KI-Modelle und Plattformen
Perplexity Brain erstellt und aktualisiert Agenten-Skills anhand von Erfahrungen

Wichtige PunkteBrain personalisiert den Agenten, indem es Kontext und Anweisungen ändert und nicht die…
Mehr anzeigen
- Brain personalisiert den Agenten, indem es Kontext und Anweisungen ändert und nicht die Gewichte des Modells.
- Die automatische Erstellung von Skills erreichte im Produktionstest 72,9 % der aktivierten Nutzer gegenüber 6,5 % der Kontrollgruppe.
- Integrierte Skill-Aktualisierungen erfordern paarweise Replay-Tests und die Genehmigung durch einen Ingenieur, bevor eine Änderung wirksam wird.
Perplexity teilte am 18. November 2026 mit, dass Brain, das Personalisierungssystem für seinen Computer-Agenten, jetzt wiederverwendbare Agenten-Skills erstellen und aktualisieren kann. Zwischen dem 1. August 2026 und dem 14. November 2026 hatte Brain mehr als 80.000 persönliche Skills für über 20.000 Nutzer verfasst.
Die Erweiterung soll arbeitsablaufspezifische Präferenzen und Verfahren erfassen, die ein allgemeines Modell nicht im Voraus kennen kann. Dadurch sollen wiederholte Erklärungen und Korrekturen reduziert werden. Skills bündeln wiederverwendbare Anweisungen und ergänzende Ressourcen, manchmal auch Skripte. Die Ausführungsumgebung von Computer macht sie auffindbar und lädt ihre Anweisungen, wenn der Agent sie anfordert; Nutzer können Skills auch in einer Eingabeaufforderung angeben. Die Personalisierung verändert den Kontext und die Anweisungen des Agenten, nicht die Gewichte des zugrunde liegenden Modells.
Die Verbesserung persönlicher Skills steht allen Max-Abonnenten in den USA zur Verfügung. Für berechtigte Nutzer ist sie standardmäßig aktiviert und kann ausgeschaltet werden. Im Tab „Plugins“ sind von Brain verfasste Skills gekennzeichnet; dort können Nutzer auswählen, welche Skills aktiviert sind.
Nutzung und erste Testergebnisse
Perplexity meldete außerdem mehr als 100.000 automatische Aktualisierungen für über 30.000 bestehende persönliche Skills zwischen dem 4. September 2026 und dem 14. November 2026. In einem achtwöchigen randomisierten Test im Produktivbetrieb erhielten 72,9 % der Nutzer mit aktivierter automatischer Verbesserung mindestens einen neuen persönlichen Skill. Bei der Kontrollgruppe, deren Mitglieder manuell einen Skill hinzufügten, waren es 6,5 %. In einer von Nutzern gestarteten Unterhaltung wurde bei 53 % der Gruppe mit aktivierter Funktion und bei 13 % der Kontrollgruppe ein persönlicher Skill geladen. Von den Kunden, die einen von Brain verfassten Skill erhalten hatten, verwendeten 63 % innerhalb von vier Wochen erneut einen solchen Skill in einer späteren Unterhaltung.
Im selben Experiment meldete Perplexity einen Rückgang der Fehler bei Werkzeugaufrufen um 11 % über alle Computer-Aktivitäten hinweg und um etwa 7 %, wenn Hintergrundläufe nicht berücksichtigt wurden. Die Zahl der Threads mit mittlerer oder hoher Unzufriedenheit pro Nutzer sank um 7,6 %, während sich weder bei den Kosten noch bei der Antwortzeit eine messbare Veränderung zeigte.
Perplexity berichtete über ein kleiner angelegtes Offline-Experiment mit SkillLearnBench: Computer erzeugte für jede von neun Aufgabenfamilien einen Skill. Bei 16 gepaarten Testfällen stieg die Erfolgsquote bei den Aufgaben ohne Skills von 43,8 % auf 62,5 % mit den generierten Skills. Der vollständige Benchmark umfasst 20 Aufgaben aus sechs Kategorien der realen Welt und 100 verifizierte Testfälle. Das Experiment des Unternehmens deckte daher nur einen Teil der Testsuite ab.
