面向智能体的自我完善记忆

在 AI 领域中，有一种流行的思维模式是将智能体（agent）视为工作人员。一项新功能可能相当于“应届大学毕业生”或“二级分析师”。虽然这不是思考 AI 功能的最佳方式，但它确实说明了 AI 工作中的一个关键概念：无论您聘用哪位工作人员，您都期望他们在工作中学习和成长。

AI 智能体也应如此。这促使我们更深入地审视“记忆”在 AI 中到底意味着什么。

引入 Brain

今天，我们推出了一种全新的 AI 记忆方法。我们将其称为 Brain。

Brain 是一个自我完善的记忆系统。它构建了一个关于 Computer 所执行工作的上下文图谱。Brain 会在设定的时间间隔（例如隔夜）回顾该上下文图谱，并学习如何更好地完成工作。

您完成的工作越多，Brain 就越能让您的 Computer 变得更出色、更高效。

一种更好的 AI 记忆模型

AI 记忆的重要性有两个维度。首先是记忆的内容，其次是记忆的用途。

传统上，AI 记忆是关于您（即用户）的，包括您的偏好、品味、工作风格、联系人、角色等。Brain 为 AI 智能体开创了一种更有效的模型：Brain 记住智能体所做的事情。它会记住哪些操作成功了，哪些失败了，以及对工作进行了哪些更正。它会学习如何完成更好的工作。

其次，关于用户的 AI 记忆旨在帮助您感觉与 AI 智能体互动更紧密。而像 Brain 这样的工作记忆，其目的在于帮助智能体更出色地完成工作。这是记忆最重要的目的。

总之，这种记忆方法随着时间的推移提高了 Computer 的性能。每天，配备 Brain 的 Computer 在处理每个新任务时都有更好的起点。这是因为 Brain 基于过去的会话、成功与失败的经验，为用户最可能想要完成的目标创建了全新的映射。

这意味着 Computer 可以更快地获得答案，访问最可靠的来源，并避免浪费时间和 Token。

递归式自我完善

随着您使用 Computer，Brain 会变得越来越好。当智能体学习到能带来最佳输出的项目、连接器、工件和其他来源时，它们在更新上下文方面会变得更加有效。

它们还会从错误中学习，记住用户何时进行了更正，或者来源何时是死胡同。这减少了交互轮次、模型调用次数，并带来了更好的输出。

这种反馈循环使得 Brain 能够持续自我完善。

对于用户而言，智能体能更好地理解完成工作所需的上下文。这也意味着当前的 Token 使用是对未来更高效使用 Token 的投资。

上下文图谱

Brain 通过创建一个可追溯的图谱为 Computer 形成一个鲜活的上下文图谱，帮助 Computer 理解用户的世界，从他们的工作中学习，并将该工作应用于未来的任务中。

上下文层以 LLM wiki 的形式呈现，并自动加载到智能体沙盒中。用户的 LLM wiki 页面反映了构成其世界的想法、人员、项目和其他要素，使 Computer 能够遍历这一个人信息网络。

该 wiki 由 Brain 系统在隔夜增量更新，它综合了用户的会话、连接器结果、源文档的更改以及所做的更正。

这种持续更新的上下文为 Computer 提供了更强的信号，使其能够明确做什么、去哪里查找，以及如何为用户交付输出。

性能提升

放大

早期测量结果显示，对于 Computer 之前见过的任务，Brain 将答案准确性提高了 25%，召回率提高了 16%。

同样的结果表明，对于需要历史上下文的任务，Brain 将成本降低了 13%。随着智能体学习他们的世界，使用 Brain 时间更长的人群效果也会提升。

Brain 也会像 Perplexity 生成的其他输出一样展示其工作过程。每个记忆条目都会链接回它所来源的会话、文件或来源。

赋能主动式 AI

唯有通过持续学习，Computer 才能成为用户和企业所要求的主动式 AI。智能体学习并记住工作内容以及如何更好地完成工作。

前沿 AI 是您为自己组织中的 AI 构建的个性化系统。当智能体主动从我们的工作中学习时，它们可以识别我们未曾询问的机会，或在问题被发现前发出警告。

此版本的 Brain 仅仅是个开始。我们很快将宣布新的功能。

Brain 今天向 Max 和 Enterprise Max 订阅用户开放研究预览版。