Brain: หน่วยความจำแบบเอเจนต์ในฐานะวิกิความรู้

ระบบไฟล์ Markdown ที่มีโครงสร้าง ตรวจสอบย้อนกลับได้ และพัฒนาตัวเองได้ ซึ่งคอมไพล์แบบออฟไลน์และนำทางได้ตามต้องการ

ผู้เขียนPerplexity Engineering

ผู้ใช้ Computer ทำงานที่กินเวลาหลายเดือนและมีเซสชันหลายร้อยเซสชัน ภายในเซสชันที่สิบ ระบบควรมีประสิทธิภาพมากกว่าเซสชันแรกมาก ระบบควรสะสมบริบทเกี่ยวกับผู้ใช้ ความชอบ และงานที่เสร็จสิ้นไปแล้ว

ตัวอย่างเช่น เมื่อถูกขอให้วาดไดอะแกรมของเวิร์กโฟลว์ที่ผู้ใช้อธิบายไว้ก่อนหน้านี้ Computer ควรเรียกรายละเอียดและนำไปใช้สร้างและส่งออกรูปภาพในสไตล์ที่ผู้ใช้ต้องการ ผู้ใช้ไม่จำเป็นต้องอธิบายรายละเอียดของเวิร์กโฟลว์ซ้ำหรือย้ำความชอบสำหรับอาร์ทิแฟกต์ PDF มากกว่า PNG ระบบควรสามารถกู้คืนบริบทนั้นจากเซสชันที่ผ่านมาได้อย่างแม่นยำและนำไปใช้โดยอัตโนมัติ

หน่วยความจำคือรากฐานของการพัฒนาเอเจนต์อย่างต่อเนื่อง ระบบหน่วยความจำที่มีประสิทธิภาพควรมีโครงสร้าง ตรวจสอบย้อนกลับได้ และปรับ 10 ได้ ช่วยให้เอเจนต์สามารถค้นหาในความกว้างและความลึกที่เหมาะสมสำหรับแต่ละงาน พร้อมทั้งยึดโยงทุกการตัดสินใจไว้กับข้อมูลที่เป็นปัจจุบันที่สุด

บทนำ

การใส่บริบทที่เกี่ยวข้องให้กับเอเจนต์เป็นปัญหาที่มีหลายแง่มุม ประการแรก เอเจนต์ต้องรู้ว่ามีอะไรอยู่บ้างและจะเข้าถึงอย่างไร ประการที่สอง เมื่อพบข้อมูลที่เป็นประโยชน์ พวกเขาต้องแน่ใจว่าข้อมูลนั้นสมบูรณ์ ถูกต้อง และเป็นปัจจุบัน ข้อเท็จจริงที่แยกตัวออกมาจะมีค่าน้อยเว้นแต่เอเจนต์จะหาข้อมูลที่เกี่ยวข้องได้ ตรวจสอบว่ามาจากแหล่งที่น่าเชื่อถือ และมั่นใจว่าไม่ต้องอัปเดตด้วยการสังเกตการณ์ที่ใหม่กว่า

การยัดไฟล์หน่วยความจำแบบสถิตลงในบริบทของโมเดลโดยตรงช่วยเพิ่มความสามารถในการเข้าถึงสำหรับเอเจนต์ให้สูงสุด แต่ก็นำเสนอการแลกเปลี่ยนความแม่นยำและการเรียกคืนแบบคลาสสิก ข้อมูลที่มากเกินไปจะทำให้หน้าต่างบริบทของเอเจนต์อิ่มตัวด้วยรายการที่มีความเกี่ยวข้องน้อยลงเรื่อยๆ ในขณะที่ข้อมูลที่น้อยเกินไปจะทำให้คุณภาพคำตอบลดลงเนื่องจากขาดบริบทที่เกี่ยวข้อง ในทางตรงกันข้าม การเข้าถึงฐานข้อมูลภายนอกตามความต้องการมีความยืดหยุ่นมากกว่า แต่จะผลักภาระของการนำทางไปให้เอเจนต์ ฐานข้อมูลเวกเตอร์มักจะจัดเก็บชิ้นส่วนที่ตัดการเชื่อมต่อ และฐานข้อมูลกราฟกำหนดให้เอเจนต์ต้องรู้วิธีการค้นหาอย่างมีประสิทธิภาพ

เมื่อไม่นานมานี้ เราได้แนะนำ Brain ซึ่งเป็นองค์ประกอบหลักของระบบหน่วยความจำของ Computer ที่มอบข้อดีของทั้งสองโลก Brain คือวิกิความรู้แบบมีโครงสร้างที่อยู่เหนือไฟล์หน่วยความจำแบบคงที่และหลักฐานต่างๆ การอ้างอิงเชื่อมโยงข้อกล่าวอ้างเข้ากับแหล่งที่มา และชิ้นส่วนข้อมูลที่เกี่ยวข้องกันจะเชื่อมต่อกันในแนวนอน วิิกิที่จัดระเบียบไว้อย่างดีทำให้สำรวจบริบทได้ตามต้องการ ขณะที่อาร์ทิแฟกต์รายละเอียดต่างๆ ยังคงถูกเก็บไว้ในชั้นด้านล่าง

