Brain: memória agêntica como uma wiki de conhecimento

Um sistema de ficheiros Markdown estruturado, rastreável e autoaperfeiçoável, compilado offline e navegado a pedido.

AutoresPerplexity Engineering

Os utilizadores do Computer realizam trabalho que se estende por meses e centenas de sessões. À décima sessão, o sistema deve ser muito mais produtivo do que na primeira. Deve acumular contexto sobre o utilizador, as suas preferências e o trabalho já realizado.

Por exemplo, quando lhe pedem para desenhar um diagrama de um fluxo de trabalho que o utilizador explicou anteriormente, o Computer deve recordar os detalhes e usá-los para criar e apresentar uma figura no estilo preferido do utilizador. O utilizador não deveria ter de voltar a explicar os detalhes do fluxo de trabalho nem reiterar a sua preferência por artefactos em PDF em vez de PNG; o sistema deve conseguir recuperar com precisão esse contexto a partir de sessões anteriores e aplicá-lo automaticamente.

A memória é a base da melhoria contínua dos agentes. Um sistema de memória eficaz deve ser estruturado, rastreável e adaptável, permitindo aos agentes pesquisar com a amplitude e a profundidade certas para cada tarefa e fundamentando cada decisão na informação mais atual.

Introdução

Dotar os agentes de contexto relevante é um problema com várias facetas. Primeiro, os agentes precisam de saber o que existe e como aceder-lhe. Segundo, quando encontram uma informação útil, precisam de ter a certeza de que está completa, correta e atualizada. Um facto isolado tem valor limitado, a menos que o agente consiga encontrar informação relacionada, verificar que provém de uma fonte fidedigna e garantir que não precisa de ser atualizado com uma observação mais recente.

Colocar ficheiros de memória estáticos diretamente no contexto do modelo maximiza a acessibilidade para os agentes, mas apresenta um clássico compromisso entre precisão e recall. Demasiada informação satura a janela de contexto do agente com itens de relevância cada vez menor, enquanto pouca informação degrada a qualidade das respostas por falta de contexto relevante. Em contrapartida, o acesso a pedido a bases de dados externas é mais flexível, mas transfere para o agente o ónus da navegação. As bases de dados vetoriais armazenam frequentemente fragmentos desligados, e as bases de dados de grafos exigem que os agentes saibam fazer consultas de forma eficaz.

Recentemente, apresentámos o Brain, um componente central do sistema de memória do Computer que oferece o melhor dos dois mundos. O Brain é uma wiki de conhecimento estruturada que assenta sobre ficheiros de memória estáticos e evidências. As citações ligam afirmações às respetivas fontes e as informações relacionadas estão ligadas lateralmente. A wiki organizada torna o contexto navegável a pedido, enquanto os artefactos detalhados são mantidos na camada abaixo.

Um Brain de exemplo baseado numa persona sintética.

O Brain liga-se a um sistema de memória abrangente com três componentes principais: armazenamento de memória duradouro, agentes em primeiro plano que utilizam a memória para responder a consultas e agentes em segundo plano que atualizam e melhoram a memória. A figura seguinte mostra estes componentes enquadrados na arquitetura global do sistema do Brain.

O sistema de memória é composto por memória duradoura partilhada, agentes em primeiro plano que utilizam a memória e agentes em segundo plano que atualizam a memória.

Neste artigo, descrevemos cada camada em profundidade, explicando como o Brain organiza a memória, como os agentes a utilizam e como os processos em segundo plano a mantêm atualizada. Apresentamos também resultados de avaliações internas que validam o design do Brain, demonstrando que melhora o desempenho dos agentes a um custo inferior.

Organização e armazenamento da memória

A memória precisa de uma representação que escale para todo o histórico de um utilizador sem forçar cada elemento de contexto a entrar no prompt. O sistema de memória do Computer representa o contexto persistente como um sistema de ficheiros. O Brain sintetiza conhecimento a partir de fontes em bruto, ligando temas relacionados e associando as afirmações às sessões e aos ficheiros que as sustentam. Esta estrutura, detalhada abaixo, permite-nos organizar a memória numa forma particularmente adequada para agentes.

