Brain: זיכרון סוכנותי כוויקי ידע

מערכת קבצים מסוג Markdown מובנית, ניתנת למעקב ומשפרת את עצמה, המדורגת לא מקוון ומנווטת לפי דרישה.

מחבריםPerplexity Engineering

משתמשי Computer מבצעים עבודה המשתרעת על פני חודשים ומאות הפעלות. עד ההפעלה העשירית, המערכת אמורה להיות פרודוקטיבית הרבה יותר מאשר בראשונה. עליה לצבור הקשר על המשתמש, העדפותיו והעבודה שכבר נעשתה.

לדוגמה, כאשר מתבקשים לצייר דיאגרמה של תהליך עבודה (workflow) שהמשתמש הסביר קודם לכן, Computer צריך לזכור את הפרטים ולהשתמש בהם כדי ליצור ולהוציא פלט של איור בסגנון המועדף על המשתמש. אין צורך שהמשתמש יסביר מחדש את פרטי תהליך העבודה או יחזור על העדפתו ל-PDF על פני תוצרי PNG; המערכת אמורה להיות מסוגלת לשחזר במדויק הקשר זה מהפעלות קודמות ולהחיל אותו באופן אוטומטי.

זיכרון הוא הבסיס לשיפור מתמיד של סוכנים. מערכת זיכרון אפקטיבית צריכה להיות מובנית, ניתנת למעקב וניתנת להתאמה, המאפשרת לסוכנים לחפש ברוחב ובעומק הנכונים לכל משימה תוך עיגון כל החלטה במידע העדכני ביותר.

מבוא

הספגת סוכנים בהקשר רלוונטי היא בעיה מרובת פנים. ראשית, סוכנים צריכים לדעת מה קיים וכיצד לגשת אליו. שנית, כאשר הם מוצאים פיסת מידע מועילה, עליהם להיות בטוחים שהיא שלמה, מדויקת ומעודכנת. עובדה מבודדת היא בעלת ערך מוגבל אלא אם כן הסוכן יכול למצוא מידע קשור, לאמת שהוא מגיע ממקור מהמן, ולוודא שאין צורך לעדכן אותו בתצפית עדכנית יותר.

דחיסת קבצי זיכרון סטטיים ישירות להקשר המודל ממקסמת את הנגישות לסוכנים, אך מציגה פשרה קלאסית בין דיוק לשליפה. מידע רב מדי ירוו את חלון ההקשר של הסוכן בפריטים בעלי רלוונטיות קטנה והולכת, בעוד שמעט מדי יפגע באיכות התשובות עקב חוסר בהקשר רלוונטי. לעומת זאת, גישה לפי דרישה למסדי נתונים חיצוניים גמישה יותר, אך מעבירה את נטל הניווט אל הסוכן. מסדי נתונים וקטוריים מאחסנים לעתים קרובות שברים מנותקים, ומסדי נתונים גרפיים דורשים מסוכנים לדעת כיצד לשאול ביעילות.

לאחרונה, הצגנו את Brain, רכיב ליבה של מערכת הזיכרון של Computer המספק את מיטב שני העולמות. Brain הוא ויקי ידע מובנה שיושב על גבי קבצי זיכרון סטטיים וראיות. ציטוטים מקשרים טענות למקורותיהם, ופריטי מידע קשורים מחוברים לרוחב. ויקי המאורגן הופך את ההקשר לניתן לניווט לפי דרישה, בעוד חפצים (artifacts) מפורטים נשמרים בשכבה שמתחתיו.

Brain לדוגמה המבוסס על פרסונה סינתטית.

Brain מתחבר למערכת זיכרון מקיפה עם שלושה רכיבים מרכזיים: אחסון זיכרון עמיד, סוכני חזית המשתמשים בזיכרון למענה על שאילתות, וסוכני רקע המעודכנים ומשפרים את הזיכרון. האיור הבא מתאר רכיבים אלו הממוקמים בתוך ארכיטקטורת המערכת הכוללת של Brain.

מערכת הזיכרון מורכבת מזיכרון עמיד משותף, סוכני חזית המשתמשים בזיכרון, וסוכני רקע המעודכנים זיכרון.

