Perplexity detalha a arquitetura de memória do Brain e os testes da Agent API

Em 2 de novembro de 2026, a Perplexity publicou um guia técnico sobre memória persistente para agentes de IA, detalhando o sistema Brain do Perplexity Computer, os componentes de criação de memória da Agent API e os testes para verificar se o contexto armazenado melhora o trabalho posterior de um agente.

Arquitetura e resultados relatados do Brain

A Perplexity descreve o Brain como seu sistema de memória autoaperfeiçoável para o Computer, desenvolvido para organizar trabalhos anteriores e correções em uma wiki de conhecimento em constante evolução. Ele usa memória no nível dos tokens, o que significa que as informações são armazenadas fora do modelo e incorporadas ao contexto quando necessário. Alterar uma página da wiki muda o que o agente pode consultar em uma tarefa posterior, sem modificar os pesos aprendidos pelo modelo.

O Brain armazena esses registros como arquivos no ambiente isolado do agente, distribuídos em três camadas. O sessions/ diretório mantém transcrições brutas e seus resumos, notes/ organiza as informações sintetizadas por assunto, e knowledge/ contém as páginas Markdown interligadas da wiki sobre pessoas, projetos e conceitos. O guia classifica os registros das sessões como memória episódica e a wiki como memória semântica; competências e instruções salvas fornecem memória procedural sobre como as tarefas devem ser executadas.

Agentes em segundo plano chamados Dream processam durante a noite os registros das sessões de cada dia, produzem resumos e revisam a wiki quando as informações mudam. Segundo a Perplexity, as edições preparadas são verificadas antes de serem confirmadas por meio do Git, e um diff fica disponível para inspeção. Cada registro de memória remete à fonte, enquanto as atualizações em segundo plano do Brain reforçam as informações que continuam válidas, revisam os registros após mudanças e sinalizam o material desatualizado.

A Perplexity informou que, em uma avaliação pareada de 30 dias, as sessões com o Brain melhoraram a correção em 9,3 pontos percentuais e a revocação em 8,9, usando cerca de 15% menos tokens. Em outro teste interno, com 150 perguntas sobre documentos financeiros, um agente de exploração que usou ferramentas de arquivo padrão obteve uma pontuação de resposta de 0,627, contra cerca de 0,37 da busca semântica no mesmo corpus.

Componentes de memória da Agent API

A Perplexity distingue explicitamente sua oferta para desenvolvedores do Brain: a Agent API não inclui um sistema de memória com manutenção automática. Em vez disso, oferece procedimentos com controle de versão, métodos para manter o contexto da conversa entre solicitações e ferramentas para ler e gravar em um repositório controlado pelo desenvolvedor.

Uma Skill personalizada reúne instruções, procedimentos e arquivos de apoio sob um número de versão. Um Profile salva a configuração mais ampla — incluindo o modelo, as instruções, as ferramentas, as Skills, os conectores e as configurações de execução — sob um único ID com controle de versão. As Skills não aprendem por conta própria; suas instruções mudam quando uma pessoa ou um processo automatizado carrega uma nova versão.

Os desenvolvedores têm duas opções para preservar o contexto de trabalho entre turnos. Podem incluir mensagens anteriores selecionadas na matriz de entrada da próxima solicitação, decidindo o que manter, resumir, ocultar ou descartar. Como alternativa, podem passar o ID de uma resposta concluída como previous_response_id, permitindo que a Perplexity mantenha o estado da conversa em seus servidores, sem que o aplicativo precise reenviar os turnos anteriores. Em qualquer uma das opções, ainda é necessário incluir as novas instruções, ferramentas ou configurações do modelo necessárias para a próxima resposta.

O armazenamento episódico e semântico continua sendo responsabilidade do desenvolvedor. A chamada de funções pode implementar uma operação de leitura antes de o agente agir e uma operação de gravação depois, com o aplicativo executando as chamadas e retornando os resultados. Registrar o resultado, a fonte que lhe dá suporte e uma correção posterior do usuário estabelece o início de um registro episódico, em vez de apenas anotar que uma informação foi recuperada. Um servidor MCP remoto compatível oferece outra alternativa, expondo operações de memória sem a necessidade de wrappers de funções personalizadas. Entre os conectores gerenciados listados pela Perplexity estão GitHub, Slack, Google Drive, Datadog, Linear e Notion; conectores personalizados também podem fornecer acesso a sistemas internos.

Testes e controles do Computer

O teste com uma sessão nova descrito no guia inicia uma solicitação sem reproduzir mensagens anteriores nem previous_response_id, mas mantém o acesso ao mesmo repositório de memória. Em seguida, pede-se ao agente que execute uma tarefa relacionada sem receber novamente a correção anterior. Para um agente de implantação, a Perplexity propõe verificar se ele recupera e usa o comando de reversão validado para o serviço afetado, mantém inalterados os procedimentos dos demais serviços e adota orientações mais recentes quando o comando muda, preservando uma fonte rastreável.

Para comparar o desempenho com e sem memória, a Perplexity recomenda manter fixas as versões do modelo, do Profile e da Skill e começar com uma captura conhecida do repositório, para que um teste não ensine ao agente a resposta do teste seguinte. Também recomenda guardar os casos malsucedidos para que sejam superados em revisões posteriores. Em vez de confiar apenas na capacidade de recordar, o guia recomenda medir se as tarefas que dependem da memória são concluídas, levando em conta também o custo e a latência.

No Computer, o Brain se apoia em sessões, ferramentas conectadas, arquivos e artefatos, além das correções dos usuários. Sua visualização de memória permite que os usuários inspecionem as entradas, rastreiem suas fontes e as editem ou excluam. O Brain exclui as sessões anônimas e tem uma opção separada para ativar ou desativar a memória.

O exemplo da Rho apresentado no guia descreve um projeto de faturamento no qual o Computer analisou alterações durante a noite, sinalizou inconsistências e publicou um resumo matinal no Slack. A Rho informou ter reduzido o tempo semanal de reuniões de 2,5 horas para 15 minutos e estimou uma economia de 120 horas de trabalho ao longo do projeto de 12 semanas. A Perplexity afirmou que a estimativa de 120 horas abrangia o fluxo de trabalho combinado de conectores, execuções noturnas e do resumo no Slack, e que ainda não era possível quantificar a contribuição específica da memória.

Assim, o guia não esclarece qual foi a contribuição individual da memória para a economia de tempo relatada pela Rho.