Perplexity、エージェント向け自己改善型メモリ「Brain」を発表：夜間に業務を復習し精度向上

新入社員を採用した場合、最初は仕事の手順が分からなくても、数か月も現場で経験を積んで注意を受ければ、同じ失敗を繰り返さなくなります。ところが現在の多くのAIエージェントは、起動するたびに記憶がリセットされ、昨日指摘したはずの行き止まりのWebサイトを今日も平然と参照しに行ってしまいます。

Perplexityはこの課題を解決するため、同社のAIエージェント「Computer」向けに、自己改善型の記憶システム「Brain」を発表しました。現在はMaxおよびEnterprise Maxプランの登録者向けに、リサーチプレビューとして提供が始まっています。

夜間に仕事を「振り返る」仕組み

これまでのAIの記憶機能といえば、その大半がユーザー側の情報でした。利用者の好みや文体、役職などを記憶し、対話をスムーズにすることが主な目的だったと言えます。

一方、今回のBrainが記憶するのは、エージェント自身が何を実行したかという仕事の記録です。どのコネクタを叩いたか、どの情報源が有効でどれが失敗だったか、そして人間からどのような修正指示を受けたかを詳細に追跡します。これらのデータはコンテキストグラフとして整理され、エージェントのサンドボックス内に専用のLLM用Wikiのような形で常駐します。

ユニークなのはその更新サイクルです。夜間などの設定されたタイミングで、Brainはセッション履歴や文書の変更、修正記録を自律的に統合し、Wikiを段階的にアップデートします。つまり、過去に犯したミスやユーザーの修正が次の作業への事前知識となり、無駄なモデル呼び出しやトークン消費を抑制します。

同社が公表した初期の測定結果によると、エージェントが過去に経験したタスクにおいて、回答の正確性が25パーセント向上し、再現率は16パーセント改善しました。さらに、過去の履歴に依存するタスクでは運用コストが13パーセント削減されたとしています。なお、すべての記憶項目には参照元のセッションやファイルへのリンクが保持されます。

なぜ重要か

ユーザーの好みを記憶するだけの機能から、業務プロセスそのものを学習する記憶へと舵を切った点は、非常に合理的だと考えられます。

日常的に競合調査や定型レポートの作成をエージェントに任せているヘビーユーザーにとって、今すぐ試す価値は十分にあります。参照してほしくない情報源や独自の社内ルールを毎回プロンプトに書き込む手間がなくなり、修正を重ねるほど作業効率が目に見えて上がっていくためです。

業界全体にとっても、モデルの単発的な推論能力だけでなく、長期的な反省と改善のループをどう構築するかという新たな競争軸を提示したと言えます。ゼロショットで賢い最新モデルを使うより、自社の仕事の進め方を覚えたエージェントのほうが実務でははるかに頼りになるからです。

ただし懸念点もあります。もしユーザーが誤った判断や偏った修正を与えてしまい、それが夜間の自動復習で知識として定着してしまった場合、後から誤学習を取り除くのは容易ではないとみられます。自律学習の精度と人間による修正のしやすさをどう両立させるかが、今後の普及の鍵になりそうです。