So werden persönliche Skills überarbeitet
Die gemeinsame Verbesserungs-Engine umfasst vier Phasen: Belege sammeln, sie auswerten, einen Vorschlag überprüfen und die Änderung aktivieren. Die Ausführungsumgebung protokolliert, wann Skills geladen werden. Erkennt der Agent Frustration bei Nutzern, fehlerhaftes Verhalten oder deutliche Ineffizienz, erstellt er strukturierte Diagnoseberichte. Gespeicherte Sitzungsverläufe enthalten Nachrichten, Werkzeugaufrufe, Schlussfolgerungen und Ergebnisse. So kann der Verbesserungsagent nachvollziehen, an welcher Stelle ein Verfahren schiefgelaufen ist, statt sich auf ein Ergebnis oder eine kurze Zusammenfassung zu verlassen.
Bei den täglichen Durchläufen zur Verbesserung persönlicher Skills erhält ein im Hintergrund laufender Verbesserungsagent aktuelle Sitzungen, Daten zur Skill-Nutzung und den bestehenden Skill-Katalog, hat aber weder Internet- noch Connector-Zugriff. Bei Bedarf kann er weitere Teile des Sitzungsverlaufs des Nutzers abrufen. Für einen neuen Skill sind zwei unabhängige Vorkommen desselben wiederverwendbaren Verhaltens erforderlich; ein einzelnes belegtes Vorkommen kann dagegen eine Aktualisierung rechtfertigen. Pro Skill und Durchlauf ist höchstens eine Änderung zulässig. Deterministische Prüfungen testen, ob sie korrekt aufgebaut und anwendbar ist; ein LLM-Prüfer untersucht stichprobenartig, ob die Vorschläge durch Belege gestützt werden und nützliche Anweisungen enthalten.
Bei der Aktivierung wird die verifizierte Änderung für künftige Sitzungen in der Bibliothek des Nutzers gespeichert. Da Computer zu Beginn jeder Sitzung einen Index der verfügbaren Skills lädt, kann eine übermäßig große Bibliothek den Kontext beanspruchen und es erschweren, relevante Skills zu finden. Das System begrenzt daher die Zahl der automatisch erstellten Skills auf 10 pro Nutzer. Ist diese Grenze erreicht, muss der Agent einen bestehenden Skill außer Kraft setzen und begründen, warum sein Ersatz nützlicher ist, bevor er einen weiteren hinzufügt.
Integrierte Skills erfordern Wiederholungstests und menschliche Freigabe
Integrierte Skills stehen allen Perplexity-Nutzern zur Verfügung; deshalb werden sie nach einem strengeren Verfahren aktualisiert. Dafür werden bereinigte Belege aus Sitzungen verwendet, die für das Training infrage kommen. Zugangsdaten, andere Geheimnisse, angehängte Dateien und Medien werden dabei entfernt. Ein wöchentlicher Überarbeitungslauf sucht nach Fehlern, die in mehreren Sitzungen wiederholt auftreten, statt eine einzelne misslungene Sitzung zum Anlass für eine Änderung zu nehmen.
Ein Agent zur Szenariogenerierung macht aus diesen Fehlern eigenständige Tests. Dazu baut er unnötigen Kontext synthetisch nach und ersetzt Eingaben, die von Connectors abhängen, durch synthetische Dateien. Der Verbesserungsagent erhält Beschreibungen der Grundursachen und bereinigte erfolgreiche Sitzungen, nicht aber die zurückgehaltenen Fehlerszenarien, die zur Bewertung dienen. Bei paarweisen Wiederholungstests muss jedes Testszenario mit dem überarbeiteten Skill erfolgreich sein, während mindestens eines mit dem ursprünglichen Skill scheitern muss. Kontrollszenarien prüfen, ob zuvor funktionierendes Verhalten weiterhin funktioniert.
Ein LLM-Prüfer bewertet Antworten und Sitzungsverläufe anhand des Bewertungsrasters für jedes Szenario. Anschließend werden die Kandidaten samt ihren Bewertungsergebnissen als interner Pull Request eingereicht. Eine Änderung wird erst wirksam, wenn ein Ingenieur sie freigibt.
Perplexity plant, die Verbesserungen auf nutzererstellte Skills, innerhalb von Projekten geteilte Skills und Organisations-Skills auszuweiten. Offen ist die Produktfrage, wie das derzeitige Zusammenspiel aus automatischer Aktivierung, Replay-Tests und menschlicher Freigabe angewendet wird, wenn Abläufe aus dem Verlauf einer einzelnen Person in gemeinsam genutzte Team-Workflows übergehen.












