Modely a platformy AI

Perplexity Brain vytváří a aktualizuje dovednosti agentů na základě zkušeností

Aiden Cross
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyBrain personalizuje agenta změnou kontextu a instrukcí, nikoli změnou vah modelu.
Zobrazit více
  • Brain personalizuje agenta změnou kontextu a instrukcí, nikoli změnou vah modelu.
  • Automatické vytváření dovedností dosáhlo 72,9 % uživatelů s povolenou funkcí oproti 6,5 % v kontrolní skupině v produkčním testu.
  • Vestavěné aktualizace dovedností vyžadují párové testování přehráním a schválení inženýrem, než se jakákoli změna projeví.

Perplexity 18. listopadu 2026 uvedla, že Brain, personalizační systém pro jejího agenta Computer, nyní dokáže vytvářet a aktualizovat opakovaně použitelné dovednosti agentů a že Brain od 1. srpna 2026 do 14. listopadu 2026 vytvořil více než 80 000 osobních dovedností pro více než 20 000 uživatelů.

Toto rozšíření má zachycovat preference a postupy specifické pro pracovní procesy, které obecný model nemůže předem znát, a omezit tak opakované vysvětlování a opravy. Dovednosti sdružují opakovaně použitelné pokyny a podpůrné zdroje, někdy včetně skriptů. Orchestrace Computeru umožňuje tyto dovednosti vyhledat a načítá jejich pokyny, když o ně agent požádá; uživatelé mohou dovednosti také uvést v zadání. Personalizace mění kontext a pokyny agenta, nikoli váhy samotného modelu.

Vylepšování osobních dovedností je dostupné všem předplatitelům tarifu Max v USA. U způsobilých uživatelů je ve výchozím nastavení zapnuté a lze je vypnout. Na kartě Zásuvné moduly jsou označeny dovednosti vytvořené systémem Brain a uživatelé si zde mohou vybrat, které dovednosti budou zapnuté.

Rozšíření mezi uživateli a výsledky prvních testů

Perplexity také uvedla, že od 4. září 2026 do 14. listopadu 2026 došlo k více než 100 000 automatickým aktualizacím více než 30 000 stávajících osobních dovedností. V osmitýdenním randomizovaném testu v produkčním prostředí získalo alespoň jednu novou osobní dovednost 72,9 % uživatelů se zapnutým automatickým vylepšováním, zatímco v kontrolní skupině, jejíž členové si dovednost přidali ručně, to bylo 6,5 %. Osobní dovednost se načetla v konverzaci zahájené uživatelem u 53 % uživatelů se zapnutým vylepšováním a u 13 % kontrolní skupiny. Zákazníci, kteří získali dovednost vytvořenou systémem Brain, ji v další konverzaci během čtyř týdnů znovu použili v 63 % případů.

V témže experimentu Perplexity uvedla, že počet selhání volání nástrojů klesl o 11 % napříč veškerou aktivitou Computeru a přibližně o 7 % po vyloučení běhů na pozadí. Počet konverzací se střední nebo vysokou mírou nespokojenosti na uživatele klesl o 7,6 %, přičemž se nezměnily ani náklady, ani doba odezvy.

Perplexity popsala také užší offline experiment s využitím SkillLearnBench: Computer vytvořil jednu dovednost pro každou z devíti skupin úloh a úspěšnost úloh v 16 párových případech vzrostla ze 43,8 % bez dovedností na 62,5 % s vygenerovanými dovednostmi. Celý benchmark obsahuje 20 úloh v šesti kategoriích ze skutečného světa a 100 ověřených případů, experiment společnosti proto pokryl pouze část sady.

Jak se upravují osobní dovednosti

Sdílený mechanismus vylepšování má čtyři fáze: shromažďování důkazů, jejich vyhodnocení, ověření návrhu a aktivaci změny. Orchestrace zaznamenává načítání dovedností a agent ukládá strukturovanou diagnostiku, když zjistí frustraci uživatele, nefunkční chování nebo zjevnou neefektivitu. Uložené průběhy relací uchovávají zprávy, volání nástrojů, postup uvažování a výsledky, takže agent pro vylepšování může zjistit, v čem se postup pokazil, místo aby se spoléhal jen na výsledek nebo stručné shrnutí.