ตัวอย่าง Brain ที่สร้างจากบุคคลจำลอง

Brain เชื่อมต่อกับระบบหน่วยความจำที่ครอบคลุมซึ่งมีส่วนประกอบสำคัญสามประการ: การจัดเก็บหน่วยความจำที่ทนทาน เอเจนต์เบื้องหน้าที่ใช้หน่วยความจำเพื่อตอบคำถาม และเอเจนต์เบื้องหลังที่อัปเดตและปรับปรุงหน่วยความจำ ตัวเลขต่อไปนี้แสดงส่วนประกอบเหล่านี้ที่ตั้งอยู่ภายในสถาปัตยกรรมระบบโดยรวมของ Brain

ระบบหน่วยความจำประกอบด้วยหน่วยความจำที่ทนทานร่วมกัน เอเจนต์เบื้องหน้าที่ใช้หน่วยความจำ และเอเจนต์เบื้องหลังที่อัปเดตหน่วยความจำ

ในบทความนี้ เราจะอธิบายแต่ละเลเยอร์ในเชิง 3 มิติ โดยอธิบายวิธีที่ Brain จัดระเบียบหน่วยความจำ วิธีที่เอเจนต์ใช้งาน และวิธีที่กระบวนการเบื้องหลังทำให้เป็นปัจจุบันอยู่เสมอ เรายังนำเสนอผลลัพธ์จากการประเมินภายในที่ตรวจสอบความถูกต้องของการออกแบบ Brain ซึ่งแสดงให้เห็นว่าช่วยปรับปรุงประสิทธิภาพของเอเจนต์ด้วยต้นทุนที่ต่ำลง

การจัดระเบียบหน่วยความจำและการจัดเก็บข้อมูล

หน่วยความจำต้องการการแสดงผลที่ปรับขนาดได้ตามประวัติทั้งหมดของผู้ใช้โดยไม่ต้องบังคับให้บริบททุกชิ้นเข้าไปในพรอมต์ ระบบหน่วยความจำของ Computer แสดงบริบทถาวรเป็นระบบไฟล์ Brain สังเคราะห์ความรู้ข้ามแหล่งข้อมูลดิบ เชื่อมโยงเรื่องที่เกี่ยวข้อง และเชื่อมโยงคำกล่าวอ้างกลับไปยังเซสชันและไฟล์ที่สนับสนุนข้อมูลนั้น โครงสร้างนี้ซึ่งมีรายละเอียดอยู่ด้านล่าง ช่วยให้เราจัดระเบียบหน่วยความจำในรูปแบบที่เหมาะสมกับเอเจนต์เป็นพิเศษ

หน่วยความจำที่อิงระบบไฟล์

เซสชัน Computer ทำงานอยู่ในแซนด์บ็อกซ์ที่มีระบบไฟล์ เชลล์ และยูทิลิตี I/O อยู่แล้ว ในการออกแบบ Brain เราต้องการแนะนำกลไกใหม่ให้น้อยที่สุดเท่าที่จะเป็นไปได้ในส่วนติดต่อระหว่างโมเดลและหน่วยความจำของเอเจนต์ นี่คือเหตุผลที่เราสร้าง Brain ไว้บนเลเยอร์บริบทที่อิงระบบไฟล์เป็นหลัก หน่วยความจำจะถูกสร้างเป็นไฟล์ในแซนด์บ็อกซ์ภายใต้ไดเรกทอรี memory/ และเอเจนต์จะใช้เครื่องมือเดียวกันกับไฟล์หน่วยความจำที่ใช้อยู่แล้วกับสิ่งอื่นๆ

ที่รากของต้นไม้หน่วยความจำมีไดเรกทอรีย่อยระดับบนสุดสามรายการที่คงบริบทไว้ในระดับนามธรรมที่แตกต่างกัน knowledge/ คือ Brain เอง ซึ่งเป็นวิกิความรู้แบบสังเคราะห์ที่เชื่อมโยงเอนทิตี แนวคิด โปรเจกต์ที่กำลังดำเนินอยู่ และสิ่งที่เรียนรู้มาในอดีต; notes/ ประกอบด้วยข้อความสรุปที่จัดเป็นโฟลเดอร์ตามหัวข้อ; และ sessions/ เก็บดัชนี บทสรุป และทรานสคริปต์ฉบับเต็มไว้เป็นประวัติดิบ ภาพด้านล่างแสดงมุมมองแบบย่อของโครงสร้างนี้

ตัวอย่างมุมมองของเลย์เอาต์ระบบไฟล์หน่วยความจำ

พื้นผิวมีความซ้ำซ้อนโดยเจตนา สำหรับคำถามแบบฮอปเดียวง่ายๆ มักจะเพียงพอที่จะค้นหาสนิปเป็ตภายใน /notes สำหรับคำสำคัญ ในขณะที่เลเยอร์ /knowledge มีประโยชน์มากที่สุดสำหรับคำถามที่ต้องร้อยเรียงหลักฐานข้ามสัปดาห์หรือเดือนของเซสชัน Computer

