एआई मॉडल और प्लेटफ़ॉर्म
Perplexity Brain अनुभव के आधार पर एजेंट स्किल्स बनाता और अपडेट करता है

मुख्य बिंदुब्रेन मॉडल के भार बदलने के बजाय संदर्भ और निर्देश बदलकर एजेंट को व्यक्तिगत बनाता है।
और देखें
- ब्रेन मॉडल के भार बदलने के बजाय संदर्भ और निर्देश बदलकर एजेंट को व्यक्तिगत बनाता है।
- उत्पादन परीक्षण में स्वचालित कौशल निर्माण सक्षम उपयोगकर्ताओं के 72.9% तक पहुंचा, जबकि नियंत्रण समूह के 6.5% तक।
- अंतर्निहित कौशल अपडेट के लिए किसी भी परिवर्तन के प्रभावी होने से पहले युग्मित पुनःप्ले परीक्षण और इंजीनियर की स्वीकृति आवश्यक है।
Perplexity ने 18 नवंबर, 2026 को बताया कि उसके Computer एजेंट के लिए वैयक्तिकरण प्रणाली Brain अब दोबारा इस्तेमाल की जा सकने वाली एजेंट स्किल्स बना और अपडेट कर सकती है। कंपनी के अनुसार, Brain ने 1 अगस्त, 2026 से 14 नवंबर, 2026 के बीच 20,000 से अधिक उपयोगकर्ताओं के लिए 80,000 से ज़्यादा निजी स्किल्स तैयार की थीं।
यह विस्तार कार्यप्रवाह-विशिष्ट प्राथमिकताओं और प्रक्रियाओं को दर्ज करने के लिए बनाया गया है, जिनके बारे में कोई सामान्य प्रयोजन वाला मॉडल पहले से नहीं जान सकता। इससे बार-बार स्पष्टीकरण देने और सुधार करने की ज़रूरत घटती है। स्किल्स में दोबारा इस्तेमाल किए जा सकने वाले निर्देश और सहायक संसाधन शामिल होते हैं; कभी-कभी इनमें स्क्रिप्ट भी होती हैं। Computer का ढाँचा इन स्किल्स को खोजने योग्य बनाता है और एजेंट के अनुरोध पर उनके निर्देश लोड करता है। उपयोगकर्ता प्रॉम्प्ट में भी स्किल्स निर्दिष्ट कर सकते हैं। वैयक्तिकरण से एजेंट का संदर्भ और निर्देश बदलते हैं, मूल मॉडल के वेट नहीं।
निजी स्किल्स में सुधार की सुविधा अमेरिका के सभी Max ग्राहकों के लिए उपलब्ध है। पात्र उपयोगकर्ताओं के लिए यह डिफ़ॉल्ट रूप से चालू रहती है और इसे बंद किया जा सकता है। Plugins टैब Brain द्वारा बनाई गई स्किल्स की पहचान बताता है और उपयोगकर्ताओं को यह चुनने देता है कि कौन-सी स्किल्स चालू रहें।
अपनाने के आँकड़े और शुरुआती परीक्षण के नतीजे
Perplexity ने यह भी बताया कि 4 सितंबर, 2026 से 14 नवंबर, 2026 के बीच 30,000 से अधिक मौजूदा निजी स्किल्स को 100,000 से ज़्यादा स्वचालित अपडेट मिले। आठ सप्ताह तक चले यादृच्छिक उत्पादन-परीक्षण में, स्वचालित सुधार चालू रखने वाले 72.9% उपयोगकर्ताओं को कम-से-कम एक नई निजी स्किल मिली। इसकी तुलना में, नियंत्रण समूह के 6.5% उपयोगकर्ताओं ने खुद एक स्किल जोड़ी। उपयोगकर्ता द्वारा शुरू की गई बातचीत में चालू समूह के 53% और नियंत्रण समूह के 13% उपयोगकर्ताओं की निजी स्किल लोड हुई। Brain द्वारा बनाई गई स्किल पाने वाले ग्राहकों में से 63% ने चार सप्ताह के भीतर बाद की किसी बातचीत में उस स्किल का दोबारा इस्तेमाल किया।
इसी प्रयोग में Perplexity ने बताया कि Computer की सभी गतिविधियों में टूल-कॉल विफलताएँ 11% कम हुईं; बैकग्राउंड रन को हटाने पर यह कमी लगभग 7% रही। प्रति उपयोगकर्ता मध्यम या उच्च असंतोष वाली बातचीत के थ्रेड 7.6% घटे, जबकि लागत या जवाब देने के समय में कोई मापने योग्य बदलाव नहीं हुआ।
Perplexity ने SkillLearnBench का इस्तेमाल करते हुए एक सीमित ऑफ़लाइन प्रयोग किया। इसमें Computer ने नौ कार्य-परिवारों में से प्रत्येक के लिए एक स्किल बनाई, और 16 युग्मित उदाहरणों में कार्य-सफलता की दर स्किल के बिना 43.8% से बढ़कर बनाई गई स्किल्स के साथ 62.5% हो गई। पूरे बेंचमार्क में वास्तविक दुनिया की छह श्रेणियों के 20 कार्य और 100 सत्यापित उदाहरण हैं, इसलिए कंपनी के प्रयोग में इस सुइट का केवल एक हिस्सा शामिल था।
निजी स्किल्स में संशोधन कैसे होता है
