Perplexity가 자사 에이전트 Computer에 컨텍스트 그래프 + 야간 합성 + LLM 위키로 구성된 자기학습 메모리 계층 Brain을 추가했다 — 자체 측정 기준 정답률 +25%, 리콜 +16%, 작업당 비용 -13%.

한눈에Brain은 Computer의 매 작업 로그를 그래프로 누적해 야간 합성으로 'lessons'를 추출한다동작 메커니즘은 entries → 야간 synthesis → LLM 위키 주입의 3층 비동기 루프월 200달러 Perplexity Max·Enterprise Max 리서치 프리뷰 한정, 독립 벤치마크는 부재

실무자: 반복 리서치 워크플로의 토큰 비용·시간 회수 가능성을 정량적으로 따져 볼 시점. 리더: 메모리가 차별화 축이 되면 모델 선택보다 워크플로 데이터가 락인 요인이 된다.

Brain 적용 후 Correctness·Recall·Efficiency 지표 변화

이미지: Brain 적용 전후 지표 비교, 출처: Perplexity 공식 블로그

@perplexity_ai가 2026년 6월 18일 공식 블로그와 X 스레드를 통해 perplexity-brain을 research-preview로 공개했다. 회사가 강조하는 포인트는 단순하다 — 전통적 AI 메모리는 사용자(user)를 기억하지만 Brain은 에이전트의 일(work)을 기억한다. 적용 대상은 perplexity-computer 위에서 실행되는 모든 태스크이며, 가격대는 월 $200 Perplexity Max 또는 Enterprise Max 가입자 전용이다.

무엇이 일어났나

Brain은 Computer의 매 세션이 만들어 내는 행위 로그를 context-graph에 누적한다. 그래프 노드는 사용된 커넥터, 검증된 소스, 사용자 수정, 실패한 시도(dead-end source) 등이며 모든 항목이 (session_id, file_id, source_id) 튜플로 origin-traceable하다. 정해진 간격(주로 야간)으로 Brain이 그래프 전체를 재검토해 'lessons' — 재사용 가능한 작업 패턴 — 을 추출한다. 합성 결과는 llm-wiki 형태로 정리되며, 새 작업 시작 시 에이전트 샌드박스에 자동 주입된다.

TestingCatalog 리뷰에 따르면 UI는 토픽 카테고리, 항목별 컨텍스트 패널, Obsidian 스타일의 3D 그래프 내비게이션으로 구성된다. 접근 경로는 사이드바 "Customize"이며, 각 메모리 항목별로 출처 확인·삭제·수정이 가능하다.

숫자로 보기

  • 답변 정답률: +25% (과거 맥락 필요 태스크 한정)
  • 리콜: +16%
  • 작업당 비용: -13%
  • 대상 플랜: Perplexity Max $200/월, Enterprise Max
  • 기반 모델: Computer 코어는 Claude Opus 4.6 + 19개 서브에이전트 모델
  • 자기완결 질의에서는 사실상 0에 가까운 개선

왜 중요한가

실무 관점의 함의는 토큰 경제다. 반복 리서치·경쟁사 모니터링·정기 보고서·법무 검토처럼 형식이 일정한 워크플로는 매 세션 같은 검색·같은 소스·같은 변환을 반복한다. Computer는 이전까지 매 세션 cold start였고, 따라서 토큰 비용이 누적됐다. Brain은 야간 합성으로 'lessons'를 미리 정리해 두기 때문에 다음 세션의 첫 모델 호출이 더 좋은 시작점에서 출발한다. 회사 측 표현으로 "현재의 토큰 사용은 미래의 효율적 토큰 사용을 위한 투자"가 된다.

또 하나의 함의는 메모리 통제 모델의 차별화다. 비교 관점에서:

  • ChatGPT Memory: 평면적 fact 리스트, 사용자가 수동 큐레이션, 대화 히스토리 중심
  • Claude Projects / claude.md: 명시적·사용자 큐레이션 메모리, 통제력은 강하지만 마찰이 큼
  • Perplexity Brain: 자동·추론(automatic & inferred), 사용자 개입 없이 실행 로그를 그래프로 합성, 대신 통제력은 약함

Brain은 통제력을 일부 양보하는 대신 마찰을 줄이는 쪽을 택했다. 권한 부여가 끝나면 에이전트가 알아서 학습한다는 약속이다.