Brain: วิกิความรู้

Brain จัดรูปแบบเป็น LLM wiki ซึ่งเป็นระบบของไฟล์ Markdown ที่เชื่อมโยงกัน Markdown ที่มีโครงสร้างเล็กน้อยรูปแบบนี้ให้มุมมองแบบองค์รวมของบริบทที่มีอยู่ เพื่อให้เอเจนต์เข้าใจได้อย่างง่ายดายว่ามีบันทึกใดบ้างที่พร้อมใช้งาน เกี่ยวข้องกันอย่างไร และจะหาได้ที่ไหน แต่ละหน้าคือมุมมองที่ได้รับการดูแลของหัวข้อเดียว โดยควรยังคงมีประโยชน์เมื่ออ่านคนเดียวในขณะที่ทำให้การสำรวจเพิ่มเติมเป็นเรื่องง่ายผ่านลิงก์

ลิงก์มี 2 ประเภท [[wikilinks]] คือขอบบริบท เชื่อมโยงหน้าในแนวราบ โปรเจกต์อาจเชื่อมโยงกับเจ้าของ ลูกค้า หรือแนวคิดที่พึ่งพา การทำตามลิงก์เหล่านี้จะตอบคำถามว่า "ฉันต้องรู้อะไรอีกบ้าง" การอ้างอิง [cite:N] คือขอบหลักฐาน เชื่อมโยงข้อเรียกร้องลงไปยังเซสชันดิบหรือแหล่งที่มาของตัวเชื่อมต่อที่สนับสนุนข้อมูลนั้น การทำตามลิงก์เหล่านี้จะตอบคำถามว่า "ฉันจะรู้ได้อย่างไรว่านี่เป็นความจริง"

ภาพด้านล่างแสดงให้เห็นว่าบางส่วนของ Brain จะมีหน้าตาอย่างไรสำหรับบุคลิกสังเคราะห์ ซึ่งเป็นนักวิจัยด้านการเข้าถึงชื่อ Nadia Brain ของเธอมีเพจเกี่ยวกับโปรเจกต์ตัวอย่าง งานดีไซน์สปรินต์แบบสากลในญี่ปุ่น และการสังเคราะห์ความรู้จากเซสชันและตัวเชื่อมต่อ มุมมองแบบกราฟแสดงให้เห็นว่าเอดจ์ของบริบทและหลักฐานที่อยู่ในเพจเชื่อมโยงเอนทิตีและแหล่งที่มาที่เกี่ยวข้องกันอย่างไร

Brain เป็นระบบของไฟล์ Markdown
บริบทที่ฝังอยู่และขอบหลักฐานสร้างโครงสร้างกราฟเพื่อให้สำรวจได้ง่าย

Brain รองรับ Git เพื่อรักษาประวัติเวอร์ชัน ซึ่งรองรับธรรมชาติที่มีการพัฒนาอย่างต่อเนื่อง หน้าต่างๆ สามารถแก้ไขได้ตามกาลเวลา ในขณะที่บันทึกการเปลี่ยนแปลงจะบันทึกการอัปเดตที่สำคัญและช่วยให้เอเจนต์ตรวจสอบเวอร์ชันที่ผ่านมาและผลต่างได้อย่างง่ายดาย นอกจากนี้ยังรองรับการประสานงานของเอเจนต์ ซึ่งมีความสำคัญเนื่องจากเอเจนต์หลายตัวอาจใช้งานและอัปเดต Brain พร้อมกัน

การใช้งาน Brain

เมื่อตอบคำถามของผู้ใช้ เอเจนต์ต้องสามารถหาบริบทที่ถูกต้องในระดับรายละเอียดที่เหมาะสม โครงสร้างของ Brain ช่วยให้เอเจนต์สำรวจหน่วยความจำได้ง่าย เอเจนต์สามารถเลือกระหว่างขั้นตอนที่ดำเนินการได้ เช่น การทำตามลิงก์บริบทเพื่อหาข้อมูลที่เกี่ยวข้อง การทำตามลิงก์หลักฐานเพื่อตรวจสอบการกล่าวอ้าง หรือการเรียกซับเอเจนต์เพื่อให้ได้มาและสังเคราะห์บริบทเพิ่มเติม เราชี้นำกระบวนการสำรวจของเอเจนต์ในหลายๆ ด้านเพื่อเพิ่มความสะดวกในการเข้าถึงข้อมูลที่เกี่ยวข้องของเอเจนต์ให้สูงสุด

กลยุทธ์การสำรวจ

เรารวมดัชนีขนาดกะทัดรัดของ Brain ไว้ในข้อความผู้ใช้เริ่มต้น เพื่อให้เอเจนต์เริ่มต้นด้วยความรู้ในการทำงานของสิ่งที่มีอยู่แล้ว จากนั้นเอเจนต์จะโต้ตอบกับ Brain โดยใช้การดำเนินการที่คุ้นเคย: การอ่านรายการเฉพาะที่อ้างอิงโดยดัชนี การใช้ grep เพื่อค้นหาข้ามหน้า การทำตามลิงก์และการตรวจสอบการอ้างอิง การเปรียบเทียบการแก้ไข Git และการเจาะลึกลงไปในเซสชันหรือเส้นทางดิบ บล็อกโค้ดด้านล่างแสดงคำสั่งตัวอย่างสำหรับบุคคลจำลอง

