Perplexity détaille l’architecture mémoire de Brain et les tests de l’API Agent

Le 2 novembre 2026, Perplexity a publié un guide technique sur la mémoire persistante des agents d’IA, qui détaille le système Brain de Perplexity Computer, les composants de mémoire de l’API Agent et les tests visant à déterminer si le contexte stocké améliore les tâches ultérieures d’un agent.

Architecture de Brain et résultats annoncés

Perplexity présente Brain comme son système de mémoire évolutif pour Computer, conçu pour organiser les tâches passées et les corrections dans un wiki de connaissances qui s’enrichit au fil du temps. Il utilise une mémoire au niveau des jetons : les informations sont stockées en dehors du modèle et intégrées au contexte au besoin. Modifier une page du wiki change ce que l’agent peut consulter lors d’une tâche ultérieure, sans modifier les poids appris par le modèle.

Brain stocke ces enregistrements sous forme de fichiers dans l’environnement isolé de l’agent, répartis sur trois niveaux. Le sessions/ répertoire conserve les transcriptions brutes et leurs résumés, notes/ organise les informations synthétisées par sujet, et knowledge/ contient les pages Markdown reliées entre elles du wiki, consacrées aux personnes, aux projets et aux concepts. Le guide classe les enregistrements de session dans la mémoire épisodique et le wiki dans la mémoire sémantique ; les compétences et les instructions enregistrées fournissent une mémoire procédurale indiquant comment effectuer les tâches.

Des agents d’arrière-plan appelés Dream traitent chaque nuit les enregistrements des sessions de la journée, produisent des résumés et révisent le wiki lorsque les informations ont changé. Perplexity indique vérifier les modifications en attente avant leur validation dans Git, ce qui permet de consulter un diff. Chaque entrée de mémoire renvoie à sa source ; en arrière-plan, Brain consolide les informations toujours valides, révise les entrées après un changement et signale les informations obsolètes.

Perplexity a indiqué que, lors d’une évaluation comparative appariée de 30 jours, les sessions utilisant Brain avaient amélioré l’exactitude de 9,3 points de pourcentage et le rappel de 8,9, tout en utilisant environ 15 % de jetons en moins. Dans un autre test interne portant sur 150 questions relatives à des documents financiers, un agent d’exploration utilisant des outils de fichiers standard a obtenu un score de réponse de 0,627, contre environ 0,37 pour la recherche sémantique dans le même corpus.

Composants de mémoire de l’API Agent

Perplexity distingue explicitement son offre destinée aux développeurs de Brain : l’API Agent n’inclut pas de système de mémoire autonome. Elle propose plutôt des procédures versionnées, des méthodes pour transférer le contexte d’une conversation d’une requête à l’autre et des outils permettant de lire et d’écrire dans un espace de stockage contrôlé par le développeur.

Une compétence personnalisée regroupe des instructions, des procédures et des fichiers d’accompagnement sous un numéro de version. Un profil enregistre la configuration plus générale — notamment le modèle, les instructions, les outils, les compétences, les connecteurs et les paramètres d’exécution — sous un identifiant versionné unique. Les compétences n’apprennent pas de manière autonome : leurs instructions changent lorsqu’une personne ou un processus automatisé téléverse une nouvelle version.

Les développeurs disposent de deux options pour conserver le contexte de travail d’un tour de conversation à l’autre. Ils peuvent inclure certains messages antérieurs dans le tableau d’entrée de la requête suivante, en choisissant ce qu’ils souhaitent conserver, résumer, expurger ou supprimer. Ils peuvent aussi transmettre l’identifiant d’une réponse terminée comme previous_response_id, ce qui permet à Perplexity de conserver l’état de la conversation sur ses serveurs sans que l’application renvoie les tours précédents. Dans les deux cas, toutes les nouvelles instructions, tous les outils ou tous les paramètres de modèle nécessaires à la réponse suivante doivent toujours être fournis.

Le stockage épisodique et sémantique reste sous la responsabilité du développeur. Les appels de fonction peuvent mettre en place une opération de lecture avant l’action de l’agent et une opération d’écriture après celle-ci ; l’application exécute les appels et renvoie les résultats. Consigner le résultat, la source justificative et la correction ultérieure de l’utilisateur constitue le début d’un enregistrement épisodique, plutôt que de simplement noter que l’information a été récupérée. Un serveur MCP distant compatible offre une autre solution : il expose les opérations de mémoire sans nécessiter de wrappers de fonctions personnalisées distincts. Perplexity cite GitHub, Slack, Google Drive, Datadog, Linear et Notion parmi ses connecteurs gérés, tandis que des connecteurs personnalisés peuvent donner accès aux systèmes internes.

Tests et contrôles de Computer

Le test en session vierge décrit dans le guide lance une requête sans reprendre les messages précédents ni previous_response_id, tout en conservant l’accès au même espace de stockage de mémoire. L’agent doit ensuite effectuer des tâches connexes sans recevoir à nouveau la correction précédente. Pour un agent de déploiement, Perplexity propose de vérifier que l’agent récupère et utilise la commande de retour arrière vérifiée pour le service concerné, qu’il ne modifie pas les procédures des autres services et qu’il adopte les nouvelles consignes lorsque la commande change, tout en conservant une source traçable.

Pour comparer les résultats avec et sans mémoire, Perplexity recommande de garder fixes le modèle et les versions du profil et de la compétence, et de partir d’un instantané connu de l’espace de stockage afin qu’un test n’apprenne pas à l’agent la réponse du suivant. L’entreprise recommande également de conserver les cas d’échec pour que les versions ultérieures les réussissent. Au lieu de se fier uniquement au rappel, le guide préconise de mesurer si les tâches qui dépendent de la mémoire sont accomplies, en tenant compte du coût et de la latence.

Dans Computer, Brain s’appuie sur les sessions, les outils connectés, les fichiers et les artefacts, ainsi que sur les corrections des utilisateurs. La vue Mémoire permet aux utilisateurs d’examiner les entrées, de remonter à leurs sources, et de les modifier ou de les supprimer. Brain exclut les sessions en mode navigation privée et dispose d’un interrupteur distinct.

L’exemple de Rho présenté dans le guide décrit un projet de facturation dans lequel Computer a examiné les modifications pendant la nuit, signalé les incohérences et publié un récapitulatif matinal dans Slack. Rho a indiqué que la durée hebdomadaire des réunions était passée de 2.5 heures à 15 minutes et a estimé que le projet de 12 semaines permettrait d’économiser 120 heures de travail. Perplexity a précisé que cette estimation de 120 heures couvrait le flux de travail combiné des connecteurs, des exécutions nocturnes et du récapitulatif dans Slack, et qu’il n’était pas encore possible de quantifier la contribution distincte de la mémoire.

Le guide ne permet donc pas de déterminer la contribution propre de la mémoire aux économies de temps rapportées par Rho.