Modèles et plateformes d’IA
Perplexity Brain crée et met à jour des compétences d’agent à partir de son expérience

Points clésBrain personnalise l'agent en modifiant le contexte et les instructions plutôt que les…
Voir plus
- Brain personnalise l'agent en modifiant le contexte et les instructions plutôt que les poids du modèle.
- La création automatique de compétences a atteint 72,9 % des utilisateurs activés contre 6,5 % des témoins dans le test en production.
- Les mises à jour intégrées des compétences exigent des tests de rejeu appariés et l'approbation d'un ingénieur avant que tout changement ne prenne effet.
Perplexity a annoncé le 18 novembre 2026 que Brain, le système de personnalisation de son agent Computer, peut désormais créer et mettre à jour des compétences d’agent réutilisables, et que Brain avait rédigé plus de 80 000 compétences personnelles pour plus de 20 000 utilisateurs entre le 1er août 2026 et le 14 novembre 2026.
Cette extension vise à prendre en compte les préférences et les procédures propres aux flux de travail, qu’un modèle généraliste ne peut pas connaître à l’avance, afin de réduire les explications et les corrections répétées. Les compétences regroupent des instructions réutilisables et des ressources complémentaires, parfois accompagnées de scripts. L’environnement d’exécution de Computer permet de les repérer et charge leurs instructions lorsque l’agent les demande ; les utilisateurs peuvent également préciser les compétences à utiliser dans une invite. La personnalisation modifie le contexte et les instructions de l’agent, mais pas les poids du modèle sous-jacent.
L’amélioration des compétences personnelles est accessible à tous les abonnés Max aux États-Unis. Elle est activée par défaut pour les utilisateurs admissibles et peut être désactivée. L’onglet Plugins signale les compétences rédigées par Brain et permet aux utilisateurs de choisir celles qui sont activées.
Adoption et premiers résultats des tests
Perplexity a également fait état de plus de 100 000 mises à jour automatiques de plus de 30 000 compétences personnelles existantes entre le 4 septembre 2026 et le 14 novembre 2026. Lors d’un essai randomisé de huit semaines en conditions réelles, 72,9 % des utilisateurs pour lesquels l’amélioration automatique était activée ont reçu au moins une nouvelle compétence personnelle, contre 6,5 % des utilisateurs du groupe témoin, qui en ont ajouté une manuellement. Une compétence personnelle a été chargée dans une conversation lancée par l’utilisateur pour 53 % des personnes du groupe où l’amélioration était activée, contre 13 % des personnes du groupe témoin. Parmi les clients ayant reçu une compétence rédigée par Brain, 63 % en ont réutilisé une lors d’une conversation ultérieure, dans les quatre semaines qui ont suivi.
Dans la même expérience, Perplexity a fait état d’une baisse de 11 % des échecs d’appels d’outils pour l’ensemble de l’activité de Computer, et d’environ 7 % lorsque les exécutions en arrière-plan étaient exclues. Le nombre de fils de discussion par utilisateur associés à un niveau d’insatisfaction moyen ou élevé a diminué de 7,6 %, sans changement mesurable du coût ni du temps de réponse.
Perplexity a décrit une expérience hors ligne plus limitée menée avec SkillLearnBench : Computer a généré une compétence pour chacune des neuf familles de tâches, et le taux de réussite sur 16 instances appariées est passé de 43,8 % sans compétences à 62,5 % avec les compétences générées. Le banc d’essai complet comprend 20 tâches réparties dans six catégories du monde réel et 100 instances vérifiées ; l’expérience de l’entreprise n’a donc porté que sur une partie de l’ensemble.
Comment les compétences personnelles sont révisées
Le moteur d’amélioration commun comporte quatre étapes : recueillir des éléments, les analyser, vérifier une proposition et appliquer la modification. L’environnement d’exécution consigne le chargement des compétences, et l’agent produit des diagnostics structurés lorsqu’il détecte de la frustration chez l’utilisateur, un comportement défaillant ou une inefficacité manifeste. Les traces de session conservées comprennent les messages, les appels d’outils, le raisonnement et les résultats ; l’agent chargé de l’amélioration peut ainsi examiner où une procédure a échoué, au lieu de s’appuyer uniquement sur un résultat ou un bref résumé.
Lors des cycles quotidiens d’amélioration des compétences personnelles, un agent d’amélioration exécuté en arrière-plan reçoit les sessions récentes, les données d’utilisation des compétences et le catalogue de compétences existant, mais n’a accès ni à Internet ni aux connecteurs. Il peut consulter davantage d’éléments de l’historique des sessions de l’utilisateur au besoin. La création d’une nouvelle compétence nécessite deux occurrences indépendantes d’un même comportement réutilisable, tandis qu’une seule occurrence étayée peut justifier une mise à jour. Chaque proposition se limite à une modification par compétence et par cycle ; des vérifications déterministes évaluent si elle est correctement formée et applicable, et un évaluateur fondé sur un LLM examine un échantillon de propositions pour vérifier qu’elles s’appuient sur des éléments probants et contiennent des instructions utiles.
L’activation ajoute la modification vérifiée à la bibliothèque de l’utilisateur pour ses sessions ultérieures. Comme Computer charge au début de chaque session un index des compétences disponibles, une bibliothèque trop volumineuse peut occuper une partie du contexte et rendre les compétences pertinentes plus difficiles à trouver. Le système limite donc à 10 le nombre de compétences créées automatiquement par utilisateur ; lorsque cette limite est atteinte, l’agent doit retirer une compétence existante et justifier en quoi son remplacement serait plus utile avant d’en ajouter une autre.
Les compétences intégrées nécessitent une relecture et une approbation humaine
Les compétences intégrées sont accessibles à tous les utilisateurs de Perplexity ; leur mise à jour suit donc un processus plus strict. Celui-ci s’appuie sur des éléments anonymisés issus de sessions admissibles à l’entraînement, après suppression des identifiants d’accès, des autres secrets, des fichiers joints et des contenus multimédias. Une tâche de révision hebdomadaire repère les défaillances qui se répètent dans plusieurs sessions, afin qu’une seule session problématique ne suffise pas à déclencher une modification.
Un agent de génération de scénarios transforme ces défaillances en tests autonomes, en reconstituant de façon synthétique le contexte superflu et en remplaçant par des fichiers synthétiques les données d’entrée qui dépendent de connecteurs. L’agent d’amélioration reçoit des descriptions des causes profondes et des sessions réussies anonymisées, mais pas les scénarios d’échec mis de côté pour l’évaluation. Lors de la relecture par exécution des tests appariés, chaque scénario de test doit réussir avec la compétence révisée, et au moins un doit échouer avec la version initiale ; des scénarios témoins vérifient que les comportements qui fonctionnaient auparavant n’ont pas régressé.
Un évaluateur fondé sur un LLM note les réponses et les traces au regard du barème de chaque scénario. Les propositions et leurs résultats d’évaluation sont ensuite soumis sous forme de demande d’intégration interne, et la modification n’entre en vigueur qu’après approbation d’un ingénieur.
Perplexity prévoit d’étendre ce processus d’amélioration aux compétences créées par les utilisateurs, partagées au sein de projets et propres aux organisations. La question encore ouverte est de savoir comment le produit appliquera le mécanisme actuel, qui associe activation automatique, tests de rejeu et validation humaine, à mesure que les procédures passeront de l’historique d’une personne à des flux de travail partagés par une équipe.