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"

เอเจนต์สำรวจบริบทนี้ผ่านลูปที่ขับเคลื่อนตนเอง แทนที่จะเป็นไปป์ไลน์แบบตายตัว ดังนั้นเอเจนต์จึงสามารถค้นหาต่อไปได้จนกว่าจะพอใจกับบริบทที่พบ เอเจนต์ยังสามารถเลือกได้ว่าจะตรวจสอบการอ้างอิงและหลักฐานเมื่อใดเพื่อค้นหาหรือยืนยันรายละเอียด เรื่องเล็กน้อยด้านความชอบอาจนำมาปรับใช้โดยตรงจากหน้า Brain หน้าเดียว ขณะที่การตัดสินใจที่มีนัยสำคัญหรือความขัดแย้งระหว่างแหล่งที่มาอาจสมควรให้ติดตามการอ้างอิงและอ่านบันทึกต้นฉบับ โครงสร้างแบบอิงกราฟทำให้เอเจนต์สามารถเลือกขั้นตอนถัดไปที่เป็นรูปธรรมได้ แทนที่จะค้นหาอย่างไร้ทิศทางเพื่อหาข้อมูลที่เกี่ยวข้อง

เอเจนต์สามารถทำตามลิงก์ของ Brain ไปยังหน้า Brain ใหม่หรือแหล่งข้อมูลอ้างอิงจนกว่าจะพอใจว่ามีบริบทเพียงพอสำหรับงานนั้น

การสร้างไฟล์จริง

เพื่อให้การสำรวจของเอเจนต์ใช้งานได้ เอเจนต์จำเป็นต้องเข้าถึงทรี memory/ ทั้งหมดผ่านระบบไฟล์ของแซนด์บ็อกซ์ การคัดลอกทรีทั้งหมดในเครื่องทุกครั้งที่มีการบูตแซนด์บ็อกซ์มีค่าใช้จ่ายสูงและไม่จำเป็น เนื่องจากเอเจนต์จะไม่แตะต้องไฟล์ส่วนใหญ่เหล่านั้น อีกทางเลือกหนึ่งคือการใช้ระบบไฟล์ระยะไกล เพื่อให้เอเจนต์สามารถเข้าถึงไฟล์ใดก็ได้โดยไม่ต้องคัดลอกมาไว้ในเครื่อง อย่างไรก็ตาม เอเจนต์มักจะดำเนินการเกี่ยวกับระบบไฟล์นับพันรายการในคำสั่งเดียว หากแต่ละรายการกลายเป็นคำขอเครือข่าย ต้นทุนในการไปกลับจะเริ่มครอบงำวงวนการสำรวจ ในการทดสอบภายใน เวิร์กโหลด grep แบบง่ายๆ บนพาธที่ใช้ FUSE ระยะไกลนั้นช้ากว่าการดำเนินการที่เทียบเท่าบนไฟล์ในเครื่องประมาณ 400 ถึง 500 เท่า

แต่เราสร้างชุดทำงานในเครื่องของไฟล์ที่สร้างขึ้น ในขณะที่คอร์ปัสขนาดใหญ่ยังคงอยู่เบื้องหลังระบบเรียกค้นหน่วยความจำ Computer โหลดแผนที่เริ่มต้น (นำมาจากความจำล่าสุด เซสชัน บทสรุป และความรู้ที่มีอยู่) ลงในแซนด์บ็อกซ์เมื่อทำการบูต เอเจนต์ Computer สามารถเข้าถึง Memory Agent ซึ่งเป็นซับเอเจนต์ที่สามารถค้นหาเชิงความหมายและโหลดชุดไฟล์ใหม่ได้ เมื่อไม่มีบริบทที่ต้องการ Computer สามารถเรียก Memory Agent พร้อมคำอธิบายของข้อมูลที่ต้องการ Memory Agent จะค้นหาข้ามไฟล์ ส่งคืนการสังเคราะห์ข้อความทันที และสร้างบันทึกสนับสนุนเป็นไฟล์ภายใต้ทรีหน่วยความจำ ด้วยวิธีนี้ ชุดทำงานจะขยายตัวตามธรรมชาติและค่อยเป็นค่อยไปตามกาลเวลา โดยรักษาเส้นทางที่เสถียรและความสัมพันธ์ของแหล่งที่มาสำหรับหลักฐานที่มีอยู่แล้ว

การโหลดเซสชันล่วงหน้าและการเรียกค้นความหมายโดย Memory Agent จะโหลดแผนที่เริ่มต้นของไฟล์ที่เอเจนต์มีแนวโน้มที่จะต้องการมากที่สุด

