Perplexity 上线记忆功能：不仅跨对话记偏好，换底层模型也不丢

每开一个新对话框，就要把自己的饮食禁忌、偏好品牌或者工作习惯跟 AI 重新交代一遍，这种反复自报家门的体验确实挺折磨人。

Perplexity 正式推出了跨对话的记忆与个性化功能。这项功能让旗下的 Comet Assistant 等 AI 助手能够记住用户的过往交流与个人偏好，并在以后的提问中自动调用这些背景信息。

把记忆变成外挂资料库

大语言模型的上下文窗口虽然越来越大，但很多时候我们还是得手动总结背景信息，生怕 AI 聊着聊着就忘了前面的设定。

Perplexity 的做法并不是把用户的对话历史混进通用训练数据里去猜下一个词，而是建了一个专门的记忆存储层。

系统会自动提取并安全保存结构化偏好，比如你常用的品牌、饮食习惯，或者你经常搜索的关键词。当你下次再提问时，它会定向检索相关的记忆片段，直接放进生成逻辑里。

比如你问它推荐跑鞋，它能直接结合你之前提过的伤病情况或马拉松备赛目标来给出建议；或者直接帮你挑适合送给家人的节日礼物，不需要你每次都把家庭成员的情况再讲一遍。

在控制权方面，用户可以随时关闭这项记忆功能。在无痕浏览模式下，记忆和搜索历史会被自动停用；同时所有数据都经过加密，用户也可以通过设置直接拒绝让数据用于模型训练。

换模型不换脑子

这项功能里最有意思的细节，是它的上下文跨模型迁移能力。

在很多平台里，记忆往往被绑定在某个特定模型或者孤立的生态里。但在 Perplexity 上，你可以上一句用复杂的推理模型做深度分析，下一句切到快速模型做简单查询，记忆层始终是同一套。

换句话说，你在日常使用中一点点沉淀下来的个人偏好，并不会因为你换了一个模型，或者未来平台上线了更新更强的模型就全部作废。

你花在调教助手上的时间，被转化成了一层可复用的个性化资产。

为什么重要

对用户来说，这意味着搜索型 AI 终于开始从一次性的问答工具，向真正的个人助手过渡。如果你平时经常用 Perplexity 查资料、做研究或处理日常杂务，这项功能能省掉大量重复输入背景的时间。不过需要注意的是，如果你的提问跨度极大，或者某些旧偏好已经发生改变，可能需要定期去清理或检查记忆库，避免旧习惯反过来限制了 AI 给出的答案宽度。

在行业层面，Perplexity 这次打到了其他大模型产品的痛点。很多平台的记忆功能只能留在自家的单一闭环里，而 Perplexity 本身就是一个聚合多种底层模型的入口。把记忆层独立在具体模型之上，相当于把用户牢牢锁在自己的平台上，不管底层模型怎么轮替，用户的黏性都被留在了这一层外挂记忆里。

我们认为，这种把记忆做成可跨模型迁移的做法非常聪明。它没有试图去改造模型本身的记忆机制，而是做了一个通用的外部上下文路由器，既回避了长上下文的高昂计算成本，又解决了用户换模型就得重新调教的痛点。这种设计看起来更轻巧，也更符合多模型共存的实际使用场景。