Memória baseada em sistema de ficheiros

As sessões do Computer já decorrem numa sandbox com um sistema de ficheiros, uma shell e utilitários de E/S. Ao conceber o Brain, quisemos introduzir o mínimo possível de nova maquinaria na interface entre o modelo e a memória do agente. Foi por isso que construímos o Brain sobre uma camada de contexto nativa do sistema de ficheiros. A memória é materializada como ficheiros na sandbox, num diretório memory/, e o agente limita-se a usar nos ficheiros de memória as mesmas ferramentas que já usa em tudo o resto.

Na raiz da árvore de memória encontram-se três diretórios de nível superior que mantêm o contexto em diferentes níveis de abstração. knowledge/ é o próprio Brain, uma wiki de conhecimento sintetizada que liga entidades, conceitos, projetos ativos e aprendizagens passadas; notes/ contém excertos destilados organizados em pastas temáticas; e sessions/ guarda índices, resumos e transcrições completas como históricos em bruto. A figura abaixo mostra uma vista simplificada da estrutura.

Uma vista de exemplo da estrutura do sistema de ficheiros da memória.

As superfícies são deliberadamente redundantes. Para perguntas simples, de um único salto, muitas vezes basta pesquisar excertos em /notes por uma palavra-chave, enquanto a camada /knowledge é mais útil para perguntas que exigem juntar evidências de semanas ou meses de sessões do Computer.

Brain: a wiki de conhecimento

O Brain está formatado como uma wiki de LLM, um sistema de ficheiros Markdown interligados. Esta forma de Markdown pouco estruturado oferece uma visão holística do contexto existente, para que os agentes possam compreender facilmente que registos estão disponíveis, como se relacionam e onde encontrá-los. Cada página é uma vista mantida de um único tema; deve continuar útil quando lida isoladamente, ao mesmo tempo que facilita uma exploração mais aprofundada através de ligações.

Há dois tipos de ligações. As [[wikilinks]] são arestas de contexto. Ligam páginas lateralmente; um projeto pode ligar ao seu responsável, ao seu cliente ou aos conceitos de que depende. Segui-las responde à pergunta «que mais preciso de saber?» As referências [cite:N] são arestas de evidência. Ligam afirmações, no sentido descendente, às sessões em bruto ou às fontes de conectores que as sustentam. Segui-las responde à pergunta «como sei que isto é verdade?»

As figuras abaixo mostram como seria uma parte do Brain para uma persona sintética, uma investigadora de acessibilidade chamada Nadia. O seu Brain inclui uma página que sintetiza conhecimento de sessões e conectores sobre um projeto de exemplo: um sprint de design universal no Japão. A vista de grafo demonstra como as arestas de contexto e de evidência presentes na página ligam entidades e fontes relacionadas.

O Brain é um sistema de ficheiros Markdown.
As arestas de contexto e de evidência incorporadas formam uma estrutura de grafo que facilita a navegação.

O Brain é suportado por Git para preservar o histórico de versões, acompanhando a sua natureza em constante evolução. As páginas podem ser editadas ao longo do tempo, enquanto os registos de alterações guardam as atualizações principais e permitem aos agentes inspecionar facilmente versões e diffs anteriores. Isto também suporta a coordenação agêntica, que é fundamental, já que vários agentes podem estar a usar e a atualizar o Brain em simultâneo.

Utilizar o Brain

Ao responder a uma consulta do utilizador, os agentes têm de conseguir encontrar o contexto certo com o nível de detalhe certo. A estrutura do Brain facilita a exploração da memória pelos agentes. Os agentes podem escolher entre passos concretos, como seguir ligações de contexto para encontrar informação relacionada, seguir ligações de evidência para verificar afirmações ou chamar um subagente para obter e sintetizar contexto adicional. Orientamos o processo de exploração agêntica de várias formas, com o objetivo de maximizar a facilidade de acesso dos agentes à informação relevante.