การออกแบบนี้แก้ปัญหาคอขวดด้านเวลาแฝงได้อย่างชัดเจน การเก็บไฟล์ที่เกี่ยวข้องไว้ในเครื่องช่วยให้การทำงานกับระบบไฟล์ที่จำเป็นสำหรับการสำรวจยังคงรวดเร็ว และการดึงข้อมูลแบบเป็นชุดทำให้กลุ่มของไฟล์ที่ materialize แล้วสามารถเติบโตได้โดยไม่ต้องเรียกแยกสำหรับแต่ละไฟล์หรือโหลดไฟล์ที่ไม่เกี่ยวข้องจำนวนมาก การออกแบบแบบเอเจนต์ซ้อนชั้นยังทำให้ Computer ได้ประโยชน์จากการดึงข้อมูลแบบ agentic โดยไม่ต้องให้เอเจนต์หลักค้นหาคลังข้อมูลแบ็กเอนด์ทั้งหมดโดยตรงทุกครั้ง ซึ่งช่วยรักษา window บริบทของมันเองไว้สำหรับข้อมูลที่มีคุณค่าสูงที่สุด

การดูแลรักษา Brain

ผู้ใช้เรียนรู้อย่างต่อเนื่องจากการทำงานที่ทำและการสนทนาที่มี ดังนั้นหน่วยความจำของเอเจนต์จึงต้องทำเช่นเดียวกัน เพื่อให้ Brain ยังคงมีประโยชน์ Brain ควรเป็นการแสดงความรู้ที่สำคัญที่สุดที่กระชับ ควรสร้างหน้าใหม่สำหรับเอนทิตีใหม่ที่สำคัญ ควรเพิ่มข้อมูลใหม่ลงในหน้า Brain ที่เกี่ยวข้อง และควรลบบริบทที่ล้าสมัยออกตามฤดูกาล ตัวอย่างเช่น หากงานของผู้ใช้เปลี่ยนไป Brain ควรสะท้อนการเปลี่ยนแปลงนั้น โดยควรรวมงานใหม่ของผู้ใช้และจัดลำดับความสำคัญของข้อมูลที่เกี่ยวข้องกับความรับผิดชอบและโปรเจกต์ใหม่ของพวกเขา

Brainได้รับการดูแลโดยเอเจนต์เบื้องหลังที่เราเรียกว่า Dream เอเจนต์ Dream ทำงานแบบออฟไลน์เหนือหน่วยความจำที่ใช้ไฟล์ โดยสังเคราะห์ข้อมูลใหม่เป็นการอัปเดต Brain เรากำหนดขอบเขตและพฤติกรรมของเอเจนต์ Dream อย่างรอบคอบเพื่อปฏิบัติงานนี้อย่างมีประสิทธิภาพ พร้อมทั้งมีมาตรการป้องกันเฉพาะของ Dream เพื่อให้แน่ใจว่าการอัปเดต Brain มีความสอดคล้องและแม่นยำ

Dream: เอเจนต์เบื้องหลังสำหรับการปรับปรุงหน่วยความจำ

เอเจนต์ Dream ทำงานในแซนด์บ็อกซ์ที่มีการเข้าถึงระบบไฟล์และเครื่องมือแบบอ่านอย่างเดียวเช่นเดียวกับที่เซสชัน Computer แบบโต้ตอบจะมี แต่เป้าหมายเดียวของพวกเขาคือการปรับปรุงบริบทสำหรับเซสชันในอนาคต การทำงานแต่ละครั้งเริ่มต้นจาก Brain ที่ผลิตจากการทำงานก่อนหน้า แทนที่จะสร้างบริบทของผู้ใช้ใหม่ตั้งแต่ต้น จากนั้นจะใช้ Brain ปัจจุบันนั้นเพื่อกำหนดทิศทางของตัวเองและผลิต Brain ที่อัปเดตเพื่อให้การทำงานในอนาคตใช้

เอเจนต์ Dream ทำงานเบื้องหลังเพื่ออัปเดต Brain ซึ่งก่อให้เกิดวงวนการพัฒนาตัวเอง

เอเจนต์ Dream จะได้รับสภาพแวดล้อมและตัดสินใจว่าจะสำรวจอย่างไร แทนที่จะได้รับอินพุตคงที่ที่รวมเป็นพรอมต์เดียว โดยสามารถนำทางหน่วยความจำที่ใช้ไฟล์ ใช้เครื่องมือตัวเชื่อมต่อแบบอ่านอย่างเดียวที่ได้รับอนุมัติเพื่อตรวจสอบความรู้ชิ้นหนึ่ง และมอบหมายงานส่วนที่จำกัดให้กับซับเอเจนต์ ซึ่งรวมถึง Memory Agent ขอบเขตและความรับผิดชอบของเอเจนต์ Dream ระบุไว้เป็น Skill

โดยทั่วไป การทำงานของ Dream ประกอบด้วย 4 ขั้นตอน:

