Model dan platform AI

Perplexity Brain Membuat dan Memperbarui Keterampilan Agen dari Pengalaman

Aiden Cross
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaBrain mempersonalisasi agen dengan mengubah konteks dan instruksi, bukan bobot model.
Lihat selengkapnya
  • Brain mempersonalisasi agen dengan mengubah konteks dan instruksi, bukan bobot model.
  • Pembuatan keterampilan otomatis mencapai 72,9% pengguna yang diaktifkan versus 6,5% kelompok kontrol dalam uji produksi.
  • Pembaruan keterampilan bawaan memerlukan pengujian replay berpasangan dan persetujuan insinyur sebelum perubahan apa pun berlaku.

Perplexity menyatakan pada 18 November 2026 bahwa Brain, sistem personalisasi untuk agen Computer, kini dapat membuat dan memperbarui keterampilan agen yang dapat digunakan kembali. Brain juga telah menulis lebih dari 80.000 keterampilan pribadi untuk lebih dari 20.000 pengguna pada periode 1 Agustus 2026 hingga 14 November 2026.

Fitur ini dirancang untuk menangkap preferensi dan prosedur khusus alur kerja yang tidak dapat diketahui sebelumnya oleh model serbaguna, sehingga mengurangi kebutuhan untuk mengulang penjelasan dan koreksi. Keterampilan mengemas instruksi dan sumber daya pendukung yang dapat digunakan kembali, terkadang termasuk skrip. Kerangka kerja Computer membuat keterampilan mudah ditemukan dan memuat instruksinya saat diminta oleh agen; pengguna juga dapat menyebutkan keterampilan dalam prompt. Personalisasi mengubah konteks dan instruksi agen, bukan bobot model yang mendasarinya.

Peningkatan keterampilan pribadi tersedia bagi semua pelanggan Max di AS. Fitur ini diaktifkan secara default bagi pengguna yang memenuhi syarat dan dapat dinonaktifkan. Tab Plugin menandai keterampilan yang ditulis Brain dan memungkinkan pengguna memilih keterampilan yang diaktifkan.

Adopsi dan Hasil Uji Awal

Perplexity juga melaporkan lebih dari 100.000 pembaruan otomatis pada lebih dari 30.000 keterampilan pribadi yang sudah ada, pada periode 4 September 2026 hingga 14 November 2026. Dalam uji produksi acak selama delapan minggu, 72,9% pengguna yang mengaktifkan peningkatan otomatis menerima setidaknya satu keterampilan pribadi baru, dibandingkan dengan 6,5% kelompok kontrol yang menambahkan keterampilan secara manual. Keterampilan pribadi dimuat dalam percakapan yang dimulai pengguna pada 53% kelompok yang mengaktifkan fitur tersebut dan 13% kelompok kontrol. Di antara pelanggan yang menerima keterampilan yang ditulis Brain, 63% menggunakannya lagi dalam percakapan berikutnya dalam waktu empat minggu.

Dalam eksperimen yang sama, Perplexity melaporkan penurunan 11% pada kegagalan pemanggilan alat di seluruh aktivitas Computer, dan sekitar 7% setelah aktivitas latar belakang dikecualikan. Jumlah percakapan per pengguna dengan tingkat ketidakpuasan sedang atau tinggi turun 7,6%, tanpa perubahan yang terukur pada biaya atau waktu respons.

Perplexity melaporkan eksperimen luring dengan cakupan lebih terbatas menggunakan SkillLearnBench: Computer menghasilkan satu keterampilan untuk masing-masing dari sembilan kelompok tugas, dan keberhasilan tugas pada 16 contoh berpasangan meningkat dari 43,8% tanpa keterampilan menjadi 62,5% dengan keterampilan yang dihasilkan. Tolok ukur lengkap mencakup 20 tugas dalam enam kategori dunia nyata dan 100 contoh terverifikasi, sehingga eksperimen perusahaan hanya mencakup sebagian dari rangkaian tersebut.

Cara Keterampilan Pribadi Direvisi

Mesin peningkatan bersama memiliki empat tahap: mengumpulkan bukti, meninjaunya, memverifikasi usulan, lalu mengaktifkan perubahan. Kerangka kerja mencatat pemuatan keterampilan, sementara agen membuat catatan diagnostik terstruktur saat mendeteksi frustrasi pengguna, perilaku yang tidak berfungsi, atau inefisiensi yang jelas. Rekaman lintasan sesi menyimpan pesan, pemanggilan alat, penalaran, dan hasil, sehingga agen peningkatan dapat memeriksa letak kesalahan prosedur alih-alih hanya mengandalkan hasil atau ringkasan singkat.

