Perplexity lança memória autônoma para agentes: contexto persistente, atualização contínua e redução de custos

O Perplexity Brain não é só mais um layer de memória vetorial. É um sistema que transforma logs de execução em lições reutilizáveis, e o faz com uma arquitetura de grafo explícito, atualizado proativamente durante a noite, não em tempo real. Isso é diferente do Memory da Anthropic (abril/2026), que opera como cache de sessão com limite de 10k tokens e sem síntese ativa, e também do Iris da Redis (maio/2026), que prioriza compartilhamento entre agentes, mas não ensina o agente a refinar seu próprio workflow. O Brain constrói um 'LLM wiki' vivo: cada página representa um conceito (projeto, pessoa, decisão) e é atualizada com base em correções de usuário, falhas de fonte e evolução de documentos conectados, não só por embeddings.

Essa abordagem de 'memória operacional', não 'memória comportamental', coloca o agente no centro do ciclo de aprendizado. Enquanto o Engram (Weaviate, abril/2026) ainda depende de busca multi-hop para ligar contextos, o Brain já codifica essas ligações no grafo, reduzindo chamadas de modelo e token overhead. E ao contrário do RushDB 2.0 (maio/2026), que é uma infraestrutura genérica para desenvolvedores montarem sua própria memória, o Brain é um sistema fechado, integrado e auto-otimizável, rodando dentro do sandbox do Computer desde o lançamento em fevereiro/2026.

A cobertura CEVIU anterior já apontava que a memória de agentes estava deixando de ser um mero cache e virando camada de raciocínio, mas até maio/2026, todos os sistemas eram reativos: recuperavam contexto sob demanda ou armazenavam dados brutos. O Brain é o primeiro sistema comercial a implementar síntese noturna ativa: ele não apenas guarda o que aconteceu, mas gera novas regras de priorização, descarta fontes ineficazes e reconstrói o grafo de contexto com base em feedback explícito (correções) e implícito (tempo de resposta, taxa de aceitação). Isso muda o paradigma: memória agora tem cronograma de aprendizado próprio, não só de acesso.

Agentes que aprendem continuamente mudam o custo-benefício da automação. Um aumento de 25% em correção em tarefas repetidas não é só qualidade, é redução de retrabalho humano em workflows críticos, como due diligence jurídica ou análise de concorrência. A queda de 13% nos custos de tarefas com histórico significa que, para empresas que rodam milhares de queries mensais com contexto acumulado (ex: relatórios trimestrais de compliance), o Brain pode gerar economia direta de centenas de milhares de dólares por ano, mesmo antes de validação independente. E a rastreabilidade de cada memória à sua origem (sessão, arquivo, correção) resolve um gargalo regulatório: auditoria de decisões de IA deixa de ser caixa-preta.