AI-modeller og platforme
Perplexity Brain opretter og opdaterer agentfærdigheder ud fra erfaring

NøglepunkterBrain personaliserer agenten ved at ændre kontekst og instruktioner i stedet for…
Vis mere
- Brain personaliserer agenten ved at ændre kontekst og instruktioner i stedet for modellens vægte.
- Automatisk færdighedsoprettelse nåede 72,9 % af aktiverede brugere mod 6,5 % af kontrolgruppen i produktionstesten.
- Indbyggede færdighedsopdateringer kræver parret replay-test og ingeniørgodkendelse, før enhver ændring træder i kraft.
Perplexity oplyste den 18. november 2026, at Brain, personaliseringssystemet til deres Computer-agent, nu kan oprette og opdatere genanvendelige agentfærdigheder, og at Brain havde skrevet mere end 80.000 personlige færdigheder til over 20.000 brugere mellem 1. august 2026 og 14. november 2026.
Udvidelsen skal indfange arbejdsgangsspecifikke præferencer og procedurer, som en generel model ikke kan kende på forhånd, så brugerne slipper for gentagne forklaringer og rettelser. Færdigheder samler genanvendelige instruktioner og understøttende ressourcer, undertiden også scripts. Computers agentmiljø gør dem tilgængelige og indlæser deres instruktioner, når agenten anmoder om dem; brugerne kan også angive færdigheder i en prompt. Personaliseringen ændrer agentens kontekst og instruktioner, ikke vægtene i den underliggende model.
Forbedring af personlige færdigheder er tilgængelig for alle Max-abonnenter i USA. Funktionen er som standard slået til for berettigede brugere og kan slås fra. Fanen Plugins identificerer færdigheder, som Brain har skrevet, og lader brugerne vælge, hvilke færdigheder der skal være slået til.
Udbredelse og tidlige testresultater
Perplexity rapporterede også om mere end 100.000 automatiske opdateringer af over 30.000 eksisterende personlige færdigheder mellem 4. september 2026 og 14. november 2026. I en otte uger lang randomiseret test i produktion modtog 72,9 % af brugerne med automatisk forbedring slået til mindst én ny personlig færdighed mod 6,5 % i kontrolgruppen, hvor brugerne selv tilføjede en færdighed. En personlig færdighed blev indlæst i en samtale, som brugeren havde startet, for 53 % af gruppen med funktionen slået til og 13 % af kontrolgruppen. Blandt de kunder, der modtog en færdighed skrevet af Brain, brugte 63 % en sådan færdighed igen i en senere samtale inden for fire uger.
I det samme eksperiment rapporterede Perplexity et fald på 11 % i fejl ved værktøjskald på tværs af al Computer-aktivitet og et fald på omkring 7 %, når baggrundskørsler blev udeladt. Antallet af tråde med middel eller høj utilfredshed pr. bruger faldt med 7,6 %, uden nogen målbar ændring i omkostninger eller svartid.
Perplexity rapporterede om et mere begrænset offlineeksperiment med SkillLearnBench: Computer genererede én færdighed for hver af ni opgavefamilier, og opgavesuccesen på tværs af 16 parrede forekomster steg fra 43,8 % uden færdigheder til 62,5 % med genererede færdigheder. Den fulde benchmark indeholder 20 opgaver på tværs af seks virkelighedsnære kategorier og 100 verificerede forekomster, så virksomhedens eksperiment omfattede kun en del af testsættet.
Sådan revideres personlige færdigheder
Den fælles forbedringsmotor har fire trin: indsamle evidens, reflektere over den, verificere et forslag og aktivere ændringen. Agentmiljøet registrerer indlæsninger af færdigheder, og agenten indsender strukturerede diagnosticeringer, når den registrerer brugerfrustration, fejlfunktion eller tydelig ineffektivitet. Gemte forløb fra sessioner bevarer beskeder, værktøjskald, ræsonnementer og resultater, så forbedringsagenten kan undersøge, hvor en procedure gik galt, i stedet for at basere sig på et resultat eller et kort resumé.
Ved daglige kørsler til forbedring af personlige færdigheder modtager en forbedringsagent, der kører i baggrunden, nylige sessioner, data om brugen af færdigheder og det eksisterende katalog over færdigheder, men har ikke adgang til internettet eller forbindelser. Den kan hente mere af brugerens sessionshistorik efter behov. En ny færdighed kræver to uafhængige forekomster af den samme genanvendelige adfærd, mens én velunderbygget forekomst kan danne grundlag for en opdatering. Hvert forslag er begrænset til én ændring pr. færdighed pr. kørsel; deterministiske kontroller tester, om forslaget er korrekt udformet og kan anvendes, og en LLM-vurderingsmodel gennemgår et udvalg af forslag for at kontrollere, om de er underbygget af evidens og indeholder nyttige instruktioner.
Når ændringen aktiveres, skrives den verificerede ændring til brugerens bibliotek til brug i fremtidige sessioner. Da Computer indlæser et indeks over tilgængelige færdigheder ved starten af hver session, kan et overdimensioneret bibliotek bruge af konteksten og gøre det sværere at finde relevante færdigheder. Systemet begrænser derfor automatisk oprettede færdigheder til 10 pr. bruger; når grænsen er nået, skal agenten udfase en eksisterende færdighed og begrunde, hvorfor en erstatning er mere nyttig, før den tilføjer en ny.
Indbyggede færdigheder kræver gentagne tests og menneskelig godkendelse
Indbyggede færdigheder er tilgængelige for alle Perplexity-brugere, så opdateringer af dem følger en strengere proces. Processen anvender renset evidens fra sessioner, der er egnede til træning, og fjerner loginoplysninger, andre hemmeligheder, vedhæftede filer og medier. En ugentlig revisionsproces leder efter fejl, der går igen på tværs af flere sessioner, frem for at lade én dårlig session føre til en ændring.
En agent til scenariegenerering omsætter disse fejl til selvstændige tests ved syntetisk at genskabe unødvendig kontekst og erstatte input, der afhænger af forbindelser, med syntetiske filer. Forbedringsagenten modtager beskrivelser af de grundlæggende årsager og rensede vellykkede sessioner, men ikke de tilbageholdte fejlsituationer, der bruges til evaluering. Ved parret gentagelsestest skal hvert testscenarie bestås med den reviderede færdighed, og mindst ét skal ikke bestås med den oprindelige; kontrolscenarier kontrollerer, at adfærd, der tidligere fungerede, ikke er blevet forringet.
En LLM-vurderingsmodel bedømmer svar og forløb ud fra vurderingskriterierne for hvert scenarie. Kandidaterne og deres evalueringsresultater indsendes derefter som en intern pull request, og en ændring træder først i kraft, når en tekniker har godkendt den.
Perplexity planlægger at udvide forbedringsfunktionen til brugeroprettede færdigheder, færdigheder, der deles i projekter, og organisationsfærdigheder. Det åbne produktspørgsmål er, hvordan den vil anvende den nuværende kombination af automatisk aktivering, replay-testning og menneskelig godkendelse, efterhånden som procedurerne bevæger sig fra den enkeltes historik til delte arbejdsgange i teams.