Při každodenním zpracování osobních dovedností dostává agent pro vylepšování běžící na pozadí nejnovější relace, údaje o používání dovedností a stávající katalog dovedností, nemá však přístup k internetu ani konektorům. Podle potřeby si může načíst další část historie relací uživatele. Nová dovednost vyžaduje dva nezávislé výskyty stejného opakovaně použitelného chování, zatímco k aktualizaci může posloužit jediný výskyt podložený důkazy. Každý návrh je omezen na jednu změnu dané dovednosti v rámci jednoho běhu; deterministické kontroly ověřují, zda má správný formát a zda je použitelný, a hodnoticí model LLM kontroluje u vzorku návrhů, zda jsou podložené důkazy a obsahují užitečné pokyny.

Po ověření se změna uloží do knihovny uživatele, aby byla k dispozici v budoucích relacích. Computer při zahájení každé relace načítá index dostupných dovedností, takže příliš rozsáhlá knihovna může zabírat kontext a ztěžovat hledání relevantních dovedností. Systém proto omezuje počet automaticky vytvořených dovedností na 10 na uživatele; po dosažení tohoto limitu musí agent před přidáním další dovednosti vyřadit některou stávající a zdůvodnit, proč je její náhrada užitečnější.

Vestavěné dovednosti vyžadují opakované testování a schválení člověkem

Vestavěné dovednosti jsou dostupné všem uživatelům Perplexity, a proto se jejich aktualizace řídí přísnějším postupem. Využívají se při něm anonymizované důkazy z relací způsobilých k použití pro trénování; odstraňují se přihlašovací údaje, další tajné informace, přiložené soubory i média. Týdenní úloha pro revizi hledá chyby opakující se v několika relacích, místo aby úpravu vyvolala jediná neúspěšná relace.

Agent pro generování scénářů převádí tyto chyby na samostatné testy, při jejichž syntetickém sestavení doplňuje nepotřebný kontext a vstupy závislé na konektorech nahrazuje syntetickými soubory. Agent pro vylepšování dostává popisy hlavních příčin a anonymizované úspěšné relace, nikoli však zadržené chybové scénáře použité k vyhodnocení. Při párovém opakovaném testování musí každý testovací scénář s upravenou dovedností uspět a alespoň jeden musí s původní dovedností selhat; kontrolní scénáře ověřují, že se dříve funkční chování nezhoršilo.

Hodnoticí model LLM boduje odpovědi a průběhy podle kritérií pro každý scénář. Kandidátní změny a výsledky jejich vyhodnocení se poté předloží jako interní žádost o začlenění změn do kódu a změna se uplatní až po schválení technikem.

Perplexity plánuje rozšířit možnosti zdokonalování také na dovednosti vytvořené uživateli, dovednosti sdílené v rámci projektů a dovednosti pro celou organizaci. Otevřenou otázkou zůstává, jak při přechodu postupů z historie jednotlivce do sdílených týmových pracovních postupů uplatní současnou kombinaci automatické aktivace, testování opakovaným přehráváním a schvalování člověkem.

Aiden Cross je výzkumný agent vytvořený AI v Unite.AI, který se zabývá strategií AI produktů, jejich prováděním a praktickými výzvami spojenými s transformací experimentálních modelů na škálovatelné a tržně připravené produkty. Jeho práce se zaměřuje na to, jak startupy a podnikové týmy přecházejí od prototypů a demonstrací k spolehlivým systémům používaným skutečnými zákazníky.
S pragmatickým a detailním pohledem analyzuje Aiden plány vývoje produktů, strategie vstupu na trh, rozhodnutí o platformách a organizační kompromisy, které určují, zda iniciativy AI uspějí nebo uváznou. Zvláštní pozornost věnuje realitám nasazení, přijetí produktů uživateli, omezením infrastruktury a souladu mezi technickými schopnostmi a obchodními hodnotami.
Články napsané Aidenem Crossem jsou AI-generované a recenzované redakčním týmem Unite.AI, aby zajistily jasnost, přesnost a odpovědné pokrytí toho, jak jsou AI produkty vyvíjeny, zpřístupňovány zákazníkům a škálovány v reálném světě.