Estratégia de exploração

Incluímos um índice compacto do Brain na mensagem inicial do utilizador, para que o agente comece com um conhecimento prático do que já existe. Depois, o agente interage com o Brain através de operações conhecidas: ler itens específicos referenciados pelo índice, usar grep para pesquisar entre páginas, seguir ligações e inspecionar citações, comparar revisões do Git e descer até às sessões ou às trajetórias em bruto. O bloco de código abaixo mostra comandos de exemplo para uma persona sintética.

bash
# 1. Orient: the index is a map of everything known cat memory/knowledge/index.md # 2. Target: find pages that touch the question grep -Ril "kyoto\|sendai" memory/knowledge/ # 3. Read the page; follow context edges as needed cat memory/knowledge/projects/japan-universal-design-sprint.md cat memory/knowledge/entities/sora-city-laboratory.md # via [[wikilink]] cat memory/knowledge/entities/sapphir-mobility-coop.md # via [[wikilink]] # 4. Only if the claim must be verified: resolve evidence # city bases → [cite:1], [cite:10] → pplx://sessions/<id> # # Example (pseudo, replace with your real tool): # pplx-session-fetch 1eaf53d4-09e0-5823-bb96-c8662f582708 --slice <slice-id> # 5. Some evidence lives outside the sessions # meeting slots → [cite:15] → connector://google-calendar # # pplx-connector-fetch google-calendar --query "japan-sprint"

Os agentes exploram este contexto através de um ciclo autodirigido, em vez de um pipeline fixo. Assim, o agente pode continuar a pesquisar até ficar satisfeito com o contexto encontrado. O agente também pode escolher quando inspecionar citações e evidências para encontrar ou verificar pormenores. Uma pequena questão de preferência pode ser adotada diretamente a partir de uma única página do Brain, enquanto uma decisão com consequências ou um conflito entre fontes pode justificar seguir a citação e ler o registo original. A estrutura baseada em grafos permite ao agente escolher entre próximos passos concretos, em vez de pesquisar sem rumo por informação relacionada.

O agente pode seguir ligações do Brain para novas páginas do Brain ou fontes de evidência até considerar que tem contexto suficiente para a tarefa.

Materialização de ficheiros

Para que a exploração agêntica funcione, o agente precisa de ter acesso a toda a árvore memory/ através do sistema de ficheiros da sandbox. Copiar a árvore inteira localmente sempre que uma sandbox arranca é dispendioso e desnecessário, já que o agente não vai tocar na grande maioria desses ficheiros. Outra opção seria usar um sistema de ficheiros remoto, para que os agentes possam aceder a qualquer ficheiro sem o copiarem localmente. No entanto, os agentes executam frequentemente milhares de operações no sistema de ficheiros num único comando; se cada uma se tornar um pedido de rede, o custo de ida e volta começa a dominar o ciclo de exploração. Em testes internos, cargas de trabalho simples de grep sobre um caminho remoto suportado por FUSE foram cerca de 400 a 500 vezes mais lentas do que as operações equivalentes sobre ficheiros locais.

Em vez disso, criamos um conjunto de trabalho local de ficheiros materializados, enquanto o corpus maior permanece por trás de um sistema de recuperação de memória. O Computer pré-carrega um mapa inicial (obtido a partir de memórias, sessões e resumos recentes e do conhecimento disponível) na sandbox quando esta arranca. Os agentes do Computer têm acesso a um Agente de Memória, um subagente que pode realizar pesquisa semântica e carregar um novo conjunto de ficheiros. Quando falta o contexto necessário, o Computer pode chamar o Agente de Memória com uma descrição da informação pretendida. O Agente de Memória pesquisa nos ficheiros, devolvendo de imediato uma síntese em texto e materializando os registos de suporte como ficheiros na árvore de memória. Desta forma, o conjunto de trabalho expande-se de forma natural e gradual ao longo do tempo, preservando caminhos estáveis e relações com as fontes para as evidências já presentes.

O pré-carregamento da sessão e a recuperação semântica pelo Agente de Memória carregam um mapa inicial dos ficheiros de que o agente mais provavelmente vai precisar.