במאמר זה, אנו מתארים כל שכבה לעומק, ומסבירים כיצד Brain מארגן זיכרון, כיצד סוכנים משתמשים בו, וכיצד תהליכי רקע שומרים עליו מעודכן. אנו מציגים גם תוצאות מהערכות פנימיות המאמתות את עיצובו של Brain, תוך הדגמה שהוא משפר את ביצועי הסוכן בעלות נמוכה יותר.

ארגון זיכרון ואחסון

זיכרון זקוק לייצוג שמתרחב להיסטוריה המלאה של המשתמש מבלי לדחוף כל פיסת הקשר להנחיה (prompt). מערכת הזיכרון של Computer מייצגת הקשר מתמיד כמערכת קבצים. Brain מסנתז ידע על פני מקורות גולמיים, מחבר נושאים קשורים ומחבר טענות חזרה להפעלות ולקבצים התומכים בהם. מבנה זה, המפורט להלן, מאפשר לנו לארגן זיכרון בצורה המתאימה במיוחד לסוכנים.

זיכרון מבוסס מערכת קבצים

הפעלות מחשב כבר פועלות בארגז חול עם מערכת קבצים, מעטפת וכלי קלט/פלט. בעת תכנון Brain, רצינו להכניס כמה שפחות מנגנונים חדשים בממשק בין המודל לזיכרון הסוכן. לכן בנינו את Brain על גבי שכבת הקשר ילידת־מערכת קבצים. הזיכרון ממומש כקבצים בארגז החול תחת הספרייה memory/, והסוכן פשוט משתמש באותם כלים על קובצי הזיכרון שהוא כבר משתמש בהם על כל השאר.

בשורש עץ הזיכרון יושבות שלוש ספריות ברמה העליונה השומרות על הקשר ברמות שונות של הפשטה. knowledge/ הוא ה-Brain עצמו, ויקי ידע מסונתז המקשר ישויות, מושגים, פרויקטים פעילים ולמידות קודמות; notes/ מכיל קטעים מזוקקים המאורגנים כתיקיות נושאיות; ו-sessions/ מחזיק אינדקסים, סיכומים ותמלילים מלאים כהיסטוריות הגולמיות. האיור להלן מציג תצוגה מפושטת של הפריסה.

תצוגה לדוגמה של פריסת מערכת הקבצים של הזיכרון.

המשטחים מיותרים בכוונה. עבור שאלות פשוטות של הופעה בודדת, לעתים קרובות זה מספיק לחפש קטעים בתוך /notes אחר מילת מפתח, בעוד שכבת /knowledge שימושית ביותר עבור שאלות הדורשות תפירת ראיות על פני שבועות או חודשים של הפעלות Computer.

Brain: ויקי הידע

Brain מעוצב כויקי LLM, מערכת של קבצי Markdown מקושרים. צורה זו של Markdown מובנה בקלילות מספקת מבט כולל על ההקשר הקיים, כך שסוכנים יכולים להבין בקלות אילו רשומות זמינות, כיצד הן קשורות, והיכן למצוא אותות. כל עמוד הוא תצוגה מתוחזקת של נושא אחד; הוא אמור להישאר שימושי כאשר הוא נקרא לבד תוך הפיכת חקירה נוספת לקלה באמצעות קישורים.

קישורים מגיעים בשני סוגים. [[wikilinks]] הם קשרי הקשר. הם מחברים עמודים לרוחב; פרויקט עשוי לקשר לבעליו, ללקוח שלו או למושגים שהוא תלוי בהם. מעקב אחריהם עונה על השאלה "מה עוד אני צריך לדעת?". הפניות [cite:N] הן קשרי ראיות. הן מחברות טענות כלפי מטה אל ההפעלות הגולמיות או מקורות המחבר (connector) התומכים בהם. מעקב אחריהם עונה על השאלה "איך אני יודע שזה נכון?"

האיורים שלהלן מציגים איך חלק מ-Brain ייראה עבור פרסונה סינתטית, חוקרת נגישות בשם Nadia. Brain שלה כולל עמוד על פרויקט לדוגמה, ספרינט עיצוב אוניברסלי ביפן, וסינתזה של ידע מהפעלות ומחברים. תצוגת הגרף מדגימה כיצד ההקשר וקישורי הראיות הקיימים בעמוד מחברים בין ישויות ומקורות קשורים.

