Perplexity 推出 Brain：用 Markdown Wiki 給 AI 智慧體造長期記憶

當一個 AI 助手陪你工作了幾個月、聊過上百次天之後，它還記不記得你喜歡把圖表導成 PDF 而不是 PNG？

現實往往很尷尬，很多智慧體要麼一轉頭全忘了，要麼把成堆的歷史硬塞進 Prompt，直接把上下文視窗擠爆。8 月 19 日，Perplexity 公佈了旗下 Computer AI 智慧體的核心記憶架構 Brain，把長效記憶直接做成了一套能自我更新、帶雙向連結的 Markdown 維基百科。

把記憶拆成三層檔案系統

Perplexity 的思路很直接：既然 Computer 本身就執行在帶有終端和工具的沙箱環境裡，就別專門搞複雜的新介面，直接把記憶對映成本地檔案。

在沙箱的根目錄下，Brain 劃分出了三層結構。最底層是 sessions 目錄，存著所有歷史對話的原始記錄與摘要；中間是 notes 目錄，按主題存放提煉出來的日常筆記。

最頂層的 knowledge 目錄才是 Brain 本尊。它就像一個精簡版維基百科，把分散在數週甚至數月裡的碎片資訊綜合成一個個概念和專案頁面。

這些 Markdown 頁面用到了兩種連線方式。一種是類似維基百科的橫向連結，把專案和相關人員連起來；另一種是向下追溯的引用標記，直接指向底層的原始對話記錄。

整套維基底層還接上了 Git 做版本控制。這樣不僅可以隨時檢視修改歷史和版本差異，還能防止多個智慧體同時更新記憶時互相打架。

避開遠端呼叫的 500 倍延遲巨坑

為了讓智慧體查資料足夠快，Perplexity 在底層架構上踩過坑，也做了取捨。

很多系統喜歡把所有歷史檔案掛在遠端檔案系統上。但在智慧體找線索時，單次命令往往會觸發幾千次檔案讀寫操作。

Perplexity 內部測試發現，如果通過遠端 FUSE 路徑去執行簡單的 grep 搜尋，速度會比直接讀取本地檔案慢上 400 到 500 倍，網路往返直接把執行卡死。

但如果每次啟動沙箱都把全部記憶拷到本地，又極度浪費資源。Brain 的解決辦法是混合載入：沙箱啟動時只預載最近的記憶索引，構成一個初始工作集。

當遇到缺少的背景時，系統會喚起一個專門的記憶子智慧體去跑語義檢索。找到需要的線索後，再把關聯的檔案批次落盤到本地目錄，讓本地工作集隨著探索逐步展開。

為什麼重要

長期記憶一直是 AI 智慧體走向真正生產力工具的最大瓶頸。現在的常見做法要麼是強行依賴超大上下文，成本高且容易遺漏細節；要麼是直接扔進向量資料庫，搜出來的都是支離破碎的片段，智慧體根本不知道這些片段從何而來。

我們認為，Perplexity Brain 這套做法最聰明的地方，在於徹底告別了黑盒檢索，迴歸了程式設計師最熟悉的純文本檔案系統。它用 Markdown 保持可讀性，用 Git 解決併發與版本回退，還讓模型使用自帶的 grep 和 cat 命令列工具去自主翻閱。

對於需要長期打交道的複雜任務，比如持續數週的跨國調研或大型程式碼重構，這種結構能讓智慧體越用越聰明，而不是每次都在第一步重新建立認知。

不過看起來這套方案也有隱患。記憶的提煉、去重和建鏈極度依賴後臺智慧體的總結水平。一旦後臺總結產生幻覺或把舊結論寫成新事實，錯誤的維基頁面就會通過連結擴散到後續的所有任務中。

但無論如何，把記憶做成可追溯、可讀寫的檔案系統，比把所有希望押在黑盒向量資料庫上務實得多，這也給其他做自動化智慧體的團隊提供了一個清晰的工程樣本。