代理的自我改進記憶

AI 領域中的一個熱門心智模型，是將 AI 代理視為一名工作人員。一項新能力可能相當於「應屆大學畢業生」或「二年級分析師」。這並非思考 AI 能力的最佳方式，但它確實說明了 AI 工作中的一個關鍵概念：無論您聘請哪位工作人員，您都會期望他們在工作中學習與成長。 

AI 代理也應如此。這引發了我們對 AI 中「記憶」真正含義的深入探討。  

Brain 介紹

今天，我們推出了一種全新的 AI 記憶方法，我們將其稱為 Brain。 

Brain 是一個自我改進的記憶系統。它會構建一個 Computer 所執行工作的上下文圖譜。在設定的間隔時間（例如隔夜）內，Brain 會審閱此上下文圖譜，並自行學習如何更有效地完成工作。 

您完成的工作越多，Brain 就會使您的 Computer 表現得越好、效率越高。 

更好的 AI 記憶模型

AI 記憶具有兩個重要軸向。首先是記憶的內容，其次是記憶的用途。 

傳統上，AI 記憶的主體是作為使用者的您，包括您的偏好、品味、工作風格、聯絡人、職位等。Brain 為 AI 代理開創了一種更有效的模型：Brain 記憶的是代理執行過的內容。它會記憶哪些操作成功、哪些失敗，以及對工作進行了哪些修正。它能透過學習來優化後續的工作表現。 

其次，關於使用者的 AI 記憶旨在幫助您與 AI 代理之間建立更緊密的互動感。而像 Brain 這種工作記憶，其目的則在於幫助代理提升工作表現。這是記憶最重要的目的。在此基礎上，這種記憶方法能隨著時間推移提升 Computer 的效能。每一天，具備 Brain 的 Computer 對於每項新任務都有更好的起點。這是因為 Brain 會根據過去的工作階段、成功與失敗的經驗，繪製出一張使用者最可能想要達成目標的最新地圖。 

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

遞迴式自我改進

隨著您使用 Computer，Brain 的表現也會隨之提升。當代理學習並掌握了產生最佳輸出的專案、連接器、成品及其他來源後，它們在更新上下文方面將變得更有效率。

它們還會從錯誤中學習，記住使用者何時進行了修正，或是何時某個來源屬於無效路徑。這能減少作業流程與模型呼叫次數，並提升輸出品質。

正是這種反饋循環，使 Brain 能夠持續自我改進。 

對使用者而言，代理能更深入理解完成工作所需的上下文。這也代表當前的 Token 使用量是一種投資，旨在未來實現更高效的 Token 使用。   

上下文圖譜 

Brain 透過建立可追溯的圖譜，為 Computer 形成一個動態的上下文圖譜。這有助於 Computer 理解使用者的世界、從其工作中學習，並將這些經驗應用於未來的任務。

上下文層的形式為一個 LLM 維基，並會自動載入至代理沙箱中。使用者的 LLM 維基頁面反映了構成其世界的構想、人員、專案與其他元素，讓 Computer 能夠穿梭於這張個人資訊網路中。 

該維基會由 Brain 系統於夜間進行增量更新，綜合使用者的工作階段、連接器結果、來源文件變更以及所做的修正。 

這種持續更新的上下文，為 Computer 提供了更明確的訊號，指引它該做什麼、去哪裡尋找，以及如何為使用者提供輸出。  

效能提升 

放大

初步測量結果顯示，在 Computer 曾經執行過的任務中，Brain 將答案正確性提高了 25%，召回率則提升了 16%。

同樣的結果顯示，對於需要歷史上下文的任務，Brain 將成本降低了 13%。對於長期使用 Brain 的使用者，隨著代理對其世界的瞭解加深，結果也會持續改善。 

如同 Perplexity 產生的其他輸出一樣，Brain 也會展示其運作方式。每一條記憶項目都會連結回其來源的工作階段、檔案或原始資料。

驅動主動式 AI

唯有透過持續學習，Computer 才能成為使用者與企業所期待的主動式 AI。代理會學習並記憶工作內容，以及如何提升工作表現。

前沿 AI 是您為組織內部 AI 所建立的個別系統。當代理主動從我們所做的工作中學習時，它們便能識別出我們未曾提及的機會，或在問題被發現前發出預警。

此版本的 Brain 僅是一個開始，我們很快會宣佈更多新功能。

Brain 於今日起開放給 Research Preview 中的 Max 與 Enterprise Max 訂閱用戶。