Perplexity Brain – agentminne som blir smartere over natt

Det er én ting AI-agenter er elendig til, og det er å huske hva de nettopp rotet til. Du korrigerer dem, de gjør det feil igjen. Du ber dem om noe de fikset i forrige økt, og de starter fra null. Perplexity lanserte i går Brain – et minnesystem for Computer-agenten sin som ikke er bygd for å huske deg, men for å huske agentens egne erfaringer. Hva som fungerte, hva som feilet, og hvilke korreksjoner du måtte gjøre.

Det er en ganske annen tilnærming enn det vi vanligvis ser. De fleste minnesystemer for AI-agenter handler om brukerpreferanser – stil, navn, kontekst. Brain handler om agentens læringskurve. Skillet er viktig.

Systemet er foreløpig i Research Preview, tilgjengelig for Perplexity Max og Enterprise Max-abonnenter. Men måten det er bygd på er verdt å forstå, uavhengig av om du bruker Perplexity eller ikke.

Hva er egentlig problemet Brain prøver å løse?

Hvis du har brukt AI-agenter til ekte arbeid, kjenner du frustrasjonen. Agenten gjør noe feil, du korrigerer den, den fikser det – og så er den feilen glemt ved neste kjøring. Agenten har ingen kanal for å bære erfaring fra én økt til den neste. Hvert forsøk er, i praksis, dag én.

Det er ikke fordi det er vanskelig å lagre historikk. Det er fordi å lagre rå historikk ikke er det samme som å lære av den. En logg over hva agenten har gjort forteller ikke systemet hva det skal gjøre annerledes neste gang. Brain er Perplexitys forsøk på å bygge den koblingen.

Konkret handler det om Perplexitys Computer-agent – den som kan styre nettleser og desktop-applikasjoner på vegne av brukeren. Det er en agent som gjennomfører faktiske oppgaver, og der er konsekvensen av glemsel veldig synlig.

Slik fungerer context graph i praksis

Kjernen i Brain er det de kaller en context graph – en levende graf over agentens arbeidshistorikk. Tenk på det som en wiki der hver side representerer noe relevant for din verden: et prosjekt, en person, en oppgave, et domene. Og hver minneoppføring lenker tilbake til den konkrete sesjonen, filen eller kilden den kom fra.

Den traceabiliteten er ikke et tilfeldig teknisk valg. Uten den kan du ikke stole på hva systemet påstår det husker. Med den kan du faktisk sjekke hvor en konklusjon kom fra – og korrigere den hvis den er feil. Det er samme tankegangen som ligger bak kilde-lenkene i Perplexitys søkemotor, bare anvendt på agentens egne erfaringer.

Grafen oppdateres ikke bare av direkte interaksjon. Den trekker inn resultater fra connectorer, dokumentendringer og – viktigst – korreksjoner. Hvis du retter agenten, registreres rettelsen som data, ikke bare som et engangstilfelle.

Hva skjer om natten?

Det nattlige steget er det som skiller Brain fra en vanlig logger. Mens du sover, gjennomgår systemet akkumulert arbeidshistorikk og konverterer sesjoner til leksjoner. Ikke rå transkripter, men strukturerte læringspunkter: hva fungerte på denne typen oppgave, hvilke veier var blindveier, hva ble korrigert og hvorfor.

Det er litt som det Perplexity selv beskriver som «en LLM wiki» – en syntetisert kunnskapsbase over agentens arbeid, ikke bare et arkiv. Forskjellen er at en wiki er statisk, mens Brain aktivt oppdaterer og kobler innhold basert på ny erfaring.

For gjentakende oppgaver – som er akkurat det agenter er mest nyttige til – betyr dette at ytelsen skal bedre seg over tid i stedet for å restarte fra null. Det er fremdeles tidlige tall, men Perplexity rapporterer 25 prosent forbedring i korrekthet på gjentatte oppgaver og 16 prosent bedre recall. Kostnadene skal ha gått ned 13 prosent på oppgaver der historisk kontekst er relevant, fordi agenten ikke lenger trenger å prosessere alt fra bunnen av.

Er dette noe nytt, egentlig?

Spørsmålet er legitimt. Persistent agentminne er ikke en ny idé. Jeg har skrevet om langtidshukommelse for AI-agenter og om Octopoda sitt lokale minnelag – begge handler om å gi agenter kontekst på tvers av sesjoner. Og Cog-prosjektet prøver noe lignende for Claude Code.

Det Brain gjør litt annerledes er kombinasjonen av tre ting: den er bygd direkte inn i en produksjonsagent (ikke et ekstern lag du legger på), den strukturerer læring aktivt i stedet for å bare lagre historikk, og den gjør det sporbart. Det er ikke revolusjonerende teknologi, men det er en ryddigere arkitektur enn det meste jeg har sett.

Spørsmålet er om de tidlige tallene holder når systemet skalerer og brukerne begynner å gjøre virkelig komplekse ting med agenten. Det er alltid enklere å vise gevinster tidlig, der baseline er lav. Mer interessant blir det å se utviklingen over noen måneder.

Hva betyr dette for deg som bruker AI-agenter?

Hvis du er Perplexity Max-bruker, er Brain tilgjengelig nå i Research Preview – det er verdt å teste, spesielt hvis du bruker Computer-agenten til gjentakende oppgaver. Det er akkurat der du vil merke forskjellen, fordi det er der glemsel koster mest tid.

Mer generelt peker dette på noe som kommer til å bli standard i alle seriøse agentsystemer: minnet må sitte i agenten, ikke bare i brukerprofilen. Agenten din trenger å lære av sitt eget arbeid, ikke bare av hvem du er. Det er en fornuftig prioritering, og jeg tror vi kommer til å se flere som bygger på denne modellen fremover.

Perplexity har allerede vist at de tenker grundig på personvern i agentarkitekturen sin. Spørsmålet om Brain-data – hvem som eier den syntetiserte agentkunnskapen, og hvordan den lagres – er et naturlig neste steg å grave i.

Ofte stilte spørsmål