Brain הוא מערכת של קבצי Markdown.
הקשר מוטמע וקשרי ראיות יוצרים מבנה גרף לניווט קל.

Brain מגובה ב-Git כדי לשמור על היסטוריית הגרסאות, תוך תמיכה באופיו המתפתח תמיד. ניתן לערוך עמודים לאורך זמן, בעוד יומני שינויים מתעדים עדכונים מרכזיים ומאפשרים לסוכנים לבדוק בקלות גרסאות קודמות והבדלים (diffs). הדבר תומך גם בתיאום סוכנותי, שהוא קריטי מכיוון שסוכנים מרובים עשויים להשתמש ולעדכן את Brain בו-זמנית.

שימוש ב-Brain

בעת מענה על שאילתת משתמש, סוכנים צריכים להיות מסוגלים למצוא את ההקשר הנכון ברמת הפירוט הנכונה. המבנה של Brain מקל על סוכנים לחקור את הזיכרון. סוכנים יכולים לבחור בין צעדים בני-ביצוע כגון מעקב אחר קישורי הקשר כדי למצוא מידע קשור, מעקב אחר קישורי ראיות כדי לאמת טענות, או קריאה לתת-סוכן כדי לקבל ולסנתז הקשר נוסף. אנו מכוונים את תהליך החקירה הסוכנותית במגוון דרכים שמטרתן למקסם את קלות הגישה של סוכנים למידע רלוונטי.

אסטרטגיית חקירה

אנו כוללים אינדקס קומפקטי של Brain בתוך הודעת המשתמש הראשונית, כך שהסוכן מתחיל בידע עובד על מה שכבר קיים. לאחר מכן הסוכן מקשר עם Brain באמצעות פעולות מוכרות: קריאת פריטים ספציפיים אליהם מפנה האינדקס, שימוש ב-grep לחיפוש על פני עמודים, מעקב אחר קישורים ובדיקת ציטוטים, השוואת גרסאות Git, וירידה להפעלות או למסלולים גולמיים. קטע הקוד להלן מתאר פקודות לדוגמה עבור פרסונה סינתטית.

bash
# 1. Orient: the index is a map of everything known cat memory/knowledge/index.md # 2. Target: find pages that touch the question grep -Ril "kyoto\|sendai" memory/knowledge/ # 3. Read the page; follow context edges as needed cat memory/knowledge/projects/japan-universal-design-sprint.md cat memory/knowledge/entities/sora-city-laboratory.md # via [[wikilink]] cat memory/knowledge/entities/sapphir-mobility-coop.md # via [[wikilink]] # 4. Only if the claim must be verified: resolve evidence # city bases → [cite:1], [cite:10] → pplx://sessions/<id> # # Example (pseudo, replace with your real tool): # pplx-session-fetch 1eaf53d4-09e0-5823-bb96-c8662f582708 --slice <slice-id> # 5. Some evidence lives outside the sessions # meeting slots → [cite:15] → connector://google-calendar # # pplx-connector-fetch google-calendar --query "japan-sprint"

סוכנים חוקרים הקשר זה דרך לולאה מכוונת-עצמית, ולא דרך צינור קבוע. לכן, הסוכן יכול להמשיך לחפש עד שהוא מרוצה מההקשר שנמצא. הסוכן יכול גם לבחור מתי לבדוק ציטוטים וראיות כדי למצוא או לאמת פרטים. עניין שולי של העדפה עשוי להיות מאומץ ישירות מעמוד Brain ידוע, בעוד החלטה משמעותית או סכסוך בין מקורות עשויים להצדיק מעקב אחר הציטוט וקריאת הרשומה המקורית. המבנה מבוסס-הגרף מאפשר לסוכן לבחור בין צעדים הבאים קונקרטיים, במקום לחפש ללא מטרה מידע קשור.

הסוכן יכול לעקוב אחר קישורי Brain אל עמודים חדשים של Brain או מקורות ראיות עד שהוא מרוצה שיש לו מספיק הקשר למשימה.

