Perplexity beskriver Brain-minnets arkitektur och tester av agent-API:t

Den 2 november 2026 publicerade Perplexity en teknisk guide till beständigt minne för AI-agenter, där systemet Brain i Perplexity Computer, komponenterna för minnesuppbyggnad i Agent API och tester av om lagrad kontext förbättrar en agents senare arbete beskrivs.

Brains arkitektur och redovisade resultat

Perplexity beskriver Brain som sitt självförbättrande minnessystem för Computer, utformat för att organisera tidigare arbete och korrigeringar i en kunskapswiki som utvecklas över tid. Systemet använder minne på tokennivå, vilket innebär att information lagras utanför modellen och läses in i kontexten när den behövs. Om en wikisida ändras påverkar det vad agenten kan läsa vid en senare uppgift, utan att modellens inlärda vikter ändras.

Brain lagrar dessa poster som filer i agentens sandlåda i tre lager. Den sessions/ katalogen bevarar råtranskriptioner och deras sammanfattningar, notes/ organiserar destillerad information efter ämne och knowledge/ innehåller wikins länkade Markdown-sidor om personer, projekt och begrepp. I guiden klassificeras sessionsposter som episodiskt minne och wikin som semantiskt minne; färdigheter och sparade instruktioner ger procedurminne för hur uppgifter ska utföras.

Bakgrundsagenter som kallas Dream bearbetar varje dags sessionsposter under natten, skapar sammanfattningar och reviderar wikin när information har ändrats. Perplexity uppger att företaget granskar ändringar som lagts fram för godkännande innan de genomförs via Git, så att en diff finns tillgänglig för granskning. Varje minnespost länkar tillbaka till sin källa, samtidigt som Brains bakgrundsuppdateringar förstärker information som fortfarande är giltig, reviderar poster efter ändringar och markerar inaktuellt material.

Perplexity rapporterade att sessioner med Brain i en 30-dagars parvis utvärdering förbättrade korrektheten med 9,3 procentenheter och återkallningen med 8,9 procentenheter, samtidigt som de använde ungefär 15 % färre token. I ett separat internt riktmärke med 150 frågor om finansiella dokument fick en utforskande agent som använde vanliga filverktyg poängen 0,627, jämfört med cirka 0,37 för semantisk sökning i samma korpus.

Agent API:s minneskomponenter

Perplexity skiljer uttryckligen sitt erbjudande till utvecklare från Brain: Agent API innehåller inget självunderhållande minnessystem. I stället tillhandahåller det versionshanterade procedurer, metoder för att föra över kontext från en konversation mellan förfrågningar samt verktyg för att läsa från och skriva till ett datalager som utvecklaren kontrollerar.

En anpassad Skill samlar instruktioner, procedurer och tillhörande filer under ett versionsnummer. En Profile sparar den bredare konfigurationen – däribland modellen, instruktioner, verktyg, Skills, kopplingar och körningsinställningar – under ett versionshanterat ID. Skills lär sig inte självständigt; instruktionerna ändras när en person eller en automatiserad process laddar upp en ny version.

Utvecklare har två alternativ för att bevara arbetskontext mellan turer. De kan lägga utvalda tidigare meddelanden i inmatningsmatrisen för nästa förfrågan och själva avgöra vad som ska behållas, sammanfattas, avidentifieras eller tas bort. Alternativt kan de skicka ID:t för ett slutfört svar som previous_response_id, vilket gör att Perplexity kan behålla konversationstillståndet på sina servrar utan att applikationen skickar tidigare turer igen. I båda fallen måste alla nya instruktioner, verktyg eller modellinställningar som behövs för nästa svar fortfarande anges.

Det är fortfarande utvecklarens ansvar att lagra episodiska och semantiska minnen. Funktionsanrop kan användas för att genomföra en läsoperation innan agenten agerar och en skrivoperation efteråt, där applikationen utför anropen och returnerar resultaten. Genom att registrera utfallet, den källa som stöder det och efterföljande korrigeringar från användaren skapas början till en episodisk post, i stället för att bara logga att information hämtades. En kompatibel fjärrserver för MCP erbjuder en annan väg genom att tillhandahålla minnesoperationer utan separata omslag för anpassade funktioner. Bland de hanterade kopplingar Perplexity listar finns GitHub, Slack, Google Drive, Datadog, Linear och Notion, medan anpassade kopplingar kan ge åtkomst till interna system.

Testning och kontroller i Computer

Guidens test med en ny session inleder en förfrågan utan att tidigare meddelanden eller previous_response_id, samtidigt som åtkomsten till samma minneslager behålls. Därefter ombeds agenten att utföra relaterat arbete utan att få den tidigare korrigeringen upprepad. För en driftsättningsagent föreslår Perplexity att man kontrollerar att agenten hämtar och använder det verifierade återställningskommandot för den berörda tjänsten, lämnar andra tjänsters procedurer oförändrade och tar till sig nyare vägledning när kommandot ändras, samtidigt som den behåller en spårbar källa.

För jämförelser med och utan minne rekommenderar Perplexity att hålla modell-, Profile- och Skill-versionerna oförändrade och utgå från en känd ögonblicksbild av datalagret, så att ett test inte kan lära agenten svaret inför nästa test. Företaget rekommenderar också att spara misslyckade fall så att de kan användas vid efterföljande revideringar. I stället för att enbart förlita sig på återkallning säger guiden att man bör mäta om uppgifter som är beroende av minnet slutförs och även ta med kostnad och fördröjning.

I Computer hämtar Brain information från sessioner, anslutna verktyg, filer och artefakter samt användarnas korrigeringar. I minnesvyn kan användarna granska poster, spåra dem tillbaka till deras källor samt redigera eller ta bort dem. Brain utesluter sessioner i inkognitoläge och har ett separat reglage.

Guidens exempel från Rho handlar om ett faktureringsprojekt där Computer granskade ändringar under natten, flaggade inkonsekvenser och publicerade en morgonsammanfattning i Slack. Rho uppgav att den veckovisa mötestiden minskade från 2,5 timmar till 15 minuter och uppskattade att 120 arbetstimmar sparades under det 12 veckor långa projektet. Perplexity uppgav att uppskattningen på 120 timmar omfattade det samlade arbetsflödet med kopplingar, nattliga körningar och sammanfattningen i Slack, och att företaget ännu inte kunde kvantifiera minnets separata bidrag.

Guiden lämnar därför minnets enskilda bidrag till de besparingar som Rho uppgav oklart.