सुधार की साझा प्रक्रिया के चार चरण हैं: साक्ष्य जुटाना, उस पर विचार करना, प्रस्ताव की पुष्टि करना और बदलाव लागू करना। ढाँचा स्किल्स के लोड होने का लॉग रखता है, और जब एजेंट को उपयोगकर्ता की झुंझलाहट, कामकाज में गड़बड़ी या स्पष्ट अक्षमता दिखाई देती है, तो वह व्यवस्थित नैदानिक जानकारी दर्ज करता है। सत्रों के संग्रहित घटनाक्रम में संदेश, टूल-कॉल, तर्क और नतीजे सुरक्षित रहते हैं। इससे सुधार करने वाला एजेंट केवल अंतिम नतीजे या संक्षिप्त सारांश पर निर्भर रहने के बजाय यह देख सकता है कि प्रक्रिया कहाँ गलत हुई।
निजी स्किल्स के रोज़ाना होने वाले सुधार-चक्र में बैकग्राउंड सुधार एजेंट को हाल के सत्र, स्किल के इस्तेमाल का डेटा और मौजूदा स्किल सूची मिलती है, लेकिन उसे इंटरनेट या कनेक्टर का ऐक्सेस नहीं होता। ज़रूरत पड़ने पर वह उपयोगकर्ता के सत्रों का और इतिहास हासिल कर सकता है। नई स्किल बनाने के लिए एक ही दोबारा इस्तेमाल किए जा सकने वाले व्यवहार के दो स्वतंत्र उदाहरण ज़रूरी हैं, जबकि किसी अपडेट के समर्थन में एक प्रमाण-आधारित उदाहरण पर्याप्त हो सकता है। हर रन में प्रति स्किल केवल एक बदलाव का प्रस्ताव दिया जा सकता है। नियतात्मक जाँचें परखती हैं कि प्रस्ताव सही रूप में है और लागू किया जा सकता है या नहीं; वहीं, एक एलएलएम निर्णायक नमूने के तौर पर चुने गए प्रस्तावों में सहायक साक्ष्य और उपयोगी निर्देशों की जाँच करता है।
बदलाव की पुष्टि होने के बाद उसे उपयोगकर्ता की लाइब्रेरी में जोड़ दिया जाता है, ताकि आने वाले सत्रों में उसका इस्तेमाल हो सके। चूँकि Computer हर सत्र की शुरुआत में उपलब्ध स्किल्स की सूची लोड करता है, इसलिए बहुत बड़ी लाइब्रेरी संदर्भ-क्षमता का इस्तेमाल कर सकती है और प्रासंगिक स्किल्स ढूँढ़ना कठिन बना सकती है। इसी वजह से, हर उपयोगकर्ता के लिए अपने-आप बनाई जाने वाली स्किल्स की अधिकतम संख्या 10 रखी गई है। यह सीमा पूरी होने पर, नई स्किल जोड़ने से पहले एजेंट को किसी मौजूदा स्किल को हटाना होगा और यह बताना होगा कि उसकी जगह प्रस्तावित स्किल ज़्यादा उपयोगी क्यों है।
अंतर्निहित स्किल्स के लिए रीप्ले परीक्षण और मानवीय मंज़ूरी ज़रूरी
अंतर्निहित स्किल्स हर Perplexity उपयोगकर्ता के लिए उपलब्ध होती हैं, इसलिए उनके अपडेट के लिए अधिक सख़्त प्रक्रिया अपनाई जाती है। इसमें प्रशिक्षण के लिए पात्र सत्रों से साफ़ किया गया साक्ष्य इस्तेमाल होता है, जिसमें लॉगिन संबंधी जानकारी, अन्य गोपनीय चीज़ें, संलग्न फ़ाइलें और मीडिया हटा दिए जाते हैं। हर सप्ताह चलने वाला संशोधन कार्य उन विफलताओं को खोजता है जो कई सत्रों में बार-बार सामने आती हैं, ताकि किसी एक खराब सत्र के आधार पर बदलाव न किया जाए।
एक परिदृश्य-निर्माण एजेंट इन विफलताओं को स्वतंत्र परीक्षणों में बदलता है। इसके लिए वह अनावश्यक संदर्भ को कृत्रिम रूप से फिर से तैयार करता है और कनेक्टर पर निर्भर इनपुट की जगह कृत्रिम फ़ाइलें इस्तेमाल करता है। सुधार एजेंट को मूल कारणों का विवरण और साफ़ किए गए सफल सत्र मिलते हैं, लेकिन मूल्यांकन के लिए अलग रखे गए विफलता-परिदृश्य नहीं। जोड़ीदार रीप्ले परीक्षण में हर परीक्षण-परिदृश्य को संशोधित स्किल के साथ सफल होना चाहिए और मूल स्किल के साथ कम-से-कम एक परिदृश्य विफल होना चाहिए। नियंत्रण परिदृश्य यह जाँचते हैं कि पहले से सही ढंग से काम कर रहा व्यवहार बिगड़ा तो नहीं है।
एक एलएलएम निर्णायक हर परिदृश्य के मूल्यांकन-मापदंड के आधार पर जवाबों और घटनाक्रम को अंक देता है। इसके बाद उम्मीदवार बदलाव और उनके मूल्यांकन के नतीजे आंतरिक पुल रिक्वेस्ट के रूप में जमा किए जाते हैं। बदलाव तभी लागू होता है जब किसी इंजीनियर ने उसे मंज़ूरी दी हो।
Perplexity की योजना उपयोगकर्ताओं द्वारा बनाए गए कौशलों, परियोजनाओं में साझा किए गए कौशलों और संगठन के कौशलों तक सुधार का विस्तार करने की है। उत्पाद से जुड़ा एक खुला सवाल यह है कि जब प्रक्रियाएँ किसी व्यक्ति के इतिहास से निकलकर टीम के साझा कार्यप्रवाहों का हिस्सा बनेंगी, तब स्वचालित सक्रियण, रीप्ले परीक्षण और मानवीय अनुमोदन के मौजूदा मेल को कैसे लागू किया जाएगा।












