Tradizionalmente, le memorie artificiali hanno focalizzato l'attenzione sugli utenti, conservando le loro preferenze, stili di lavoro e contatti. Perplexity ha adottato un approccio diverso con Brain, un sistema di memoria autosufficiente che mappa e impara dagli incarichi eseguiti dagli agenti, con l'obiettivo di migliorare continuamente le loro capacità. Lanciato oggi, Brain è accessibile in anteprima ai sottoscrittori Max e Enterprise Max.

Che Cos'è il Sistema Brain di Perplexity?

Brain è un sistema di memoria autosufficiente che crea un grafo contestuale del lavoro completato per il prodotto Computer di Perplexity. Alla finestra prescritta, ad esempio la notte, Brain esamina il suo grafo. Impara quindi da sé come migliorare il lavoro svolto. L’idea centrale è semplice: più lavoro svolgi, più efficienti diventano i suoi agenti. Il sistema è progettato per aiutare gli agenti a migliorare le loro performance.

Due Assi per la Memoria Artificiale

Perplexity presenta la memoria lungo due assi distinti. Il primo riguarda il contenuto della memoria, il secondo la sua finalità.

Con la memoria tradizionale, l’attenzione è concentrata sull’utente, registrando elementi come stile lavoro, ruoli, contatti eccetera. Lo scopo è favorire l’engagement dell’utente con l’agente. Brain segue un’altra via: la memoria riguarda il lavoro compiuto dall’agente. Esso traccia che cosa funziona bene, che correzioni sono state apportate. L’obiettivo non è l’interazione, ma l’efficacia operativa dell’agente.

Traditional user memory: memorizza i dettagli dell’utente, mira ad incrementare l’engagement

Brain (work memory): concentra l’attenzione sul lavoro svolto e traccia le decisioni dell’agente, mirando ad ottimizzare le sue prestazioni

In termini pratici, la differenza sta nel risultato che genera. Le memorie utente generano un profilo dell’utente, mentre Brain produce un tracciabile grafo contestuale del lavoro.

Il Funzionamento del Grafo Contestuale

Brain genera un grafo contestuale vitale per l’attività svolta da Computer. Questo documento mappato funziona come una wiki automatica caricata in un sandbox dell’agente. Le voci riflettono le persone, i progetti e le idee nel mondo dell’utente.

Ogni notte, Brain aggiorna incrementalemente la wiki. Include le sessioni dell’utente, i risultati dei collegamenti, i cambiamenti nei documenti sorgente e le eventuali correttive. Questo aggiornamento di contesto è essenziale, fornendo a Computer un segnale più preciso sugli obiettivi e sulla provenienza.

Tracciabilità e Fiducia

Ogni entrata del Brain contiene un collegamento al suo punto d’origine, permettendo di ricondurre il documento, la sessione, o sorgente relativa. Questa tracciabilità è cruciale per il debug e la costruzione di fiducia nell’esito.

Meccanismo di Autostudio

Brain migliora progressivamente man mano che si utilizza Computer. Gli agenti apprendono le caratteristiche che determinano i migliori risultati e imparano anche da errori. Conservano informazioni sulle correzioni apportate da un utente, ma anche su dove i dati hanno fallito.

Ricordano quando un utente ha corretto un errore passato

Ricordano quando una fonte è risultata insoddisfacente

Risultati in minori step per la risoluzione, minori richieste al modello, e miglioramento nella produzione

Questo circolo vizioso di correzione e miglioramenti costituisce il pilastro della sua capacità autosufficiente. Per Plexity, i token usati oggi sono un investimento futuro in un sistema più efficiente.

I Dati delle Prestazioni

Perplexity ha condiviso alcune prime valutazioni in ambiti interni:

Corrispondenza corretta: +25% per compiti precedentemente eseguiti da Computer

Ricordo: +16% per gli stessi risultati iniziali

Costi: -13% per compiti richiedenti contesto storico

Perplexity precisa che i risultati migliorano nel corso del tempo, con agenti che apprendono gradualmente il contesto lavoro dell’utente.

Casi D’Uso Con Esempi Pratici

Ecco tre esempi concreti in cui la memoria operativa di Brain rivela il suo vantaggio:

Data Scientist: Effettuando un’analisi periodica di un pipeline, Brain rammenta le fonti attendibili e le passate correzioni per iniziare con una struttura migliore e evitare fallimenti inutili

Equipe Supporto: In contesto di triage tickets, Brain apprende quali fonti hanno risolto ticket simili in passato, velocizzando l’assegnazione di nuove questioni

sviluppatore: Debuggando tra repositories, Brain si ricorda i file che si sono rivelati decisivi, permettendo all’agente di raggiungere rapidamente la causa radicale

In ciascun esempio, la chiave del vantaggio sta nella storia. L’agente non deve riconfigurare il contesto da zero ogni volta.

Una Semplice Implementazione

Sebbene Perplexity non abbia reso disponibile un’API ufficiale per Brain, il modello sottostante è abbastanza semplice da realizzare. Si può adottare un sistema simile a Python per visualizzare i principi in base a un esempio.

Ecco una struttura illustrativa:

# Illustrativo, esempio autonomo del ciclo di Brain - NON API Perplexity.
class ContextGraph:
def _init_(self):
self.entries = []      # ogni registro conserva il collegamento alla fonte
self.lessons = {}      # task → lezione appresa in tempo di notte
self.pending = []      # correzioni in attesa del prossimo sincronismo

def retrieve(self, task):
return self.lessons.get(task)            # carica la memoria relativa

def log(self, task, result, source):
self.entries.append((task, result, source))

def log_correction(self, task, fix, source):
self.entries.append((task, "correction", source))
self.pending.append((task, fix))         # apprendimenti da un fallimento

def synthesize(self):                        # il passo cruciale notturno
for task, fix in self.pending:
self.lessons[task] = fix             # auto-insegnamento per miglioramento
self.pending = []

def agent_execute(task, lesson):
# l'agente evita gli errori noti grazie al registro
return "correct" if lesson else "needs review"

brain = ContextGraph()

Primo giorno: nessuna memoria esistente, il compito richiede revisione