简短答案
Perplexity 忘记你的研究上下文是因为 Threads 是按设计进行沙盒化的，而 Spaces 仅持久化来源，而不是从早期 Threads 中产生的推理、假设或矛盾。一个新的线程在同一个空间内开始时是空白的，没有承接上次的结论。解决方案是一个外部记忆层，它捕获研究状态并将其反馈到每个新线程中。
为什么 Perplexity 会忘记你的研究上下文
Perplexity 的产品围绕快速、基于引用的答案构建。使单个答案优秀的架构也使得长期研究难以维持。
1. Threads 是隔离的。 每个线程都是一个自包含的对话。Perplexity 的后续建议和上下文仅在当前线程内操作。即使在同一个空间内，明天打开一个新线程，之前的分析也不会被承接。
2. Spaces 存储来源，而不是结论。 Perplexity Spaces 允许 Pro 用户保存最多 50 个文件，Enterprise 用户根据计划可保存最多 500 或 5,000 个文件。但一个空间是来源和指令的容器，而不是研究笔记本。你在 Threads 中构建的假设、矛盾和推理链不会作为结构化记忆存储。
3. 记忆是按设计浅薄的。 Perplexity 的产品优先级是“即时答案与引用”，而不是“长期研究状态”。即使是围绕 Spaces 的 Pro 功能也倾向于将新答案基于你的文件，而不是记住你上周从这些文件得出的结论。
结果是：Perplexity 在很好地回答一个问题方面表现出色。对于需要一周时间的问题，它却失去了线索。
当 Perplexity 忘记研究上下文时你会失去什么
每个新线程都需要你重新调整时间，而这种损失在一个严肃的研究项目中会不断累积：
- 矛盾消失。 “来源 A 和来源 B 在时间线上存在分歧，我们因为监管文件而选择了 A”变成了 Perplexity 不再持有的事实。它又高兴地引用来源 B。
- 工作假设重置。 昨天缩小的理论变成了今天的空白。你浪费前十个查询重新缩小。
- 引用链断裂。 你记得结论，但不记得引用路径。捍卫或建立在该结论上的现在意味着重新进行搜索。
解决方案不是“永远保持一个线程打开”。长线程会减慢速度，达到限制，并失去后续质量。解决方案是将研究记忆与线程记忆分离。
Perplexity 的内置解决方法
Perplexity 已推出两个与此问题相关的功能。都没有完全解决它。
Spaces 是专用工作区，你可以在其中组织 Threads、上传文件并为项目定制响应。它们是 Perplexity 最接近项目记忆的东西。你可以为每个空间设置持久指令并固定来源，这提高了该空间内每个线程的基础。但 Spaces 存储来源和指令，而不是跨 Threads 产生的推理，因此运行的假设仍然需要你自己跟踪。
Threads 将后续问题分组在一个对话中。它们很好地保留了对话上下文，但不与兄弟线程共享上下文。转到一个新线程，之前的推理就消失了。
你可以在 Perplexity 帮助中心 查看 Perplexity 对该功能的描述。
Spaces 和 Threads 是良好的支架。它们不是研究记忆。
Perplexity 的内置记忆不足之处
更深层次的问题是，真正的研究跨越工具。你在 Perplexity 中搜索，验证主要来源，在 ChatGPT 或 Claude 中草拟，并在 Cursor 中编码分析。每个工具都有自己孤立的记忆，彼此之间没有沟通。Spaces 在 Perplexity 内部有所帮助。一旦你切换标签，它们就没有任何作用。
这就是记忆层填补的空白：一个研究上下文，由 Perplexity 编写，供每个其他 AI 阅读，归你所有，而不是分散在五个产品中。
MemoryLake 如何修复 Perplexity 忘记研究上下文
MemoryLake 是一个跨模型的记忆层，位于你与每个使用的 AI 之间。你不再仅依赖 Perplexity Spaces，而是为每个研究项目创建自己的 MemoryLake 项目，Perplexity 在每个新线程中从该项目读取。
- 按项目存储研究状态，而不是按线程。 来源、假设、矛盾和线程摘要存储在项目中。打开一个新的线程，项目已经以与原始工作相同的保真度加载，而不是一段摘要。
- 比原始提示多 10,000 倍的上下文。 MemoryLake 的检索引擎从数十亿个研究历史的标记中读取，并仅向 Perplexity 提供与当前问题相关的片段。你停止粘贴摘要，也停止触及 Space 文件上限。
- 可移植到其他 AI。 相同的研究记忆可以在 Claude、ChatGPT、Grok、Gemini 和 Cursor 中使用。当你离开 Perplexity 进行草拟、编码或建模发现时，引用和假设会随之而来。
MemoryLake 在 LoCoMo 长上下文基准测试中得分 94.03%，这是截至 2026 年的最高已发布结果，具有毫秒级检索和 AES-256 端到端加密。
在 3 个步骤中将 MemoryLake 连接到 Perplexity
- 创建项目并加载你的研究。 登录 MemoryLake，打开项目管理，点击创建项目，并以你的研究线程命名（例如，“Perplexity - 欧盟 AI 法案影响分析”）。通过文档驱动上传你的源 PDF、截图和笔记。在记忆选项卡中捕获工作假设、矛盾和引用链，以便它们随项目一起移动。
- 生成 MCP 服务器端点。 在你的项目中打开 MCP 服务器选项卡，点击添加 MCP 服务器，命名为“Perplexity 集成”，然后点击生成。MemoryLake 返回一个 API 密钥 ID、密钥和端点 URL。立即复制密钥，因为它只显示一次。
- 连接 Perplexity。 Perplexity 目前尚不支持在消费者应用中原生使用 MCP，因此在每个线程之前使用 REST API 和你的 Bearer 令牌获取项目上下文，或者在新线程的顶部粘贴一个指向你的 MemoryLake 项目的简短提示。使用 Perplexity Sonar API 的开发人员可以调用 MemoryLake 的 Python SDK，以每个查询注入研究状态，因此每个线程都以完整的先前上下文打开。