做 Agent 产品： Brain 证明了「自改进记忆」是一个可行的产品形态。考虑在你的 Agent 中加入类似机制——不需要从零构建，可以基于 Engram 或 Mem0 搭建。

如果你在用 Agent 产品： 选择有记忆能力的平台。一个没有记忆的 Agent 永远在「从零开始」，一个有记忆的 Agent 会「越用越好」。

如果你在做 AI 基础设施： 记忆层是下一个蓝海。Engram、Mem0、Zep 只是开始——未来的 Agent 技术栈中，记忆层将与模型层、工具层并列为三大核心组件。

5.3 未解决的问题

Brain 也面临几个尚未回答的问题：

1. 隐私边界：Agent 记住了所有工作历史，包括敏感信息。企业级部署需要细粒度的隐私控制
2. 记忆污染：如果 Agent 从错误中「学到了错误的教训」怎么办？合成机制需要防止过度泛化
3. 可解释性：当 Brain 注入的历史上下文影响了 Agent 的决策，用户能否理解「为什么 Agent 这样做」？
4. 跨平台迁移：工作记忆的锁定效应是否会阻碍市场竞争？