Perplexity 会在不同的 Thread 之间记住文件吗？

不会。上传的文件属于单个 Thread 的上下文。新的 Thread 无法看到它们，也没有可以重新附加的上传库——在 Space 之外，你每次都需要重新上传。

Spaces 会永久保留上传的文件吗？

在 Space 内部，是的：附加到 Space 的文件对在其中创建的 Thread 保持可用。但它们对其他 Spaces 和常规搜索是不可见的，因此它们无法从全局解决文件记忆问题。Spaces 自身的内容也存在同样的问题——参见[为什么 Perplexity 会遗忘 Spaces 内容](https://www.memorylake.ai/blogs/perplexity-forgets-spaces-content)。

为什么 Perplexity 会丢失我的研究上下文？

同样的根本原因：上下文在设计上就是 Thread 作用域的。除非在 Space 中，否则文件、后续跟进和结论都会在 Thread 边界处蒸发——即使在 Space 中，也只是该 Space 的边界发生了移动，它并没有消失。

我该如何给 Perplexity 提供长期的文件记忆？

将文件保存在应用之外的持久化层中。使用 MemoryLake，你的文档保存在一个地方，任何 AI（包括通过 API 的 Perplexity）都可以拉取相同的上下文，因此记忆不再取决于你打开了哪个 Thread。

我可以从 Perplexity 导出我上传的文件吗？

目前无法批量导出你在不同 Thread 中附加的文件。如果你的文件库很重要，请将原件保存在你自己的存储中——这就是为什么应该将记忆层（而不是聊天应用）作为可信数据源的原因。

为什么 Perplexity 会遗忘你上传的文件？(2026)

为什么 Perplexity 会遗忘你上传的文件

Perplexity 目前如何处理文件

当你将 PDF、电子表格或图片附加到查询中时，Perplexity 会将其解析到该 Thread 的上下文中，以便后续问题可以引用它。没有任何机制会将文件写入跨 Thread 的存储中。开启一个新 Thread（Perplexity 的搜索优先设计鼓励你经常这样做），上下文就会从空开始。此外，也没有一个库视图可以查看你上传过的所有内容，因此重复使用就意味着重新上传。

无法持久保存的技术原因

这是一个作用域设计决定，而不是故障。Perplexity 是围绕快速、即用即弃的搜索会话构建的；持久的文件存储只存在于一个地方——Spaces，在这里你附加的文件对该 Space 内创建的 Thread 可用。在 Space 之外，根本没有供附件落脚的持久化层。

这会给你带来什么代价

代价在悄无声息地累积。你周复一周地重新上传相同的文档——市场报告、产品规格、研究背后的源 PDF——并且每次都要重复相同的“这是背景信息”设置。研究在不同的 Thread 之间变得碎片化：上周的分析引用了本周 Thread 看不到的表格，因此你无法在自己已有的发现之上继续构建。团队也会重复劳动：同事在自己的账户中研究同一份合同时必须从零开始，因为你上传的文件只存在于你自己的 Thread 中。

Perplexity 的内置临时解决方案（及其局限性）

支持文件上传的 Spaces

Spaces 是最强大的内置解决方案：为每个项目创建一个 Space，附加参考文件，其中的每个 Thread 都能看到它们——此外还可以加上自定义指令。其限制在于作用域和上限：文件被锁定在单个 Space 中，上传上限取决于你的订阅计划，而 Space 之外的一次性搜索什么也看不到。

继续旧的 Thread

重新打开一个 Thread 可以保留其文件上下文，因此一些用户会针对每个主题运行一个无休止的超长 Thread。这在一定程度上可行，但终究不是长久之计：Thread 会变得臃肿不堪，将数月的研究埋藏在单次滚动中违背了该产品搜索优先的流程设计。

它们共同面临的壁垒

注意这个规律：你的文件最终被孤立在每个 Space、每个 Thread、每个账户中。更深层次的问题在于，一旦你的工作流离开 Perplexity，问题就来了。你在那里整理的源文件对 Claude、ChatGPT 或你的编码 Agent 毫无意义——如果你要迁移，这些文件也无法干净地随你转移，这正是像将 Perplexity Spaces 迁移到 Claude这样的指南存在的原因。

解决方案：为 Perplexity 提供持久的文件记忆

持久的解决方案是将文件保存在一个比任何 Thread 和任何应用都更长寿的层中。MemoryLake 一次性保存你的文档，并将其解析为可搜索状态，然后提供给任何 AI：密集电子表格和多栏 PDF 等复杂布局由专用的视觉解析引擎处理（该引擎已在超过 1 亿份文档上经过生产测试），端到端加密意味着除了你之外没有人可以读取它们。

步骤 1：创建 API 密钥

步骤 2：上传你的第一批记忆

拖入你的研究所依赖的文档、图片和其他文件：报告、规格说明、源 PDF、数据集。只需上传一次——无需在每个 Thread 中重新附加，也无需在每个 Space 中重复上传。

步骤 3：连接你的 AI 和 Agent

Perplexity 目前没有 MCP 客户端，因此可以使用 API：使用你的密钥获取相关的记忆，并将其包含在你的 Perplexity 提示词或研究工作流中。同样的记忆可以通过 MCP 立即提供给 Claude、Codex、OpenClaw 和其他 Agent——这样你构建的库就可以服务于你的整个工具链，而不仅仅是一个应用。

重新上传的实际代价

研究的“重复税”

每次重新上传都会带来隐性开销：重新寻找文件、等待重新处理，以及重新编写界定背景的提示词。在进行周期性研究的团队中，相同的源文档每月会被上传并重新解释几十次——这是纯粹的重复劳动，不会产生任何新东西。

用检索代替重新附加

有了持久化层，文件只需解析一次并按需检索——你的工作流只拉取与当前问题相关的片段，而不是重新喂入整个文档。这对你来说更快，而且对于基于 API 的流水线，它还能减少 Token 消耗；MemoryLake 的 Token 节省计算器（Token Saving Calculator）可以根据你自己的使用数据为你提供预测。

管理研究记忆的最佳实践

清理被替代的源文件

当报告有了新版本或数据集被修改时，请更新或删除旧版本——提供陈旧源文件的记忆层比没有记忆层更糟糕。

根据文件回答的问题来命名

“2026-Q2-eu-market-sizing.pdf” 比 “final_v3.pdf” 的检索效果更好。描述性的名称和一致的前缀可以让按需检索更加精准。

按项目或客户划分作用域

为每个研究流保持一个独立的记忆作用域，而不是堆在一起。划分作用域的记忆可以保持检索的相关性，并使向团队成员的交接更加干净利落。

结论

Perplexity 局限于 Thread 作用域的文件并不是 Bug——这是搜索优先产品的形态使然。但你的源文件库不应该受制于这种形态。将文件一次性存放在持久记忆中，你使用的每个 Thread、每个 Space 以及每个其他 AI 都能从同一个信息充足的基线开始。重新上传的繁琐仪式到此为止。

免费试用 MemoryLake

为什么 Perplexity 会遗忘我上传的文件？