  1. กำหนดทิศทาง: เอเจนต์ทำตามขั้นตอนการกำหนดทิศทางตามลำดับ โดยจะระบุขอบเขตที่เชื่อถือได้ คำสั่งยืนยัน บันทึกการลบ อินพุตเพิ่มเติม และเงื่อนไขการหยุด
  2. สรุปเซสชัน: สำหรับแต่ละเซสชันที่เป็นเซสชันใหม่ (หรือมีการเปลี่ยนใหม่) นับตั้งแต่การอัปเดตครั้งล่าสุด เอเจนต์จะเขียน (หรืออัปเดต) สรุปสั้นๆ ของเซสชันนั้น
  3. แนบข้อเท็จจริงเข้ากับเรื่องต่างๆ: เอเจนต์จะเพิ่มการสังเกตการณ์ทุกอย่างที่เห็นว่าสำคัญไปยังตำแหน่งที่เหมาะสม ซึ่งโดยทั่วไปคือหน้าวิกิ โดยจะตรวจสอบและสอบถามตัวเชื่อมต่อที่ผ่านการตรวจสอบความถูกต้องเมื่อมีให้ใช้งาน
  4. อัปเดตวิกิความรู้: เอเจนต์อัปเดตวิกิจากสิ่งที่พบ โดยสามารถสร้างหน้าใหม่สำหรับหัวข้อที่ยั่งยืน แก้ไขหน้าเมื่อการสังเคราะห์ปัจจุบันเปลี่ยนไป หรือเพิ่มลิงก์หรือการอ้างอิงใหม่ที่สนับสนุนข้อเรียกร้องเชิงข้อเท็จจริง นอกจากนี้ยังสามารถเลือกที่จะไม่เปลี่ยนแปลงใดๆ เมื่อกราฟปัจจุบันถูกต้องอยู่แล้ว

เพื่อให้แน่ใจว่าการอัปเดตใดๆ ของ Brain สมบูรณ์และสอดคล้องกัน เอเจนต์จะเขียนสถานะที่เสนอลงในทรีเอาต์พุตที่จัดเตรียมไว้ จะไม่มีการเปลี่ยนแปลงถาวรจนกว่าเอเจนต์จะทำการอัปเดตทั้งหมดที่เห็นว่าจำเป็น การประสานการตัดสินใจเหล่านั้นในกระบวนการเอเจนต์เดียวทำให้สามารถอัปเดตกราฟได้ทั้งหมดแทนที่จะเป็นหน้าเว็บที่ไม่เกี่ยวข้องกัน

เอเจนต์ Dream ใช้ Brain ที่มีอยู่และข้อมูลใหม่เพื่อเสนอและเขียนการอัปเดต

การเปลี่ยนแปลงใดๆ ต้องผ่านการตรวจสอบ 2 ประเภท การตรวจสอบความถูกต้องแบบกำหนดเองช่วยให้มั่นใจว่าหน้ามีความสมบูรณ์และเป็นไปตามเกณฑ์วัตถุประสงค์ เช่น ฟรอนต์แมตเตอร์ที่จำเป็นและรูปแบบการอ้างอิง การตรวจสอบความถูกต้องเชิงความหมายช่วยให้มั่นใจว่าการสังเคราะห์ที่เสนอได้รับการสนับสนุนจากหลักฐานที่รวบรวมและยังคงสอดคล้องกับส่วนที่เหลือของกราฟ หลังจากที่เอเจนต์ทำงานเสร็จสิ้น ขั้นตอนการซิงโครไนซ์ที่มีการควบคุมจะเปรียบเทียบเอาต์พุตที่จัดเตรียมไว้กับสถานะก่อนหน้าและใช้การเปลี่ยนแปลงกับที่เก็บ เมื่อขั้นตอนการซิงโครไนซ์เสร็จสิ้น ชุดการแก้ไขขั้นสุดท้ายจะสามารถตรวจสอบได้ผ่านประวัติเวอร์ชันของ Git

การตรวจสอบ Brain

ระบบหน่วยความจำที่มีประโยชน์ต้องรักษาหลักฐานที่เกี่ยวข้อง แสดงผลลัพธ์เมื่อจำเป็น และช่วยให้เอเจนต์แปลงหลักฐานนั้นเป็นคำตอบที่ถูกต้อง ดังนั้นเราจึงประเมิน Brain ในหลายระดับ: การตัดทอนแบบออฟไลน์ที่มีการควบคุม การเล่นซ้ำคู่แบบต่อเนื่อง และการทดลองการผลิตแบบสุ่ม

การประเมินแบบออฟไลน์

การประเมินออฟไลน์หลักของเราใช้ชุดข้อมูลภายในที่มีคำถาม 640 ข้อ ครอบคลุม 44 บุคลิกสังเคราะห์ บุคลิกเหล่านี้สะท้อนรูปแบบที่ได้มาจากข้อมูลจริงในด้านความถี่ของเซสชัน จำนวนรอบสนทนา การผสมผสานหัวข้อ และความหนาแน่นของข้อเท็จจริง ขณะเดียวกันก็ไม่มีข้อความคำถามจากระบบจริงเพื่อคุ้มครองความเป็นส่วนตัวของผู้ใช้ แต่ละบัญชีถูกเติมข้อมูลผ่านไปป์ไลน์หน่วยความจำการผลิต ซึ่งรวมถึงการสกัดหน่วยความจำ สรุปการสนทนา และการรวบรวมวิกิความรู้ของ Dream สำหรับแต่ละคำถาม คำตอบที่ถูกต้องจะเชื่อมโยงโดยกลไกเข้ากับหลักฐานเฉพาะที่มีอยู่ในประวัติของบัญชีนั้น

