Perplexity ha presentato Brain, un nuovo sistema di memoria progettato per il proprio agente autonomo Computer che modifica radicalmente il modo in cui viene utilizzata la memoria nei sistemi di intelligenza artificiale. A differenza delle tradizionali funzionalità di memoria adottate dagli assistenti AI, che conservano principalmente informazioni sugli utenti per personalizzare le interazioni future, Brain è stato sviluppato per consentire all’agente stesso di apprendere dalle proprie attività operative e migliorare progressivamente le proprie prestazioni.
L’architettura si basa sul concetto di memoria orientata al compito. Invece di limitarsi a ricordare preferenze, contatti o abitudini dell’utente, il sistema registra l’intero processo di esecuzione delle attività svolte dall’agente. Vengono memorizzati i percorsi seguiti per completare un incarico, le fonti informative che si sono rivelate utili, gli errori commessi, le correzioni effettuate dagli utenti e i risultati ottenuti. Queste informazioni vengono successivamente utilizzate per modificare il comportamento futuro dell’agente, consentendogli di affrontare attività simili in modo più efficiente.
Il componente centrale della piattaforma è una struttura denominata Context Graph. Tutte le attività svolte dall’agente vengono convertite in un grafo di conoscenza che descrive relazioni tra documenti, persone, progetti, decisioni, strumenti utilizzati e risultati ottenuti. Questa rappresentazione permette di superare i limiti delle tradizionali finestre di contesto degli LLM, fornendo una memoria persistente che continua ad arricchirsi nel tempo.
Brain esegue inoltre processi periodici di analisi delle informazioni accumulate. Durante le fasi di inattività il sistema rielabora i log delle sessioni, le modifiche apportate ai documenti, i dati provenienti dai connettori esterni e la cronologia delle revisioni. L’obiettivo è identificare schemi ricorrenti, consolidare le informazioni più rilevanti e costruire nuove connessioni tra elementi che inizialmente apparivano scollegati. Perplexity descrive questo processo come una forma di consolidamento della memoria paragonabile, a livello concettuale, ai meccanismi con cui il cervello umano rafforza l’apprendimento durante il sonno.
Una delle componenti più innovative è la creazione automatica di una struttura denominata LLM Wiki. Si tratta di una base di conoscenza generata dinamicamente che organizza progetti, documenti, collaboratori, attività e risultati in una forma facilmente consultabile dagli agenti. Ogni modifica apportata all’ambiente di lavoro viene incorporata nel sistema, consentendo all’agente di operare con una comprensione sempre aggiornata del contesto aziendale e delle attività dell’utente.
Ogni elemento memorizzato mantiene un collegamento diretto alla sessione, al documento o al file da cui è stato generato. Questa caratteristica introduce un livello di tracciabilità che consente di verificare l’origine delle informazioni utilizzate dall’agente, facilitando attività di auditing, debugging e validazione delle decisioni prese dal sistema.
Un aspetto particolarmente rilevante riguarda la gestione degli errori. Brain non conserva esclusivamente i successi, ma registra anche tentativi falliti, percorsi inefficaci e correzioni applicate dagli utenti. Questo permette all’agente di sviluppare una forma di apprendimento esperienziale nella quale le strategie inefficaci vengono progressivamente abbandonate mentre quelle più produttive vengono rafforzate. Con il passare del tempo il sistema tende quindi a ridurre il numero di passaggi necessari per completare un’attività e a diminuire il numero di chiamate ai modelli linguistici richieste per ottenere il risultato desiderato.
Secondo le prime valutazioni interne, l’adozione di Brain ha prodotto miglioramenti misurabili nelle attività che richiedono l’utilizzo di conoscenze accumulate nel tempo. Le prestazioni risultano particolarmente evidenti nei workflow ripetitivi e nei contesti professionali caratterizzati da progetti di lunga durata, dove la comprensione storica delle attività svolte rappresenta un elemento fondamentale per l’efficienza operativa.
Con Brain, Perplexity propone una visione degli agenti AI come sistemi capaci non solo di eseguire compiti, ma di costruire progressivamente una memoria operativa persistente. L’obiettivo non è semplicemente ricordare informazioni sull’utente, ma consentire all’agente di apprendere dalle proprie esperienze e migliorare continuamente il modo in cui svolge il proprio lavoro.