Perplexity 上線記憶功能：不僅跨對話記偏好，換底層模型也不丟

每開一個新對話方塊，就要把自己的飲食禁忌、偏好品牌或者工作習慣跟 AI 重新交代一遍，這種反覆自報家門的體驗確實挺折磨人。

Perplexity 正式推出了跨對話的記憶與個性化功能。這項功能讓旗下的 Comet Assistant 等 AI 助手能夠記住使用者的過往交流與個人偏好，並在以後的提問中自動呼叫這些背景資訊。

把記憶變成外掛資料庫

大語言模型的上下文視窗雖然越來越大，但很多時候我們還是得手動總結背景資訊，生怕 AI 聊著聊著就忘了前面的設定。

Perplexity 的做法並不是把使用者的對話歷史混進通用訓練資料裡去猜下一個詞，而是建了一個專門的記憶儲存層。

系統會自動提取並安全儲存結構化偏好，比如你常用的品牌、飲食習慣，或者你經常搜尋的關鍵詞。當你下次再提問時，它會定向檢索相關的記憶片段，直接放進生成邏輯裡。

比如你問它推薦跑鞋，它能直接結合你之前提過的傷病情況或馬拉松備賽目標來給出建議；或者直接幫你挑適合送給家人的節日禮物，不需要你每次都把家庭成員的情況再講一遍。

在控制權方面，使用者可以隨時關閉這項記憶功能。在無痕瀏覽模式下，記憶和搜尋歷史會被自動停用；同時所有資料都經過加密，使用者也可以通過設定直接拒絕讓資料用於模型訓練。

換模型不換腦子

這項功能裡最有意思的細節，是它的上下文跨模型遷移能力。

在很多平臺裡，記憶往往被繫結在某個特定模型或者孤立的生態裡。但在 Perplexity 上，你可以上一句用複雜的推理模型做深度分析，下一句切到快速模型做簡單查詢，記憶層始終是同一套。

換句話說，你在日常使用中一點點沉澱下來的個人偏好，並不會因為你換了一個模型，或者未來平臺上線了更新更強的模型就全部作廢。

你花在調教助手上的時間，被轉化成了一層可複用的個性化資產。

為什麼重要

對使用者來說，這意味著搜尋型 AI 終於開始從一次性的問答工具，向真正的個人助手過渡。如果你平時經常用 Perplexity 查資料、做研究或處理日常雜務，這項功能能省掉大量重複輸入背景的時間。不過需要注意的是，如果你的提問跨度極大，或者某些舊偏好已經發生改變，可能需要定期去清理或檢查記憶庫，避免舊習慣反過來限制了 AI 給出的答案寬度。

在行業層面，Perplexity 這次打到了其他大模型產品的痛點。很多平臺的記憶功能只能留在自家的單一閉環裡，而 Perplexity 本身就是一個聚合多種底層模型的入口。把記憶層獨立在具體模型之上，相當於把使用者牢牢鎖在自己的平臺上，不管底層模型怎麼輪替，使用者的黏性都被留在了這一層外掛記憶裡。

我們認為，這種把記憶做成可跨模型遷移的做法非常聰明。它沒有試圖去改造模型本身的記憶機制，而是做了一個通用的外部上下文路由器，既迴避了長上下文的高昂計算成本，又解決了使用者換模型就得重新調教的痛點。這種設計看起來更輕巧，也更符合多模型共存的實際使用場景。