המחשת קבצים

כדי שחקירה אגנטית תעבוד, הסוכן צריך גישה לכל העץ של memory/ דרך מערכת הקבצים של ארגז החול. העתקת כל העץ מקומית בכל פעם שארגז חול מאותחל היא יקרה ומיותרת, כי הסוכן לא ייגע ברוב המכריע של הקבצים האלה. אפשרות אחרת תהיה להשתמש במערכת קבצים מרוחקת, כך שסוכנים יוכלו לגשת לכל קובץ בלי להעתיק אותו מקומית. עם זאת, סוכנים מבצעים לעיתים קרובות אלפי פעולות מערכת קבצים בפקודה אחת; אם כל פעולה כזו הופכת לבקשת רשת, עלות הסבב-ההלוך-חזור מתחילה להשתלט על לולאת החקירה. בבדיקות פנימיות, עומסי עבודה פשוטים של grep מעל נתיב מרוחק מבוסס FUSE היו איטיים בערך פי 400 עד 500 מהפעולות המקבילות על קבצים מקומיים.

במקום זאת, אנחנו בונים סט עבודה מקומי של קבצים ממומשים, בעוד הקורפוס הגדול יותר נשאר מאחורי מערכת אחזור זיכרון. Computer טוען מראש מפה ראשונית (שנלקחה מזיכרונות אחרונים, הפעלות, סיכומים וידע זמין) אל תוך ארגז החול כשהוא מאתחל. ל-Computer agents יש גישה ל-Memory Agent, תת-סוכן שיכול לבצע חיפוש סמנטי ולטעון סט חדש של קבצים. כשחסר הקשר נחוץ, Computer יכול לקרוא ל-Memory Agent עם תיאור של המידע הנדרש. ה-Memory Agent מחפש בין הקבצים, מחזיר מיד סינתזה טקסטואלית ומממש את הרשומות התומכות כקבצים תחת עץ הזיכרון. בדרך זו, סט העבודה מתרחב באופן טבעי והדרגתי לאורך הזמן, תוך שמירה על נתיבים יציבים ויחסי מקור עבור ראיות שכבר קיימות.

טעינה מוקדמת של הפעלה ואחזור סמנטי על ידי סוכן הזיכרון טוענים מפה ראשונית של קבצים שהסוכן הכי סביר שיזדקק להם.

העיצוב הזה פותר באופן נקי את צוואר הבקבוק של ההשהיה. אחסון קבצים רלוונטיים מקומית מבטיח שפעולות מערכת הקבצים הנדרשות לחקירה יישארו מהירות, ואחזור באצווה מאפשר למאגר הקבצים הממומשים לגדול בלי לדרוש קריאות נפרדות לכל קובץ או טעינה של מספר רב של קבצים לא רלוונטיים. התכנון הרב-סוכני מעניק גם ל-Computer את היתרונות של אחזור אגנטי בלי לדרוש מהסוכן הראשי לחפש ישירות בכל קורפוס ה-backend בכל פעם, וכך נשמר חלון ההקשר שלו עבור המידע בעל הערך הגבוה ביותר.

תחזוקת Brain

משתמשים לומדים ללא הרפה מהעבודה שהם עושים ומהשיחות שהם מנהלים, ולכן זיכרון סוכנותי צריך לעשות את אותו הדבר. כדי ש-Brain יישאר שימושי, עליו להיות ייצוג תמציתי של הידע החשוב ביותר. יש ליצור עמודים חדשים עבור ישויות חדשות חשובות, להוסיף מידע חדש לעמודי Brain רלוונטיים, ולהסיר הקשר מיושן בעונתיות. לדוגמה, אם עבודתו של משתמש משתנה, Brain צריך לשקף שינוי זה; עליו להכיל את עבודתו החדשה של המשתמש ולתעדף מידע הקשור לאחריותו ולפרויקטים החדשים שלו.

Brain מתוחזק על ידי סוכני רקע שאנחנו קוראים להם Dream. סוכני Dream פועלים לא מקוון על גבי זיכרון מבוסס־קבצים, ומסנתזים מידע חדש לעדכונים של Brain. הגדרנו בקפידה את ההיקף וההתנהגות של סוכני Dream כדי לבצע משימה זו ביעילות, יחד עם מעקות הגנה ייעודיים ל-Dream כדי להבטיח שעדכוני Brain יהיו עקביים ומדויקים.

