摘要：Perplexity 为旗下 Agent 产品 Computer 推出了 Brain——一套“自进化记忆系统”。它把 Agent 的执行经验（用了哪些数据源、哪步出错、用户怎么纠正）写入上下文图谱，并在夜间自动提炼成可复用的知识库。次日 Agent 启动时，能力已悄然提升。首批指标显示：重复任务正确率 +25%、召回率 +16%、上下文成本 -13%。这不是“用户偏好记忆”，而是“Agent 经验记忆”。

一、事件背景：记忆竞赛的新起点

2026 年 6 月下旬，Perplexity 正式发布了 Brain，这是其 Agent 平台 Computer 的记忆层。

Computer 是 Perplexity 的 Agent 产品：能自主浏览网页、点击按钮、填写表单、完成多步骤工作流。过去，Computer 每次会话都是“失忆”的——它记得你让它做什么，但不记得自己上周做同类任务时踩过哪些坑。

Brain 的出现，就是要补上这块拼图。

与 Claude 的 persistent memory / project context、OpenAI 的 ChatGPT memory 不同，Brain 把记忆重新定义为 Agent 的自我改进，而非用户的个性化设置。这不仅是产品差异，更是护城河差异。

竞品 记忆定位 核心差异
Perplexity Brain Agent 自进化 记录执行经验，夜间自动提炼
Claude 用户偏好 + 项目上下文 记忆用户设置与项目历史
OpenAI ChatGPT 用户偏好记忆 记住你喜欢什么
Gemini 项目/活动记忆 基于 Google 生态串联

二、Brain 做了什么：从“记住你说过什么”到“记住自己做错了什么”

传统 AI 记忆系统存储的是 用户偏好——“我喜欢深色模式”“我住在上海”。

Brain 存储的是 操作知识——Agent 上次做同类任务时：

  • 用了哪些数据连接器
  • 哪些数据源是可信的
  • 用户在哪里做了纠正
  • 哪几步尝试失败了

每一次 Computer 完成任务后，这些信息都会被写入一个 上下文图谱（context graph）。到了夜间（用户不活跃时），Brain 会：

  1. 审阅积累的图谱
  2. 提炼模式规律
  3. 更新一份个人知识库
  4. 在下一次会话启动前注入 Agent 的执行环境

结果是：Agent 今天比昨天更聪明了——步骤更少、Token 消耗更低、准确率更高。不是因为底层模型变强了，而是因为它周围的“ harness”变聪明了。

三、Brain 学习循环：四步实现“隔夜进化”

Brain 的核心是一个闭环学习流程：

步骤 动作 说明
Step 1 — Execute 执行任务 Computer 浏览、点击、填表、提取数据
Step 2 — Record 记录图谱 上下文图谱捕获：连接器、数据源、用户纠正、失败尝试
Step 3 — Synthesize 夜间提炼 Brain 审阅图谱，提炼规律，更新个人知识库
Step 4 — Load 次日加载 新会话启动时，Agent 已显著更强

这种“白天执行、夜间学习”的模式，本质上是在用户的个人工作流数据上跑了一个 微调训练循环，只是被包装成了“记忆功能”。

四、首批数据：25% 准确率提升从哪来？

Perplexity 官方披露的首批指标（均为第一方数据，尚无独立第三方基准）：

指标 变化 适用场景
重复任务正确率 +25% 同类任务重复执行时
召回率 +16% 信息检索与数据提取
上下文成本 -13% 高上下文负载任务

这些数字的含金量在于：它们不是模型升级带来的，而是记忆系统带来的。模型权重没变，变的是 Agent 周围的 orchestration layer。

💡 关键洞察：25% 的正确率提升来自“经验复用”，而不是“模型变聪明”。这意味着即便底层模型没有迭代，仅靠记忆层优化，Agent 就能在重复性工作中持续变强。

五、定价与商业模式：200 美元/月的“复利智能”

Brain 目前仅向 Max 订阅用户开放，定价 $200/月。

Perplexity 的赌注是：一个“每天变强一点”的 Agent，值得免费版的 10 倍价格。如果 25% 的准确率提升能落地，对于做重复性研究的脑力劳动者来说，ROI 是显而易见的。

版本 价格 Brain 可用性
免费版 $0 ❌ 不可用
Pro 较低 ❌ 不可用
Max $200/月 ✅ 可用

更深层的商业逻辑是：Brain 把 Agent 从“工具”变成了“资产”。工具的价格会内卷，但会自我强化的资产不会。订阅费买的不是某次查询的结果，而是一个持续积累、不可复制的个人工作流知识库。

六、战略解读：Harness Theory 的具象化

FourWeekMBA 的分析将 Brain 置于 Harness Theory（ harness 理论）框架下审视：

在传统 AI 栈中，智能住在 模型层——GPT-5、Claude Opus、Gemini。模型越强，输出越好。

Brain 把智能从模型层搬到了 harness 层。模型保持静态，记忆层却持续进化。时间久了，一个中等模型 + 优秀 Brain 的组合，可能在重复任务上击败顶级模型 + 无记忆的组合——因为 积累的经验胜过 raw capability。

“The competitive edge is not the model. It is the orchestration system wrapped around it.”
—— Harness Theory 核心论点

Brain 正是这一论点的具象化：它给 harness 加上了缺失的一环——基于 operational data 的自我反馈循环。模型在版本发布之间是静态的，而 harness 在会话之间是动态的。两者之间的差距会随时间扩大，而 harness 的持有者将捕获更多价值。

七、影响与展望：Agent 时代的复利引擎

如果 Brain 的早期指标能够维持（25% 准确率、16% 召回、13% 成本下降），这将成为所有 AI 公司的复制模板：

  • Agent 不是工具，是员工：它会在你不注意的时候练习、犯错、改进。
  • 记忆 ≠ 偏好：真正的 Agent 记忆应该记录“怎么做”，而不是“你喜欢什么”。
  • 夜间学习窗口：把个人工作流数据当成训练集，企业级 adoption 的门槛将大幅降低——每位员工的 Agent 独立进化，组织知识自动沉淀。

Perplexity 用 Brain 宣告了一件事：Agent 时代不缺模型，缺的是让它越来越聪明的机制。 当这个机制出现，AI 竞赛的维度从“谁的模型更大”转向了“谁的 harness 更会学习”。

🤔 你怎么看 Perplexity Brain 的“自进化记忆”？它真的能改变 Agent 的竞争格局，还是只是高级版的“历史记录”？欢迎在评论区讨论。

本文基于 Perplexity Blog、FourWeekMBA、MarkTechPost、Decrypt 等公开报道整理，数据截至 2026 年 6 月。