이미지: @perplexity_ai (X) 화면 갈무리 · METAL LAB 편집
摘要
- Perplexity于8月26日为其Agent系统Perplexity Computer推出了自我优化型记忆功能"Brain"。
- 在线A/B评测显示，开启Brain后综合质量得分从0.53升至0.62，token用量下降15%。
- 细分指标上，准确性提升9.3分，时效性提升8.0分，召回率提升8.9分；就在前一天，本地版本Portable Computer也已发布。
- 발표
- Perplexity, 2026-08-26 (X)
- 제품명
- Brain — Perplexity Computer용 자가개선 메모리 시스템
- 핵심 기능
- 세션·파일·출처를 구조화된 지식 위키로 컴파일
- 평가 방식
- 페어드 A/B, 최근 30일, 페어당 약 854개 사례
- 종합 품질 점수
- Brain 켬 0.62 vs 끔 0.53 (+9pp)
- 상대 토큰 사용량
- Brain 켬 0.85배 vs 끔 1.00배 (-15%)
- 세부 개선폭
- 정확성 +9.3점 · 최신성 +8.0점 · 회상력 +8.9점
- 관련 제품
- Perplexity Computer (로컬 버전 Portable Computer는 8월 25일 DGX Spark서 공개)
Perplexity为Agent装上了"记忆"
Perplexity于8月26日发布了自我优化型记忆系统"Brain"，接入自家Agent系统Perplexity Computer。Brain会把对话会话、上传的文件以及检索得到的信息来源整合到一起，梳理成一份结构化的知识维基。据Perplexity同时公布的新一轮在线评测结果，开启这项功能后，综合质量得分提升了近9个百分点，token用量反而下降了15%。
为什么此刻要做记忆功能
如果Agent每次会话都得从零开始重新梳理上下文，那么哪怕用户再次问起同一个话题，也得把检索和推理全部重来一遍。可以把Brain理解成这样一种装置：它把过程中积累下来的对话记录、文档和信息来源压缩成一个知识库，方便下一次会话直接调用。Perplexity将其描述为一套"自我优化"系统，会持续把会话、文件、来源这三类输入纳入知识维基之中。
就在前一天，即8月25日，Perplexity刚刚发布过另一个版本"Portable Computer"，可以在NVIDIA DGX Spark上完全本地运行、无需依赖云端。当时的架构是编排LLM、子任务LLM以及整套Agent执行框架全部在用户自己的硬件上运行。而这次的Brain可以看作下一步：无论是本地还是云端，都要解决Agent能否跨会话记住信息这个问题。
具体提升了多少
根据Perplexity公布的在线评测图表，在最近30天内，以约854组配对样本比较了开启和关闭Brain两种状态,结果如下：
| 项目 | 开启Brain | 关闭Brain |
|---|---|---|
| 综合质量得分（判定值） | 0.62 | 0.53 |
| 相对token用量 | 0.85倍 | 1.00倍（基准） |
图表上还附有一行注释:"+9pp quality · -15% tokens"。除此之外，Perplexity还分别公布了细分指标的提升幅度：准确性（correctness）提升9.3分，时效性（currentness）提升8.0分,召回率（recall）提升8.9分。也就是说,官方特意拆分出了综合得分无法体现的三方面改进。
目前能确认的信息就这些
从这次发布中可以确认的是：Brain是内置在Perplexity Computer中的功能，它会把会话、文件、来源整合成知识维基,以及上述这些评测数据。不过，开启或关闭Brain的具体菜单路径，以及直接查看知识维基的界面设计,这次发布内容中并未提及。据此前公开的信息，前一天发布的本地版本Portable Computer面向Perplexity Pro和Max订阅用户开放，支持PPLX 27B和Qwen 3.8 27B作为运行模型，但Brain究竟只搭载在这个本地版本上，还是同时应用于云端版本，仅凭这条推文还无法判断。
编辑视角
Perplexity连续两天发布与Perplexity Computer相关的消息，这一节奏透露出一个信号：这家公司现在打造的不是一款聊天机器人，而是一整套从硬件到记忆一应俱全的Agent技术栈。如果说本地运行（Portable Computer）解决的是数据不外流的问题,那么Brain要解决的,更像是本地Agent一旦会话结束就"失忆"的问题。再联系到此前有消息称NVIDIA正在以超过300亿美元估值洽谈对Perplexity的投资，可以更清楚地看出，这家公司的野心并不止于搜索引擎,而是想在个人和企业级Agent计算机市场上拿下整条技术栈。
做过Agent类产品的从业者都清楚，token成本最终决定了服务的运营成本。如果"质量提升9分、token减少15%"这组数据属实，那么这项变化对运营成本结构的影响,恐怕比用户体感上的差异更大。对于国内正打算引入Agent类工具的团队而言,与其只盯着模型性能表,不如先弄清楚这类记忆与上下文压缩机制到底会给实际账单带来怎样的差异。
未来几周内，其他竞争性Agent产品很可能会推出名称类似的"记忆"功能。把跨会话的记忆压缩成结构化知识库，这种做法正在成为Agent产品绕不开的标准组件。
评论