代理程式的自我改善記憶

AI 領域中一個常見的心智模型，是將代理程式視為員工。一項新能力可能相當於「應屆大學畢業生」或「第二年分析師」。這並不是思考 AI 能力的最佳方式，但它確實說明瞭工作 AI 的一個關鍵概念：每當你僱用任何員工時，你都會期望他們在工作過程中學習和成長。

AI 代理程式也應該如此。這引發了對 AI 中「記憶」真正含義的更深入探討。

隆重介紹 Brain

今天我們推出了 AI 記憶的全新方法。我們將其命名為 Brain。

Brain 是一個自我改善的記憶系統。它會建立 Computer 執行工作的上下文圖表。在設定的時間間隔（例如夜間），Brain 會檢視上下文圖表，並自我學習如何更好地完成工作。

你做得越多，Brain 就會讓你的 Computer 變得更好、更有效率。

更好的 AI 記憶模型

AI 記憶有兩個重要軸心。第一個是記憶的內容，第二個是記憶的用途。

傳統上，AI 記憶一直是關於你（使用者）。你的偏好、品味、工作風格、聯絡人、角色等等。Brain 為 AI 代理程式開創了一個更有效的模型：Brain 會記住代理程式做了什麼。它會記住哪些方法有效、哪些失敗了，以及對工作做了哪些修正。它會學習如何做得更好。

其次，關於使用者的 AI 記憶，其目的是為了讓你感覺與 AI 代理程式的互動更緊密。像 Brain 這樣的工作記憶，其目的是為了幫助代理程式把工作做得更好。這是記憶最重要的目的。

總括來說，這種記憶方法隨著時間推移提升了 Computer 的效能。每天，配備 Brain 的 Computer 都能為每個新任務提供更好的起點。這是因為 Brain 根據過去的工作階段、成功和失敗的經驗，為使用者最可能想要完成的目標建立了一份全新的對應圖。

這意味著 Computer 可以更快取得答案、存取最可靠的來源，並避免浪費時間和 Token。

遞迴自我改善

隨著你使用 Computer，Brain 會變得越來越好。代理程式在學習引導至最佳產出的專案、連接器、成品和其他來源時，更新上下文的能力也會變得更強。

它們也能從錯誤中學習，記住使用者何時進行了修正，或者哪個來源是死路。這會減少回合數、減少模型呼叫次數，並帶來更好的產出。

這種回饋迴圈正是 Brain 持續自我改善的原因。

對使用者而言，代理程式能更有效地理解完成工作所需的上下文。這也意味著當前的 Token 使用量，是對未來更有效率使用 Token 的一項投資。

上下文圖表

Brain 透過建立可追溯的圖表為 Computer 形成一個動態的上下文圖表，幫助 Computer 理解使用者的世界、從他們的工作中學習，並將該工作應用於未來的任務。

上下文層採用 LLM 維基（wiki）的形式，會自動載入到代理程式沙箱中。使用者的 LLM 維基頁面反映了構成其世界的想法、人物、專案和其他元素，允許 Computer 穿梭於這張個人資訊網路中。

Brain 系統會在夜間綜合使用者的工作階段以及連接器結果、來源文件的變更和所做的修正，以增量方式更新維基。

這種持續更新的上下文為 Computer 提供了更強烈的信號，指引其該做什麼、在哪裡尋找，以及如何為使用者交付產出。

效能提升

放大

早期測量結果顯示，在 Computer 曾見過的任務上，Brain 將答案正確性提高了 25%。且召回率提升了 16%。

相同的結果顯示，Brain 將需要歷史上下文的任務成本降低了 13%。隨著代理程式更深入了解使用者的世界，使用 Brain 時間越長的人所獲得的結果也會越好。

如同 Perplexity 產生的其他輸出一樣，Brain 也會展示其工作過程。每個記憶條目都會連結回它所來源的工作階段、檔案或來源。

驅動主動式 AI

唯有透過持續學習，Computer 才能成為使用者和企業向我們要求的積極主動式 AI。代理程式會學習並記住工作內容以及如何做得更好。

前沿 AI 是你為自己的組織中的 AI 所建立的個人化系統。當代理程式從我們所做的工作中積極學習時，它們可以識別出我們未曾詢問的機會，或在任何人注意到之前標記出問題。

這個版本的 Brain 只是個開始。我們很快就會宣佈新功能。

Brain 從今天開始向研究預覽版中的 Max 和 Enterprise Max 訂閱者推出。