La mayor parte de la memoria de IA recuerda al usuario. Almacena tus preferencias, tus gustos y tu rol. La perplejidad está tomando un camino diferente. Hoy, Perplexity lanzó Brain, un sistema de memoria de mejora automática para su producto agente, Computer. El cerebro no se concentra en recordarte. Recuerda lo que hizo el agente. Eso replantea para qué sirve la memoria en la IA.
¿Qué es el cerebro de Perplexity?
El cerebro es un sistema de memoria que se mejora a sí mismo. Construye un gráfico de contexto del trabajo que realiza la computadora. A intervalos establecidos, como durante la noche, Brain revisa ese gráfico. Luego aprende a sí mismo cómo hacer mejor el trabajo. La idea es sencilla. Cuanto más trabajo hagas, más eficiente será Brain para tu computadora. Brain se está implementando hoy para los suscriptores de Perplexity Max y Enterprise Max en Research Preview.
Dos ejes de la memoria de la IA
La perplejidad encuadra la memoria en dos ejes. La primera es de qué se trata la memoria. El segundo es para qué sirve la memoria.
Tradicionalmente, la memoria de IA se ha centrado en el usuario. Almacena preferencias, gustos, estilos de trabajo, contactos y roles. Su propósito es el compromiso. Le ayuda a sentirse más comprometido con el agente. El cerebro toma el otro camino. Su memoria trata sobre el trabajo del agente. Recuerda qué funcionó, qué falló y qué correcciones se hicieron. Su finalidad es el rendimiento. La perplejidad exige ayudar al agente a mejorar el propósito más importante de la memoria.
Cómo funciona el gráfico de contexto
El cerebro forma un gráfico de contexto vivo para la computadora. El gráfico es rastreable. Ayuda a la computadora a comprender el mundo del usuario y aprender de su trabajo. La capa de contexto toma la forma de una wiki de LLM. Esa wiki se carga automáticamente en la zona de pruebas del agente. Sus páginas reflejan las ideas, personas, proyectos y otros elementos del mundo de un usuario. La computadora puede atravesar esta red de información personal.
El sistema Brain actualiza la wiki de forma incremental durante la noche. Sintetiza las sesiones del usuario, los resultados del conector, los cambios en los documentos fuente y las correcciones realizadas. Ese contexto refrescante le da a Computer una señal más fuerte sobre qué hacer y dónde buscar.
Brain también muestra su trabajo. Cada entrada de memoria enlaza con la sesión, el archivo o la fuente de donde proviene. Esa trazabilidad es importante para la depuración y la confianza.
Superación personal recursiva
El cerebro mejora a medida que usas la computadora. Los agentes aprenden los proyectos, conectores, artefactos y otras fuentes que conducen a los mejores resultados. También aprenden de sus errores. Recuerdan cuando un usuario ha realizado una corrección. Recuerdan cuando una fuente era un callejón sin salida. Eso da como resultado menos turnos, menos llamadas de modelos y mejores resultados. Este circuito de retroalimentación es lo que hace que Brain mejore continuamente. El equipo de Perplexity enmarca el uso actual de tokens como una inversión en un uso más eficiente de tokens en el futuro.
Los números de rendimiento
Perplexity compartió los primeros resultados de las mediciones de sus propias pruebas.
Perplexity también afirma que los resultados mejoran cuanto más tiempo se utiliza Brain. Los agentes aprenden el mundo del usuario con el tiempo. Estos son los primeros números propios.
Casos de uso con ejemplos
¿Dónde ayuda la memoria de trabajo? Consideremos tres casos concretos.
Un científico de datos realiza una auditoría semanal de la canalización. Brain recuerda las fuentes confiables y las correcciones pasadas. La próxima auditoría comienza con un mapa mejor. Siguen menos callejones sin salida. Un equipo de soporte clasifica los tickets a través de conectores. Brain aprende qué fuentes resolvieron tickets anteriores. Enruta los billetes futuros más rápido. Un desarrollador depura entre repositorios. Brain recuerda qué archivos importaron la última vez. La computadora llega a la causa raíz con menos llamadas a modelos.
En cada caso, el ahorro proviene de la historia. El agente no vuelve a aprender el mismo contexto dos veces.
Una implementación conceptual
Perplexity no ha publicado una Brain API. El patrón, sin embargo, es fácil de modelar. El Python autónomo a continuación es ilustrativo, no el código de Perplexity. Se ejecuta por sí solo e imprime el día 1: necesita revisión y luego el día 2: correcto.
def agent_execute(tarea, lección): # con una lección aprendida, el agente evita el callejón sin salida conocido return “correct” si la lección else “necesita revisión” Brain = ContextGraph() # Día 1: aún no hay memoria, por lo que la tarea necesita revisión lección = Brain.retrieve(“repositorio de depuración”) print(“día 1:”, agent_execute(“repositorio de depuración”, lección)) Brain.log_correction(“repositorio de depuración”, “ignorar compilación en caché”, source=”file:notes.md”) Brain.synthesize() # durante la noche Brain sync # Día 2: misma tarea, ahora informada por la lección de memoria = Brain.retrieve(“repositorio de depuración”) print(“día 2:”, agente_execute(“repositorio de depuración”, lección))
El paso clave es sintetizar. Ahí es donde ocurre la superación personal de la noche a la mañana.
Pruébelo: demostración interactiva
La demostración integrable a continuación simula el bucle. Ejecute tareas para hacer crecer el gráfico de contexto. Registre una corrección para marcar un callejón sin salida. Luego activa una sincronización cerebral nocturna. La exactitud y la recuperación aumentan, y el costo cae, hacia las cifras reportadas por Perplexity. Ilustra el concepto y no es el producto.