近日，AI搜索与智能体厂商Perplexity正式发布自研自进化记忆系统Perplexity Brain，该系统可自动构建AI Agent工作流上下文图谱，具备夜间自主学习优化能力，可大幅降低长任务上下文丢失概率，相关技术已率先落地其企业级智能体产品线，有望推动Agentic AI领域的记忆架构迭代。
据行业调研机构2026年Q1发布的Agentic AI落地报告显示，83%的企业用户将“长任务记忆不稳定”列为放弃使用AI智能体的首要原因。过去两年Agentic AI的商业化落地始终受限于长上下文记忆能力——多数AI智能体在处理超过10轮的复杂任务时，上下文丢失率普遍超过40%，企业级场景下需要人工反复补全任务背景，大幅拉高了AI落地的人力成本。此前包括OpenAI、Anthropic在内的大模型厂商均推出过长上下文窗口优化方案，但始终无法解决“无效信息占用上下文配额、关键信息被遗忘”的核心矛盾。
Perplexity此次推出的Brain系统，核心逻辑是跳出了“拉长上下文窗口”的传统思路，转而为AI Agent构建专属的上下文关联图谱：系统会自动对智能体的历史交互、任务输出、外部调用数据进行标签化关联，区分核心任务信息、边缘参考信息和无效冗余信息，仅在任务需要时调用对应关联节点的数据，大幅减少上下文空间的无效占用。
更值得关注的是，该系统自带夜间自主学习机制：在算力空闲时段，Brain会自动复盘智能体当日的任务完成情况，优化上下文关联逻辑，无需人工标注即可实现记忆能力的迭代升级。根据Perplexity披露的内测数据，搭载Brain系统的企业级AI Agent，长任务完成率较此前提升62%，上下文冗余度下降78%。
目前Perplexity已经向企业级客户开放Brain系统的API接入权限，个人版用户预计将于2026年第三季度获得相关功能更新。行业普遍认为，Perplexity Brain的落地，标志着Agentic AI的竞争已经从“大模型参数能力”向“系统架构能力”延伸，后续大概率会有更多厂商推出类似的自进化记忆方案，推动AI智能体的任务处理能力向人类办公水平进一步靠拢。
不过也有业内研究者提示，自进化记忆系统的自主学习边界需要明确设置，避免智能体在自主迭代过程中出现目标偏移的安全风险，相关的伦理规范和技术监管标准也需要同步跟进。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号