Dream: סוכני רקע לשיפור הזיכרון

סוכני Dream פועלים בארגזי חול עם גישה לאותה מערכת קבצים וכלים לקריאה בלבד שהיו להפעלה אינטראקטיבית של Computer, אך המטרה היחידה שלהם היא לשפר את ההקשר להפעלות עתידיות. כל הרצה מתחילה מה-Brain שהופק בהרצות קודמות במקום לבנות מחדש את הקשר המשתמש מאפס. לאחר מכן הוא משתמש ב-Brain הנוכחי כדי להתמצא ומפיק Brain מעודכן עבור הרצות עתידיות לשימוש.

סוכני Dream פועלים ברקע כדי לעדכן את Brain, ויוצרים לולאה של שיפור עצמי.

סוכן Dream מקבל בסביבה ומחליט כיצד לחקור אותה, במקום לקבל קלט קבוע המצומצם להנחיה (prompt) אחת. הוא יכול לנווט בזיכרון מבוסס-קבצים, להשתמש בכלי מחבר (connector) מאושרים לקריאה בלבד כדי לאמת פיסת ידע, ולהאציל חלקים תחומים של העבודה לתת-סוכנים, כולל סוכן הזיכרון. ההיקף והאחריות של סוכן הDream מוגדרים ככישור (Skill).

באופן כללי, הרצת Dream מורכבת מ-4 שלבים:

  1. התמצאות (Orient): הסוכן משים הליך התמצאות מוסדר. הוא מזהה את ההיקף הסמכותי, הוראות קבועות, יומן מחיקות, קלטים נוספים ותנאי עצירה.
  2. סיכום הפעלות: עבור כל הפעלה שהיא חדשה (או שהיו בה סיבובים חדשים) מאז העדכון האחרון, הסוכן כותב (או מעדכן) סיכום קצר של ההפעלה.
  3. צרוף עובדות לנושאים: הסוכן מוסיף כל תצפית שהוא מוצא לנכונה אל המקום הנכון שלה, שבדרך כלל הוא עמוד ויקי. הוא בודק ושואל מחברים (connectors) מאומתים כאשר הם זמינים.
  4. עדכון ויקי הידע: הסוכן מעדכן את הויקי בהתבסס על ממצאיו. הוא יכול לייצר עמודים חדשים עבור נושאים עמידים, לתקן עמודים כאשר הסינתזה הנוכחית השתנתה, או להוסיף קישורים חדשים או ציטוטים התומכים בטענה עובדתית. הוא יכול גם לבחור לא לבצע שינויים כאשר הגרף הנוכחי כבר נכון.

כדי להבטיח שכל עדכון ל-Brain יהיה שלם ועקבי, סוכנים כותבים מצב מוצע לתוך עץ פלט מוצב. שום שינוי קבוע אינו מתבצע עד שהסוכן ביצע את כל העדכונים שהוא מוצא לנכון. תיאום החלטות אלו בתהליך סוכנותי אחד מאפשר עדכון של הגרף כולו במקום כעמודים לא קשורים.

סוכני Dream משתמשים ב-Brain הקיים ובמידע חדש כדי להציע ולכתוב עדכונים.

כל שינוי חייב לעבור שני סוגי בדיקות אימות. בדיקות אימות דטרמיניסטיות מוודאות שעמודים מעוצבים כהלכה ועומדים בקריטריונים אובייקטיביים, כגון frontmatter נדרש ופורמט ציטוט. בדיקות אימות סמנטיות מוודאות שסינתזה מוצעת נתמכת על ידי הראיות שנאספו ונשארת עקבית עם שאר הגרף. לאחר שהסוכן מסיים בהצלחה, שלב סנכרון מבוקר משווה את הפלט המוצב מול המצב הקודם ומחיל את השינויים על המאגר. כאשר שלב סנכרון מנושל, סט העריכות הסופי ניתן לבדיקה באמצעות היסטוריית גרסאות Git.

אימות Brain

מערכת זיכרון שימושית חייבת לשמור ראיות רלוונטיות, להציף אותן בעת הצורך, ולעזור לסוכן להמיר ראיות אלו לתשובה נכונה. לכן אנו מעריכים את Brain ברמות מרובות: השמטות מבוקרות לא מקוונות, השמעה חוזרת מותאמת רציפה, וניסויי ייצור אקראיים.