ตัวอย่างเช่น สำหรับ Nadia นักวิจัยด้านการเข้าถึงบุคคลจำลองที่แนะนำก่อนหน้านี้ ชุดข้อมูลประกอบด้วยคำถาม "ฉันกำลังประชุมกับองค์กรใดบ้างในเกียวโตและเซนได" คำตอบ (Sora City Lab ในเกียวโตและ Sapphir Mobility Coop ในเซนได) ปรากฏบนหน้าวิกิที่เกี่ยวข้องโดยตรง

เราเปรียบเทียบคำถามและบัญชีเดียวกันโดยเปิดใช้งานวิกิความรู้ที่คอมไพล์แล้วเทียบกับปิดใช้งาน พื้นผิวหน่วยความจำอื่นๆ ยังคงใช้งานได้ในทั้งสองเงื่อนไข วิธีนี้ช่วยแยกการมีส่วน 0.600 เป็น 0.661 ซึ่งเป็นการเพิ่มขึ้น 6.1 จุดเปอร์เซ็นต์ และการเรียกคืนหลักฐานจาก 0.573 เป็น 0.625 ซึ่งเป็นการเพิ่มขึ้น 5.2 จุดเปอร์เซ็นต์ ผลกระทบมีมากที่สุดสำหรับคำถามเกี่ยวกับความชอบ (+10.2 จุดเปอร์เซ็นต์) การใช้เหตุผลเชิงเวลา (+8.6 จุดเปอร์เซ็นต์) และการดึงรายละเอียดจากกิจกรรมก่อนหน้า (+6.9 จุดเปอร์เซ็นต์) ใน 84% ของคำถาม เอเจนต์สัมผัสแหล่งที่มาที่ผูกกับหลักฐานจริงได้อย่างตรวจสอบได้

Brain ปรับปรุงประสิทธิภาพบนเกณฑ์มาตรฐานภายในของเรา

เรายังเรียกใช้การตัดทอน Brain ที่ตรงกันบนชุดย่อยของเกณฑ์มาตรฐานสาธารณะสองรายการ บน LoCoMo การลบวิกิช่วยลดความถูกต้องของคำตอบลง 4.6 จุดเปอร์เซ็นต์โดยเฉลี่ย จากสามรอบการทำงานด้วยโมเดลที่แตกต่างกัน บน LongMemEval-S ไม่พบการเปลี่ยนแปลงที่มีนัยสำคัญทางสถิติ ผลลัพธ์นี้สอดคล้องกับบทบาทที่ตั้งใจไว้ของ Brain LongMemEval-S ทดสอบการกู้คืนข้อเท็จจริงจากแต่ละเซสชันเป็นหลัก ซึ่งการถอดเสียงพื้นฐานเป็นเส้นทางที่ซ้ำซ้อนไปยังคำตอบ LoCoMo เน้นย้ำหลักฐานที่กระจัดกระจายไปตามการสนทนา ผู้พูด และวันที่มากขึ้น ซึ่งสร้างโอกาสมากขึ้นสำหรับการสังเคราะห์ข้ามเซสชันของวิกิที่จะมีส่วนร่วม

โดยรวมแล้ว เมื่อเปิดใช้งาน Brain เอเจนต์ในการผลิตบรรลุความถูกต้องของคำตอบ 0.91 บน LongMemEval-S และ 0.83 บน LoCoMo เนื่องจากการทดลองเหล่านี้ใช้ชุดย่อยของเกณฑ์มาตรฐาน จึงไม่ใช่ผลลัพธ์เกณฑ์มาตรฐานที่แน่นอน อย่างไรก็ตาม การตัดทอนยังคงให้สัญญาณที่แข็งแกร่งว่าวิกิช่วยปรับปรุงประสิทธิภาพ โดยเฉพาะอย่างยิ่งเมื่อต้องรวมหลักฐานข้ามการสนทนา เนื่องจาก Brain เป็นส่วนหนึ่งของ Computer แทนที่จะเป็นระบบเรียกค้นเฉพาะเกณฑ์มาตรฐานที่ได้รับการปรับ 10 เราเชื่อว่าความสามารถในการแข่งขันจะเพิ่มขึ้นเฉพาะกับงานที่มีความคล้ายคลึงกับเวิร์กโฟลว์การผลิตมากขึ้นเท่านั้น

การประเมินแบบออนไลน์

ชุดข้อมูลออฟไลน์ไม่สามารถจับฟีเจอร์ทุกอย่างของประวัติผู้ใช้จริงได้ ดังนั้นเราจึงทำการประเมินคู่ประจำวันเหนือกลุ่มประชากรที่ได้จากการผลิตใหม่ๆ คำถามคงเดิมจะได้รับคำตอบเทียบกับสถานะผู้ใช้ที่ตรงกันโดยเปิดและปิดใช้งาน Brain จากนั้นจึงตัดสินเรื่องความถูกต้อง ความเป็นปัจจุบัน และการเรียกคืน