Este design resolve de forma limpa o estrangulamento da latência. Guardar localmente os ficheiros relevantes garante que as operações no sistema de ficheiros necessárias para a exploração continuam rápidas, e a recuperação em lote permite que o conjunto de ficheiros materializados cresça sem exigir chamadas separadas para cada ficheiro nem carregar um grande número de ficheiros irrelevantes. O design de agentes aninhados também dá ao Computer as vantagens da recuperação agêntica sem exigir que o agente principal pesquise diretamente todo o corpus de backend sempre que necessário, preservando a sua própria janela de contexto para a informação de maior valor.

Manter o Brain

Os utilizadores estão constantemente a aprender com o trabalho que fazem e as conversas que têm, por isso a memória agêntica precisa de fazer o mesmo. Para continuar a ser útil, o Brain deve ser uma representação concisa do conhecimento mais importante. Devem ser criadas novas páginas para entidades novas e importantes, a nova informação deve ser adicionada às páginas relevantes do Brain e o contexto desatualizado deve ser removido atempadamente. Por exemplo, se o emprego de um utilizador mudar, o Brain deve refletir essa mudança: deve conter o novo emprego do utilizador e dar prioridade à informação relacionada com as suas novas responsabilidades e projetos.

O Brain é mantido por agentes em segundo plano a que chamamos Dream. Os agentes Dream são executados offline sobre a memória baseada em ficheiros, sintetizando nova informação em atualizações do Brain. Definimos cuidadosamente o âmbito e o comportamento dos agentes Dream para realizarem esta tarefa de forma eficiente, juntamente com salvaguardas específicas do Dream para garantir que as atualizações do Brain são consistentes e precisas.

Dream: agentes em segundo plano para refinamento da memória

Os agentes do Dream são executados em sandboxes com acesso ao mesmo sistema de ficheiros e às mesmas ferramentas só de leitura que uma sessão interativa do Computer teria, mas o seu único objetivo é melhorar o contexto para sessões futuras. Cada execução parte do Brain produzido por execuções anteriores, em vez de reconstruir o contexto do utilizador do zero. Em seguida, usa esse Brain atual para se orientar e produz um Brain atualizado para as execuções futuras utilizarem.

Os agentes do Dream trabalham em segundo plano para atualizar o Brain, formando um ciclo de automelhoria.

Um agente Dream recebe um ambiente e decide como explorá-lo, em vez de receber uma entrada fixa condensada num único prompt. Pode navegar na memória baseada em ficheiros, usar ferramentas de conectores aprovadas só de leitura para verificar um elemento de conhecimento e delegar partes delimitadas do trabalho em subagentes, incluindo o Agente de Memória. O âmbito e as responsabilidades do agente Dream estão especificados como uma Skill.

Em termos gerais, uma execução do Dream é composta por 4 fases:

  1. Orientação: o agente conclui um procedimento de orientação ordenado. Identifica o âmbito autoritativo, as instruções permanentes, o registo de eliminações, as entradas adicionais e as condições de paragem.
  2. Resumir sessões: para cada sessão nova (ou com novos turnos) desde a última atualização, o agente escreve (ou atualiza) um breve resumo da sessão.
  3. Associar factos a temas: o agente coloca cada observação que considera significativa no local adequado, que normalmente é uma página da wiki. Sonda e consulta conectores autenticados, quando disponíveis.
  4. Atualizar a wiki de conhecimento: o agente atualiza a wiki com base nas suas conclusões. Pode criar novas páginas para temas duradouros, rever páginas quando a síntese atual tiver mudado ou adicionar novas ligações ou citações que sustentem uma afirmação factual. Também pode optar por não fazer alterações quando o grafo atual já está correto.

Para garantir que todas as atualizações ao Brain são completas e consistentes, os agentes escrevem o estado proposto numa árvore de saída provisória. Não são feitas alterações permanentes até o agente ter efetuado todas as atualizações que considere necessárias. Coordenar essas decisões num único processo agêntico permite atualizar o grafo como um todo, e não como páginas sem relação entre si.

Os agentes Dream usam o Brain existente e a nova informação para propor e escrever atualizações.