הערכות לא מקוונות

ההערכה הלא מקוונת העיקרית שלנו משתמשת במערך נתונים פנימי של 640 שאלות על פני 44 פרסונות סינתטיות. הפרסונות משחזרות דפוסים שמקורם בייצור בקצב ההפעלות, ספירת הסיבובים, תערובת הנושאים וצפיפות העובדות, תוך שהן אינן מכילות טקסט שאילתת ייצור כדי לשמור על פרטיות המשתמש. כל חשבון מאוכלס באמצעות צינור הזיכרון של הייצור, כולל חילוץ זיכרון, סיכומי שיחות והקומפילציה של Dream של ויקי הידע. עבור כל שאלה, התשובה הנכונה קשורה באופן מכני לראיות ספציפיות הקיימות בהיסטוריה של החשבון.

לדוגמה, עבור נדיה, הפרסונה הסינתטית של חוקרת הנגישות שהוצגה קודם לכן, מערך הנתונים כולל את השאלה, "באילו ארגונים אני פוגשת בקיוטו ובסנדאי?" התשובה (Sora City Lab בקיוטו ו-Sapphir Mobility Coop בסנדאי) מופיעה ישירות בעמוד הויקי המתאים.

אנו משווים את אותן שאלות וחשבונות כאשר ויקי הידע המורכב מופאול לעומת כשהוא מנוס. משטחי זיכרון אחרים נשארים זמינים בשני התנאים. הדבר מבודד את התרומה האינקרמנטלית של Brain, במקום להשוות זיכרון מול היעדר זיכרון. בסך הכל, Brain העלה את דיוק התשובות מ-0.600 ל-0.661, עלייה של 6.1 נקודות אחוז, ואת שליפת הראיות מ-0.573 ל-0.625, עלייה של 5.2 נקודות אחוז. ההשפעה הייתה הגדולה ביותר בשאלות על העדפות (+10.2 נקודות אחוז), חשיבה זמנית (+8.6 נקודות אחוז), וחילוץ פרטים מפעילות קודמת (+6.9 נקודות אחוז). ב-84% מהשאלות, הסוכן נגע באופן שניתן לאימות במקור הקשור לראיות הזהב.

Brain משפר את הביצועים במדד הפנימי שלנו.

הפעלנו גם השמטות Brain מותאמות על תת-קבוצות של שני מדדים ציבוריים. ב-LoCoMo, הסרת הויקי הפחיתה את דיוק התשובות ב-4.6 נקודות אחוז בממוצע, על פני שלוש הרצות עם מודלים שונים. ב-LongMemEval-S היא לא ייצרה שינוי מובהק סטטיסטית. תוצאה זו עולה בקנה אחד עם תפקידו המיועד של Brain. LongMemEval-S בודק בעיקר שחזור עובדות מהפעלות בודדות, שבהן התמלילים הבסיסיים מספקים נתיב מיותר לתשובה. LoCoMo שם דגש רב יותר על ראיות המפוזרות על פני שיחות, דוברים ותאריכים, מה שיוצר הזדמנויות רבות יותר לסינתזה חוצת-ההפעלות של הויקי לתרום.

בסך הכל, כאשר Brain מופעל, סוכן הייצור הגיע ל-0.91 דיוק תשובות ב-LongMemEval-S ו-0.83 ב-LoCoMo. מכיוון שניסויים אלו השתמשו בתת-קבוצות של מדדים, הם אינם תוצאות מדד מוחלטות. עם זאת, ההשמטות עדיין מספקות איתות חזק שהויקי משפר את הביצועים, במיוחד כאשר יש לשלב ראיות על פני שיחות. מכיוון ש-Brain הוא חלק מ-Computer, ולא מערכת אחזור אופטימלית הספציפית למדד, אלא אנו מאמינים שתחרותיות רק תגדל במשימות הדומה יותר לתהליכי עבודה (workflows) בייצור.

הערכות מקוונות

מערכי נתונים לא מקוונים אינם יכולים ללכוד כל תכונה של היסטוריות משתמש אמיתיות, ולכן אנו מריצים גם הערכה זוגית יומית על פני קבוצות המקורות החדשות בייצור. על אותן שאלות קבועות עונים מול מצב משתמש מותאם עם Brain מופעל ומושבת, ואז נשפטים לדיוק, עדכניות ושליפה.

