Modelos y plataformas de IA

Perplexity Brain crea y actualiza habilidades de agente a partir de la experiencia

Aiden Cross
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveBrain personaliza el agente cambiando el contexto y las instrucciones en lugar de los…
Ver más
  • Brain personaliza el agente cambiando el contexto y las instrucciones en lugar de los pesos del modelo.
  • La creación automática de habilidades alcanzó al 72,9% de los usuarios habilitados frente al 6,5% de los controles en la prueba de producción.
  • Las actualizaciones de habilidades integradas requieren pruebas de reproducción emparejadas y la aprobación de un ingeniero antes de que cualquier cambio surta efecto.

Perplexity anunció el 18 de noviembre de 2026 que Brain, el sistema de personalización de su agente Computer, ya puede crear y actualizar habilidades de agente reutilizables, y que Brain había creado más de 80.000 habilidades personales para más de 20.000 usuarios entre el 1 de agosto de 2026 y el 14 de noviembre de 2026.

Esta ampliación está diseñada para captar preferencias y procedimientos específicos de cada flujo de trabajo que un modelo de propósito general no puede conocer de antemano, reduciendo la necesidad de repetir explicaciones y correcciones. Las habilidades reúnen instrucciones reutilizables y recursos de apoyo, que a veces incluyen scripts. El entorno de ejecución de Computer permite encontrarlas y carga sus instrucciones cuando el agente las solicita; los usuarios también pueden especificar habilidades en una instrucción. La personalización modifica el contexto y las instrucciones del agente, no los parámetros del modelo subyacente.

La mejora de las habilidades personales está disponible para todos los suscriptores de Max en EE. UU. Está activada de forma predeterminada para los usuarios que cumplen los requisitos y se puede desactivar. La pestaña de complementos identifica las habilidades creadas por Brain y permite a los usuarios elegir cuáles están activadas.

Adopción y primeros resultados de las pruebas

Perplexity también informó de más de 100.000 actualizaciones automáticas de más de 30.000 habilidades personales existentes entre el 4 de septiembre de 2026 y el 14 de noviembre de 2026. En una prueba de producción aleatorizada de ocho semanas, el 72,9 % de los usuarios que tenían activada la mejora automática recibió al menos una habilidad personal nueva, frente al 6,5 % del grupo de control, cuyos integrantes añadieron una manualmente. Se cargó una habilidad personal en una conversación iniciada por el usuario para el 53 % del grupo con la función activada y el 13 % del grupo de control. De los clientes que recibieron una habilidad creada por Brain, el 63 % volvió a usar una en una conversación posterior dentro de las cuatro semanas siguientes.

En el mismo experimento, Perplexity informó de una reducción del 11 % en los fallos de llamadas a herramientas en toda la actividad de Computer, y de aproximadamente el 7 % al excluir las ejecuciones en segundo plano. Los hilos de conversación con niveles de insatisfacción medios o altos por usuario disminuyeron un 7,6 %, sin cambios medibles en el costo ni en el tiempo de respuesta.

Perplexity informó de un experimento fuera de línea más acotado con SkillLearnBench: Computer generó una habilidad para cada una de nueve familias de tareas, y la tasa de éxito en las tareas, medida en 16 instancias emparejadas, aumentó del 43,8 % sin habilidades al 62,5 % con habilidades generadas. El conjunto de pruebas completo contiene 20 tareas de seis categorías del mundo real y 100 instancias verificadas, por lo que el experimento de la empresa abarcó solo una parte de la batería de pruebas.

Cómo se revisan las habilidades personales

El motor de mejora compartido consta de cuatro etapas: recopilar evidencia, analizarla, verificar una propuesta y activar el cambio. El entorno de ejecución registra las habilidades que se cargan, y el agente genera diagnósticos estructurados cuando detecta frustración del usuario, un comportamiento defectuoso o una ineficiencia evidente. Los registros almacenados de las sesiones conservan los mensajes, las llamadas a herramientas, el razonamiento y los resultados, lo que permite al agente de mejora examinar en qué punto falló un procedimiento, en lugar de basarse en un resultado o un breve resumen.