Todas as alterações têm de passar dois tipos de verificações. As verificações de validação determinísticas garantem que as páginas estão bem formadas e cumprem critérios objetivos, como o frontmatter obrigatório e o formato das citações. As verificações semânticas garantem que uma síntese proposta é suportada pelas evidências recolhidas e se mantém consistente com o resto do grafo. Depois de o agente terminar com êxito, um passo de sincronização controlado compara o resultado preparado com o estado anterior e aplica as alterações ao repositório. Quando um passo de sincronização é concluído, o conjunto final de edições pode ser inspecionado através do histórico de versões do Git.

Validar o Brain

Um sistema de memória útil tem de preservar as evidências relevantes, apresentá-las quando necessário e ajudar o agente a converter essas evidências numa resposta correta. Por isso, avaliamos o Brain a vários níveis: ablações offline controladas, reprodução emparelhada contínua e experiências de produção aleatorizadas.

Avaliações offline

A nossa principal avaliação offline utiliza um conjunto de dados interno de 640 perguntas distribuídas por 44 personas sintéticas. As personas reproduzem padrões derivados da produção quanto à cadência das sessões, ao número de turnos, à combinação de temas e à densidade de factos, sem conterem qualquer texto de consultas de produção, para preservar a privacidade dos utilizadores. Cada conta é preenchida através do pipeline de memória de produção, incluindo a extração de memórias, os resumos de conversas e a compilação da wiki de conhecimento pelo Dream. Para cada pergunta, a resposta correta está mecanicamente ligada a evidências específicas presentes no histórico da conta.

Por exemplo, para a Nadia, a persona sintética de investigadora em acessibilidade apresentada anteriormente, o conjunto de dados inclui a pergunta «Com que organizações me vou reunir em Quioto e Sendai?» A resposta (Sora City Lab em Quioto e Sapphir Mobility Coop em Sendai) aparece diretamente na página correspondente da wiki.

Comparamos as mesmas perguntas e contas com a wiki de conhecimento compilada ativada e retirada. As restantes superfícies de memória permanecem disponíveis em ambas as condições. Isto isola o contributo incremental do Brain, em vez de comparar memória com ausência de memória. No total, o Brain aumentou a correção das respostas de 0,600 para 0,661, um ganho de 6,1 pontos percentuais, e o recall de evidências de 0,573 para 0,625, um ganho de 5,2 pontos percentuais. O efeito foi maior nas perguntas sobre preferências (+10,2 p.p.), raciocínio temporal (+8,6 p.p.) e extração de detalhes de atividade anterior (+6,9 p.p.). Em 84% das perguntas, o agente acedeu comprovadamente a uma fonte associada às evidências de referência.

O Brain melhora o desempenho no nosso benchmark interno.

Também realizámos ablações equivalentes do Brain em subconjuntos de dois benchmarks públicos. No LoCoMo, remover a wiki reduziu a correção das respostas em 4,6 pontos percentuais, em média, ao longo de três execuções com modelos diferentes. No LongMemEval-S, não produziu nenhuma alteração estatisticamente significativa. Este resultado é consistente com o papel pretendido do Brain. O LongMemEval-S testa sobretudo a recuperação de factos de sessões individuais, em que as transcrições subjacentes oferecem um caminho redundante para a resposta. O LoCoMo dá mais ênfase a evidências dispersas por conversas, interlocutores e datas, criando mais oportunidades para que a síntese entre sessões da wiki contribua.

No geral, com o Brain ativado, o agente de produção alcançou 0,91 de correção das respostas no LongMemEval-S e 0,83 no LoCoMo. Como estas experiências utilizaram subconjuntos dos benchmarks, não constituem resultados definitivos. No entanto, as ablações fornecem ainda assim um forte sinal de que a wiki melhora o desempenho, sobretudo quando é necessário integrar evidências de várias conversas. Como o Brain faz parte do Computer, e não é um sistema de recuperação otimizado e específico para benchmarks, acreditamos que a sua competitividade só aumentará em tarefas que se assemelhem mais aos fluxos de trabalho de produção.