תוצאות ראשוניות שדווחו ב-18 ביוני הראו כי Brain משפר את נכונות התשובות ב-25% ואת הזכירה ב-16%. שיפורי הביצועים הללו המשיכו להישמר; במהלך 30 הימים האחרונים, הפעלות עם Brain עקפו את קבוצת הביקורת בכל הרצה ובכל ממד שנבחן. במונחים מוחלטים, משתמשי Computer נהנו משיפורים של 9.3 נקודות בנכונות, 8.0 נקודות עדכניות, ו-8.9 נקודות בזכירה. מסלולי העבודה עם Brain השתמשו גם בכ-15% פחות טוקנים, עלו 10% פחות, והשלימו יצירה 10% מהר יותר.

Brain משפר את איכות התשובות ומפחית עלויות.

שיפור מתמיד

המשכנו לשכלל את Brain כדי להביא את חוויית הזיכרון הטובה ביותר למשתמשים. שינוי אחד לאחרונה ממקם את האינדקס הקומפקטי של Brain ישירות בהקשר הראשוני של הסוכן במקום לדרוש מהסוכן לגלות ולקרוא אותו מאוחר יותר. בניסוי אקראי, טיפול טעינה מוקדמת זה הגביר את השימוש ב-Brain והפחית את אי-השביעות רצון הקשורה לזיכרון ב-6.9%.

מתקן ההערכה הלא מקוון משמש גם כחלק מצינור שיפור אוטונומי. שינויים מוצעים לסוכן הזיכרון של Brain, כישורי (skills) האחסון וההנחיות רצים דרך ההשמטות המותאמות במערך הנתונים הפנימי שלנו ובמדדים הציבוריים. סוכני Computer יכולים לחזור על התוצאות באופן אוטומטי, תוך שמירת השינוי, הדלתות והעלות של כל איטרציה כרשומה עמידה ושמירת רק השינויים שמזיזים את המספרים. התוצאה היא מערכת שבה המעריכים של Brain הם גם הממטבים שלה, המניעים שיפורים עתידיים.

סיכום

למידה מתמשכת היא אחד האתגרים המרכזיים לבניית מערכות סוכנים הפועלות לאורך שבועות וחודשים. אנו מאמינים כי ארכיטקטורות זיכרון מוצגות בצורה הטובה ביותר כסביבות שסוכנים יכולים לחקור ישירות באמצעות מערכות הכלים הרגילות שלהם. חשיפת הזיכרון כמערכת קבצים, עם Brain כוויקי ידע מובנה למעלה, הופכת את ההקשר לניתן לניווט ביעילות באמצעות כלים פשוטים ומוכרים.

Brain תוכנן לשיפור עצמי, כך שמערכת הזיכרון תוכל להמשיך להשתפר ככל שהשימוש גדל. סוכני הרקע של Dream ממצים מידע טרי לתוך עדכוני Brain, מה שמבטיח שסוכני החזית תמיד מתחילים הפעלה חדשה עם תצוגה מאורגנת של ההקשר העדכני ביותר. מתקן ההערכה משמש גם כקרקע בדיקה ללולאות מחקר אוטומטי על ארכיטקטורת הזיכרון המרכזית וממשקי הסוכנים.

כבר עכשיו, Brain הביא להפעלות סוכן מדויקות ויעילות יותר תוך הפחתת אסימונים (tokens) שהוצאו. התכנון המשותף הקפדני שלנו של Brain עם מחסנית הייצור של Computer מבטיח שרווחים אלו יתרגמו ישירות ליתרונות אמיתיים עבור המשתמשים.

אנו ממשיכים לבנות יכולות נוספות כדי לשפר את איכות הזיכרון של Computer. בינתיים, עבור משתמשים ש-Brain מופאול אצלם, הזיכרון ישתפר עם כל הפעלה.

ציטוט

BibTeX
@online{perplexity2026BrainAgenticMemoryAsAKnowledgeWiki,
  author = {{Perplexity} and Nicholas Bien and Se Won Jang and Haomiao Li and Kate Jung and Ishbir Singh and Kartik Kapur and Kevin Lau and Peter Hart and Sidhant Rajadnya and Yan Shu and Phi Hoang and Claire Beamer and Jeremy Yang},
  title = {{Brain: Agentic memory as a knowledge wiki}},
  date = {2026-08-19},
  url = {https://perplexity.coolkeypoint.com/hub/blog/brain-agentic-memory-as-a-knowledge-wiki}
}