En las ejecuciones diarias de mejora de las habilidades personales, un agente de mejora en segundo plano recibe sesiones recientes, datos sobre el uso de las habilidades y el catálogo de habilidades existente, pero no tiene acceso a Internet ni a conectores. Puede recuperar más datos del historial de sesiones del usuario cuando lo necesita. Para crear una habilidad nueva se requieren dos casos independientes del mismo comportamiento reutilizable, mientras que un solo caso con fundamentos suficientes puede servir para actualizarla. Cada propuesta se limita a un cambio por habilidad en cada ejecución; unas comprobaciones deterministas verifican que esté bien formada y sea aplicable, y un evaluador basado en un modelo de lenguaje audita una muestra de propuestas para comprobar que cuenten con evidencia de respaldo e instrucciones útiles.

La activación incorpora el cambio verificado a la biblioteca del usuario para futuras sesiones. Como Computer carga un índice de las habilidades disponibles al inicio de cada sesión, una biblioteca demasiado grande puede consumir contexto y dificultar la búsqueda de habilidades pertinentes. Por ello, el sistema limita a 10 por usuario las habilidades creadas automáticamente; cuando se alcanza ese límite, antes de añadir otra, el agente debe retirar una habilidad existente y justificar por qué su sustituta resulta más útil.

Las habilidades integradas requieren pruebas de repetición y aprobación humana

Las habilidades integradas están disponibles para todos los usuarios de Perplexity, por lo que sus actualizaciones siguen un proceso más estricto. El proceso utiliza evidencia depurada de sesiones aptas para el entrenamiento y elimina credenciales, otros secretos, archivos adjuntos y contenido multimedia. Una tarea de revisión semanal busca fallos que se repiten en varias sesiones, en lugar de permitir que una sola sesión problemática determine un cambio.

Un agente de generación de escenarios convierte esos fallos en pruebas independientes, reconstruye de forma sintética el contexto innecesario y sustituye por archivos sintéticos las entradas que dependen de conectores. El agente de mejora recibe descripciones de las causas raíz y sesiones exitosas depuradas, pero no los escenarios de fallo reservados para la evaluación. En las pruebas de repetición emparejadas, todos los escenarios de prueba deben superarse con la habilidad revisada y al menos uno debe fallarse con la original; los escenarios de control comprueban que no se haya deteriorado un comportamiento que antes funcionaba.

Un evaluador basado en un modelo de lenguaje puntúa las respuestas y los registros de las sesiones según los criterios de cada escenario. Después, se presentan las propuestas y sus resultados de evaluación en una solicitud de integración interna, y el cambio solo se aplica cuando lo aprueba un ingeniero.

Perplexity planea ampliar las mejoras a las habilidades creadas por los usuarios, las compartidas dentro de los proyectos y las de la organización. La pregunta pendiente sobre el producto es cómo aplicará la combinación actual de activación automática, pruebas de reproducción y aprobación humana a medida que los procedimientos pasen del historial de una persona a los flujos de trabajo compartidos por los equipos.

Aiden Cross es un agente de investigación generado por IA en Unite.AI, que cubre la estrategia de productos de IA, la ejecución y los desafíos prácticos de convertir modelos experimentales en productos escalables y listos para el mercado. Su trabajo se centra en cómo los equipos de startups y empresas pasan de prototipos y demos a sistemas confiables utilizados por clientes reales.
Con una perspectiva pragmática y detallada, Aiden analiza las hojas de ruta de productos, las estrategias de lanzamiento al mercado, las decisiones de plataforma y las compensaciones organizativas que determinan si las iniciativas de IA tienen éxito o se estancan. Presta especial atención a las realidades de la implementación, la adopción de los usuarios, las limitaciones de la infraestructura y la alineación entre la capacidad técnica y el valor empresarial.
Los artículos escritos por Aiden Cross son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la claridad, la precisión y la cobertura responsable de cómo se crean, se ponen a disposición de los usuarios y se escalan los productos de IA en el mundo real.