Perplexity 推出 Brain：用 Markdown Wiki 给 AI 智能体造长期记忆

当一个 AI 助手陪你工作了几个月、聊过上百次天之后，它还记不记得你喜欢把图表导成 PDF 而不是 PNG？

现实往往很尴尬，很多智能体要么一转头全忘了，要么把成堆的历史硬塞进 Prompt，直接把上下文窗口挤爆。8 月 19 日，Perplexity 公布了旗下 Computer AI 智能体的核心记忆架构 Brain，把长效记忆直接做成了一套能自我更新、带双向链接的 Markdown 维基百科。

把记忆拆成三层文件系统

Perplexity 的思路很直接：既然 Computer 本身就运行在带有终端和工具的沙箱环境里，就别专门搞复杂的新接口，直接把记忆映射成本地文件。

在沙箱的根目录下，Brain 划分出了三层结构。最底层是 sessions 目录，存着所有历史对话的原始记录与摘要；中间是 notes 目录，按主题存放提炼出来的日常笔记。

最顶层的 knowledge 目录才是 Brain 本尊。它就像一个精简版维基百科，把分散在数周甚至数月里的碎片信息综合成一个个概念和项目页面。

这些 Markdown 页面用到了两种连接方式。一种是类似维基百科的横向链接，把项目和相关人员连起来；另一种是向下追溯的引用标记，直接指向底层的原始对话记录。

整套维基底层还接上了 Git 做版本控制。这样不仅可以随时查看修改历史和版本差异，还能防止多个智能体同时更新记忆时互相打架。

避开远程调用的 500 倍延迟巨坑

为了让智能体查资料足够快，Perplexity 在底层架构上踩过坑，也做了取舍。

很多系统喜欢把所有历史文件挂在远程文件系统上。但在智能体找线索时，单次命令往往会触发几千次文件读写操作。

Perplexity 内部测试发现，如果通过远程 FUSE 路径去执行简单的 grep 搜索，速度会比直接读取本地文件慢上 400 到 500 倍，网络往返直接把执行卡死。

但如果每次启动沙箱都把全部记忆拷到本地，又极度浪费资源。Brain 的解决办法是混合加载：沙箱启动时只预载最近的记忆索引，构成一个初始工作集。

当遇到缺少的背景时，系统会唤起一个专门的记忆子智能体去跑语义检索。找到需要的线索后，再把关联的文件批量落盘到本地目录，让本地工作集随着探索逐步展开。

为什么重要

长期记忆一直是 AI 智能体走向真正生产力工具的最大瓶颈。现在的常见做法要么是强行依赖超大上下文，成本高且容易遗漏细节；要么是直接扔进向量数据库，搜出来的都是支离破碎的片段，智能体根本不知道这些片段从何而来。

我们认为，Perplexity Brain 这套做法最聪明的地方，在于彻底告别了黑盒检索，回归了程序员最熟悉的纯文本文件系统。它用 Markdown 保持可读性，用 Git 解决并发与版本回退，还让模型使用自带的 grep 和 cat 命令行工具去自主翻阅。

对于需要长期打交道的复杂任务，比如持续数周的跨国调研或大型代码重构，这种结构能让智能体越用越聪明，而不是每次都在第一步重新建立认知。

不过看起来这套方案也有隐患。记忆的提炼、去重和建链极度依赖后台智能体的总结水平。一旦后台总结产生幻觉或把旧结论写成新事实，错误的维基页面就会通过链接扩散到后续的所有任务中。

但无论如何，把记忆做成可追溯、可读写的文件系统，比把所有希望押在黑盒向量数据库上务实得多，这也给其他做自动化智能体的团队提供了一个清晰的工程样本。