Selvforbedrende hukommelse til agenter

En populær mental model inden for AI er at betragte en agent som en medarbejder. En ny evne kan svare til "en nyuddannet fra universitetet" eller "en 2.-års analytiker". Dette er ikke den bedste måde at tænke på AI-evner på, men det illustrerer et afgørende koncept for AI i arbejde: når du ansyr en medarbejder, forventer du, at de lærer og udvikler sig på jobbet.

AI-agenter bør gøre det samme. Dette lægger op til et nærmere kig på, hvad "hukommelse" egentlig betyder inden for AI.

Vi introducerer Brain

I dag lancerer vi en helt ny tilgang til hukommelse i AI. Vi kalder det Brain.

Brain er et selvforbedrende hukommelsessystem. Det opbygger en kontekstgraf over det arbejde, Computer udfører. Med faste mellemrum, f.eks. natten over, gennemgår Brain kontekstgrafen og lærer sig selv at udføre arbejdet bedre.

Jo mere arbejde du udfører, jo bedre og mere effektiv gør Brain din Computer.

En bedre model for AI-hukommelse

Der er to vigtige akser for hukommelse i AI. Den første handler om, hvad hukommelsen handler om, og den anden handler om, hvad hukommelsen bruges til.

Traditionelt har AI-hukommelse handlet om dig, brugeren. Dine præferencer, smag, arbejdsstile, kontakter, rolle og meget mere. Brain baner vejen for en langt mere effektiv model for AI-agenter: Brain husker, hvad agenten gjorde. Den husker, hvad der virkede, og hvad der mislykkedes, og hvilke rettelser der blev foretaget i arbejdet. Den lærer at udføre bedre arbejde.

For det andet tjener AI-hukommelse om brugeren det formål at hjælpe dig med at føle dig mere engageret i AI-agenten. Arbejdshukommelse som Brain tjener det formål at hjælpe agenten med at blive bedre til sit job. Dette er det vigtigste formål med hukommelse.

Tilsammen forbedrer denne tilgang til hukommelse Computers ydeevne over tid. Hver dag har Computer med Brain et bedre udgangspunkt for hver enkelt ny opgave. Det skyldes, at Brain skaber et friskt kort over det, brugeren sandsynligvis håber at opnå baseret på tidligere sessioner, hvad der har virket, og hvad der ikke har.

Det betyder, at Computer kan nå frem til svar hurtigere, få adgang til de mest pålidelige kilder og undgå at spilde tid og tokens.

Rekursiv selvforbedring

Brain bliver bedre, jo mere du bruger Computer. Agenter bliver mere effektive til at opdatere konteksten, når de lærer de projekter, connectors, artefakter og andre kilder at kende, der fører til de bedste resultater.

De lærer også af deres fejl og husker, hvornår en bruger har foretaget en rettelse, eller hvornår en kilde var en blindgyde. Det resulterer i færre vendinger, færre modelkald og bedre resultater.

Dette feedbackloop er det, der gør Brain løbende selvforbedrende.

For brugerne bliver agenterne bedre til at forstå den kontekst, de har brug for at kende for at udføre arbejdet. Det betyder også, at det nuværende tokenforbrug er en investering i et mere effektivt tokenforbrug senere.

Kontekstgrafen

Brain danner en levende kontekstgraf for Computer ved at oprette en sporbar graf, der hjælper Computer med at forstå brugerens verden, lære af deres arbejde og anvende det arbejde på fremtidige opgaver.

Kontekstlaget har form af et LLM-wiki, der automatisk indlæses i agentens sandbox. En brugers LLM-wikisider afspejler de idéer, personer, projekter og andre elementer, der udgør deres verden, hvilket gør det muligt for Computer at navigere i dette netværk af personlige oplysninger.

Wikien opdateres trinvist af Brain-systemet i løbet af natten, mens den syntetiserer brugerens sessioner sammen med connector-resultater, ændringer i kildedokumenter og foretagne rettelser.

Den vedvarende opdaterede kontekst giver Computer et stærkere signal om, hvad den skal gøre, hvor den skal kigge, og hvordan den skal levere resultater for en bruger.

Forbedret ydeevne

Udvid

Tidlige måleresultater viser, at Brain øger svarkorrektheden med 25 % på opgaver, som Computer har set før. Og genkaldelsen stiger med 16%.

De samme resultater viser, at Brain reducerer omkostningerne ved opgaver, der kræver historisk kontekst, med 13 %. Og resultaterne for personer, der bruger Brain i længere tid, forbedres, efterhånden som agenterne lærer deres verden at kende.

Brain viser også sit arbejde, ligesom andre resultater genereret af Perplexity. Hver hukommelsespost linker tilbage til den session, fil eller kilde, den kom fra.

Drivkraft for proaktiv AI

Kun gennem kontinuerlig læring bliver Computer den proaktive AI, som brugere og virksomheder efterspørger. Agenter lærer og husker arbejdet og hvordan de bliver bedre til det.

Frontier AI er det individuelle system, du bygger til AI i din egen organisation. Når agenter aktivt lærer af det arbejde, vi udfører, kan de identificere muligheder, vi ikke spurgte om, eller gøre opmærksom på et problem, før nogen har bemærket det.

Denne version af Brain er blot begyndelsen. Vi vil snart annoncere nye funktioner.

Brain udrulles i dag til Max- og Enterprise Max-abonnenter i Research Preview.