ผลลัพธ์เบื้องต้นที่รายงานเมื่อวันที่ 18 มิถุนายนแสดงให้เห็นว่า Brain เพิ่มความถูกต้องของคำตอบ 25% และการเรียกคืน 16% ประสิทธิภาพเหล่านี้ยังคงรักษาไว้ได้ ในช่วง 30 วันที่ผ่านมา เซสชันที่เปิดใช้งาน Brain มีประสิทธิภาพเหนือกว่าการควบคุมในการทำงานทุกครั้งและทุกมิติที่มีการตัดสิน ในแง่สัมบูรณ์ ผู้ใช้ Computer ได้รับการปรับปรุง 9.3 จุดในด้านความถูกต้อง 8.0 จุดในด้านความเป็นปัจจุบัน และ 8.9 จุดในการเรียกคืน เส้นทางการทำงานที่เปิดใช้งาน Brain ยังใช้โทเค็นน้อยลงประมาณ 15% มีค่าใช้จ่ายลดลง 10% และเสร็จสิ้นการสร้างเร็วขึ้น 10%

Brain เพิ่มคุณภาพคำตอบและลดต้นทุน

การปรับปรุงอย่างต่อเนื่อง

เรายังคงปรับปรุง Brain อย่างต่อเนื่องเพื่อมอบประสบการณ์หน่วยความจำที่ดีที่สุดแก่ผู้ใช้ การเปลี่ยนแปลงล่าสุดอย่างหนึ่งคือการวางดัชนีขนาดกะทัดรัดของ Brain ไว้ในบริบทเริ่มต้นของเอเจนต์โดยตรง แทนที่จะกำหนดให้เอเจนต์ต้องค้นหาและอ่านทีหลัง ในการทดลองแบบสุ่ม การรักษาด้วยการเติมล่วงหน้านี้ช่วยเพิ่มการใช้งาน Brain และลดความไม่พอใจที่เกี่ยวข้องกับหน่วยความจำลง 6.9%

เครื่องมือประเมินแบบออฟไลน์ยังทำหน้าที่เป็นส่วนหนึ่งของท่อส่งการปรับปรุงอัตโนมัติ การเปลี่ยนแปลงที่เสนอต่อซับเอเจนต์หน่วยความจำ ทักษะการเรียกค้น และพรอมต์ของ Brain จะถูกเรียกใช้ผ่านการตัดทอนที่ตรงกันบนชุดข้อมูลภายในและเกณฑ์มาตรฐานสาธารณะของเรา เอเจนต์ Computer สามารถทำซ้ำผลลัพธ์ได้โดยอัตโนมัติ โดยรักษาการเปลี่ยนแปลง เดลต้า และต้นทุนของการทำซ้ำแต่ละครั้งไว้เป็นบันทึกที่ทนทาน และเก็บเฉพาะการเปลี่ยนแปลงที่ทำให้ตัวเลขเคลื่อนไหว ผลลัพธ์ที่ได้คือระบบที่ผู้ประเมินของ Brain เป็นผู้เพิ่มประสิทธิภาพด้วย ซึ่งจะขับเคลื่อนการปรับปรุงในอนาคต

บทสรุป

การเรียนรู้อย่างต่อเนื่องเป็นหนึ่งในความท้าทายหลักในการสร้างระบบเอเจนต์ที่ทำงานข้ามสัปดาห์และเดือน เราเชื่อว่าสถาปัตยกรรมหน่วยความจำควรเปิดเผยเป็นสภาพแวดล้อมที่เอเจนต์สามารถสำรวจได้โดยตรงโดยใช้ชุดเครื่องมือปกติ การเปิดเผยหน่วยความจำให้เป็นระบบไฟล์ โดยมี Brain เป็นวิกิความรู้ที่มีโครงสร้างด้านบน ทำให้บริบทสามารถนำทางได้อย่างมีประสิทธิภาพผ่านเครื่องมือที่เรียบง่ายและคุ้นเคย

Brain ได้รับการออกแบบมาเพื่อการพัฒนาตัวเอง เพื่อให้ระบบหน่วยความจำสามารถดีขึ้นเรื่อยๆ ตามการใช้งานที่เพิ่มขึ้น เอเจนต์เบื้องหลังของ Dream จะกลั่นกรองข้อมูลใหม่ให้เป็นการอัปเดต Brain เพื่อให้แน่ใจว่าเอเจนต์เบื้องหน้าจะเริ่มเซสชันใหม่ด้วยมุมมองที่เป็นระเบียบของบริบทล่าสุดเสมอ เครื่องมือประเมินยังทำหน้าที่เป็นพื้นที่ทดสอบสำหรับการวนซ้ำการค้นคว้าอัตโนมัติบนสถาปัตยกรรมหน่วยความจำหลักและส่วนติดต่อสำหรับเอเจนต์

Brain ส่งผลให้เซสชันของเอเจนต์มีความแม่นยำและมีประสิทธิภาพมากขึ้น พร้อมทั้งลดโทเค็นที่ใช้ การออกแบบ Brain ร่วมกับสแต็กการผลิตของ Computer อย่างรอบคอบช่วยให้มั่นใจได้ว่าการปรับปรุงเหล่านี้แปลเป็นประโยชน์จริงสำหรับผู้ใช้โดยตรง

เรายังคงพัฒนาความสามารถเพิ่มเติมเพื่อปรับปรุงคุณภาพหน่วยความจำของ Computer ในระหว่างนี้ สำหรับผู้ใช้ที่เปิดใช้งาน Brain หน่วยความจำจะดีขึ้นในทุกๆ เซสชัน

การอ้างอิง

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}
}