Avaliações online

Os conjuntos de dados offline não conseguem captar todas as características dos históricos reais dos utilizadores, por isso também executamos diariamente uma avaliação emparelhada sobre coortes novas derivadas da produção. As mesmas perguntas fixas são respondidas com base num estado de utilizador equivalente, com o Brain ativado e desativado, e depois avaliadas quanto à correção, atualidade e recall.

Os resultados preliminares divulgados a 18 de junho demonstraram que o Brain aumenta a correção das respostas em 25% e o recall em 16%. Estes ganhos de desempenho têm-se mantido; nos últimos 30 dias, as sessões com o Brain ativado superaram o grupo de controlo em todas as execuções e em todas as dimensões avaliadas. Em termos absolutos, os utilizadores do Computer registaram melhorias de 9,3 pontos na correção, 8,0 pontos na atualidade e 8,9 pontos no recall. As trajetórias com o Brain ativado também usaram aproximadamente menos 15% de tokens, custaram menos 10% e concluíram a geração 10% mais depressa.

O Brain aumenta a qualidade das respostas e reduz o custo.

Melhoria contínua

Continuámos a aperfeiçoar o Brain para proporcionar aos utilizadores a melhor experiência de memória. Uma alteração recente coloca o índice compacto do Brain diretamente no contexto inicial do agente, em vez de exigir que o agente o descubra e leia mais tarde. Numa experiência aleatorizada, este pré-preenchimento aumentou a utilização do Brain e reduziu em 6,9% a insatisfação relacionada com a memória.

O harness de avaliação offline funciona também como parte de um pipeline de melhoria autónoma. As alterações propostas ao subagente de memória do Brain, às Skills de recuperação e aos prompts são submetidas às ablações correspondentes no nosso conjunto de dados interno e em benchmarks públicos. Os agentes do Computer podem iterar autonomamente sobre os resultados, preservando a alteração, os deltas e o custo de cada iteração como um registo duradouro e mantendo apenas as alterações que melhoram os números. O resultado é um sistema em que os avaliadores do Brain são também os seus otimizadores, impulsionando melhorias futuras.

Conclusão

A aprendizagem contínua é um dos desafios determinantes na criação de sistemas de agentes que funcionam ao longo de semanas e meses. Acreditamos que as arquiteturas de memória são mais bem expostas como ambientes que os agentes podem explorar diretamente com as suas ferramentas habituais. Expor a memória como um sistema de ficheiros, com o Brain como uma wiki de conhecimento estruturada por cima, torna o contexto navegável de forma eficiente através de ferramentas simples e familiares.

O Brain foi concebido para se autoaperfeiçoar, para que o sistema de memória continue a melhorar à medida que a utilização aumenta. Os agentes em segundo plano Dream destilam informação recente em atualizações do Brain, garantindo que os agentes em primeiro plano iniciam sempre uma nova sessão com uma visão organizada do contexto mais recente. O harness de avaliação serve também de campo de testes para ciclos de investigação autónoma sobre a arquitetura central de memória e as interfaces destinadas aos agentes.

O Brain já resultou em sessões de agente mais precisas e com melhor desempenho, reduzindo ao mesmo tempo os tokens gastos. A nossa conceção cuidadosa do Brain em conjunto com a stack de produção do Computer garante que estes ganhos se traduzem diretamente em benefícios reais para os utilizadores.

Continuamos a desenvolver mais capacidades para melhorar a qualidade da memória do Computer. Entretanto, para os utilizadores com o Brain ativado, a memória vai melhorar a cada sessão.

Citação

BibTeX
@online{perplexity2026BrainAgenticMemoryAsAKnowledgeWiki,
  author = {{Perplexity} and Nicholas Bien and Se Won Jang and Haomiao Li and Kate Jung and Ishbir Singh and Kartik Kapur and Kevin Lau and Peter Hart and Sidhant Rajadnya and Yan Shu and Phi Hoang and Claire Beamer and Jeremy Yang},
  title = {{Brain: Agentic memory as a knowledge wiki}},
  date = {2026-08-19},
  url = {https://www.perplexity.ai/hub/blog/brain-agentic-memory-as-a-knowledge-wiki}
}