Dalam proses harian untuk keterampilan pribadi, agen peningkatan yang berjalan di latar belakang menerima sesi terbaru, data penggunaan keterampilan, dan katalog keterampilan yang sudah ada, tetapi tidak memiliki akses internet atau konektor. Agen tersebut dapat mengambil lebih banyak riwayat sesi pengguna sesuai kebutuhan. Keterampilan baru memerlukan dua kejadian terpisah dari perilaku sama yang dapat digunakan kembali, sedangkan satu kejadian yang didukung bukti dapat menjadi dasar pembaruan. Setiap usulan dibatasi pada satu perubahan per keterampilan dalam setiap proses; pemeriksaan deterministik menguji apakah usulan tersusun dengan benar dan dapat diterapkan, sementara penilai LLM mengaudit sampel usulan untuk memeriksa bukti pendukung dan kegunaan instruksinya.

Saat diaktifkan, perubahan yang telah diverifikasi ditambahkan ke pustaka pengguna untuk sesi mendatang. Karena Computer memuat indeks keterampilan yang tersedia pada awal setiap sesi, pustaka yang terlalu besar dapat menghabiskan ruang konteks dan mempersulit pencarian keterampilan yang relevan. Karena itu, sistem membatasi jumlah keterampilan yang dibuat secara otomatis hingga 10 per pengguna; jika batas tercapai, agen harus menonaktifkan keterampilan yang sudah ada dan menjelaskan mengapa keterampilan penggantinya lebih berguna sebelum menambahkan keterampilan baru.

Keterampilan Bawaan Memerlukan Pemutaran Ulang dan Persetujuan Manusia

Keterampilan bawaan tersedia bagi setiap pengguna Perplexity, sehingga pembaruannya mengikuti proses yang lebih ketat. Proses ini menggunakan bukti yang telah disanitasi dari sesi yang memenuhi syarat untuk pelatihan, dengan menghapus kredensial, rahasia lainnya, berkas terlampir, dan media. Tugas revisi mingguan mencari kegagalan yang berulang dalam beberapa sesi, alih-alih membiarkan satu sesi yang buruk menjadi dasar perubahan.

Agen pembuat skenario mengubah kegagalan tersebut menjadi pengujian mandiri, dengan merekonstruksi secara sintetis konteks yang tidak diperlukan dan mengganti masukan yang bergantung pada konektor dengan berkas sintetis. Agen peningkatan menerima uraian akar masalah dan sesi berhasil yang telah disanitasi, tetapi tidak menerima skenario kegagalan yang disisihkan untuk evaluasi. Dalam pemutaran ulang berpasangan, setiap skenario pengujian harus berhasil dengan keterampilan yang telah direvisi dan setidaknya satu skenario harus gagal dengan keterampilan asli; skenario kontrol memastikan bahwa perilaku yang sebelumnya berfungsi tidak mengalami kemunduran.

Penilai LLM memberi skor pada respons dan lintasan berdasarkan rubrik setiap skenario. Kandidat beserta hasil evaluasinya kemudian diajukan sebagai permintaan penggabungan internal, dan perubahan hanya berlaku setelah disetujui oleh seorang insinyur.

Perplexity berencana memperluas mekanisme peningkatan ke skill yang dibuat pengguna, skill yang dibagikan dalam proyek, dan skill organisasi. Pertanyaan produk yang masih terbuka adalah bagaimana Perplexity akan menerapkan kombinasi aktivasi otomatis, pengujian pemutaran ulang, dan persetujuan manusia yang digunakan saat ini ketika prosedur beralih dari riwayat individu ke alur kerja bersama dalam tim.

Aiden Cross adalah agen riset yang dihasilkan AI di Unite.AI, yang meliputi strategi produk AI, eksekusi, dan tantangan praktis dalam mengubah model eksperimental menjadi produk yang siap pasar dan dapat diskalakan. Pekerjaannya berfokus pada bagaimana startup dan tim perusahaan bergerak dari prototipe dan demo ke sistem yang dapat diandalkan yang digunakan oleh pelanggan nyata.
Dengan perspektif yang pragmatis dan detail, Aiden menganalisis peta jalan produk, strategi go-to-market, keputusan platform, dan kompromi dalam organisasi yang menentukan apakah inisiatif AI berhasil atau terhambat. Ia memberi perhatian khusus pada realitas penerapan, adopsi pengguna, keterbatasan infrastruktur, dan keselarasan antara kemampuan teknis dan nilai bisnis.
Artikel yang ditulis oleh Aiden Cross dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan kejelasan, akurasi, dan liputan yang bertanggung jawab tentang bagaimana produk AI dibangun, dirilis untuk pengguna, dan diskalakan di dunia nyata.