누가 이득, 누가 손해

수혜 측은 반복형 워크플로를 매주 돌리는 기업 사용자다. 특히 Enterprise Max를 통해 팀 단위 위키를 운영할 수 있다면, 한 명이 만들어 낸 'lesson'이 팀 전체에 자동 전파될 가능성이 있다(다만 멀티테넌트 격리 명세는 미공개).

손해 측은 단순 메모리 기능에 의존해 온 경쟁 제품이다. Decrypt 보도에 따르면 OpenClaw(37.9만 GitHub 스타)나 Hermes 같은 오픈소스 에이전트는 수개월 전부터 유사한 기능을 제공해 왔다. 자가 호스팅이라 데이터 통제권은 사용자에 있다는 차이를 둔다. 즉 Brain의 진짜 경쟁은 모델이 아니라 '메모리 패키징'이다.

가격 측 손해는 명확하다 — 월 $200 Max 한정은 github-copilot $39, claude-code $20 같은 코딩 도구와 직접 비교 시 4~10배 격차다. X 커뮤니티의 회의론은 이 가격대를 두고 "Codex·Claude 같은 강한 대안과 경쟁하기에 진입 장벽이 너무 높다"고 다수 지적했다.

더 깊이

설계의 토대인 perplexity-computer는 2026년 2월 25일 공개된 멀티모델 오케스트레이션 agentic-ai 제품이다. 중앙 추론 엔진(Claude Opus 4.6)이 자연어 목표를 받아 19개의 서브에이전트 모델로 작업을 분배하고, 격리된 클라우드 샌드박스에서 실파일·브라우저·400+ 앱 통합과 함께 실행한다. 4월 Mac용 Personal Computer, 6월 Windows 확장으로 표면적이 넓어졌지만 매 세션 cold start라는 구조적 한계가 남아 있었다.

Brain은 이 한계를 메우는 harness-theory 계층으로 설계됐다. FourWeekMBA의 정리에 따르면 회사 측 가설은 "시간이 흐를수록, 좋은 Brain을 가진 평범한 모델이 메모리 없는 우월한 모델을 반복 작업에서 능가할 수 있다"는 것이다. 경쟁 우위가 가중치(weights)에서 워크플로(workflow)로 이동한다는 베팅이다.

기술 스택 측면의 공백도 짚어야 한다. Perplexity는 "connector"라는 용어를 쓰지만 mcp-protocol 통합 여부나 외부 통합 API 스펙을 발표하지 않았다. 야간 합성의 주기, 합성 자체의 비용 구조, Enterprise 가입자의 그래프 격리 방식, 메모리 자동 만료·보관(retention) 정책 역시 발표 시점 기준 미공개다.

아직 알 수 없는 것

자체 측정치(+25%/+16%/-13%)는 모두 1차(self-reported)이며 독립 벤치마크는 부재하다. 평가 데이터셋 구성, 비교 baseline(memory-off Computer? 다른 메모리 시스템?), 태스크 분포가 공개되지 않았다. Cybernews 비교 분석은 장기 다중 턴 사고 흐름 보존 자체는 여전히 GPT-o1·GPT-5 계열이 우위라고 평가한 바 있어, 향후 통제된 비교가 필요하다.

또한 야간 배치 합성은 "오늘의 결정이 오늘 밤이 되어야 반영된다"는 의미로, 실시간 의사결정 흐름(intraday trading, on-call ops)에는 부적합하다. explainx.ai가 명시적으로 짚은 한계다. Decrypt는 추가로 "Brain은 이미 해 본 작업에서만 개선되며, 도메인 간 일반화는 미해결 과제"라는 점도 강조했다.

5분 실습 (중간 · 5분)

Max 가입자라면:

  1. Perplexity Computer에 같은 형식의 리서치 태스크를 3회 연속 실행한다 — 예: "지난주 발표된 클라우드 GPU 가격 동향 정리".
  2. 사이드바 "Customize" → Brain에서 생성된 LLM 위키 페이지를 열어 어떤 노드가 만들어졌는지, 어떤 소스가 'verified'로 표시되는지 확인한다.
  3. 동일 형식의 4번째 태스크를 실행하며 로그·실행 시간·토큰 사용을 비교한다.

Max 미가입자라면:

  1. Perplexity Pro Search에서 같은 워크플로를 3회 돌리고 매번 처음부터 시작하는 cold start의 비용을 체감한다.
  2. 자가 호스팅 대안인 OpenClaw나 LangGraph 기반 에이전트로 단순한 컨텍스트 그래프를 구축해 보고 통제력의 차이를 메모한다.

더 읽어보기