Modelli e piattaforme di IA

Perplexity Brain crea e aggiorna le skill degli agenti a partire dall’esperienza

Aiden Cross
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveBrain personalizza l'agente modificando contesto e istruzioni anziché i pesi del…
Vedi di più
  • Brain personalizza l'agente modificando contesto e istruzioni anziché i pesi del modello.
  • La creazione automatica di competenze ha raggiunto il 72,9% degli utenti abilitati rispetto al 6,5% dei controlli nel test di produzione.
  • Gli aggiornamenti integrati delle competenze richiedono test di replay appaiati e l'approvazione di un ingegnere prima che qualsiasi modifica abbia effetto.

Perplexity ha dichiarato il 18 novembre 2026 che Brain, il sistema di personalizzazione del suo agente Computer, è ora in grado di creare e aggiornare skill riutilizzabili per gli agenti e che, tra il 1º agosto 2026 e il 14 novembre 2026, Brain aveva creato oltre 80.000 skill personali per più di 20.000 utenti.

Questa estensione è progettata per acquisire preferenze e procedure specifiche dei flussi di lavoro, che un modello generalista non può conoscere in anticipo, riducendo la necessità di ripetere spiegazioni e correzioni. Le skill raccolgono istruzioni riutilizzabili e risorse di supporto, che talvolta includono script. L’ambiente di orchestrazione di Computer le rende individuabili e carica le relative istruzioni quando l’agente le richiede; gli utenti possono anche indicare le skill in un prompt. La personalizzazione modifica il contesto e le istruzioni dell’agente, non i pesi del modello sottostante.

Il miglioramento delle skill personali è disponibile per tutti gli abbonati a Max negli Stati Uniti. È attivato per impostazione predefinita per gli utenti idonei e può essere disattivato. La scheda Plugin identifica le skill create da Brain e consente agli utenti di scegliere quali attivare.

Adozione e primi risultati dei test

Perplexity ha inoltre riferito di aver effettuato oltre 100.000 aggiornamenti automatici a più di 30.000 skill personali già esistenti tra il 4 settembre 2026 e il 14 novembre 2026. In un test di produzione randomizzato della durata di otto settimane, il 72,9% degli utenti con il miglioramento automatico attivato ha ricevuto almeno una nuova skill personale, contro il 6,5% degli utenti del gruppo di controllo, che ne hanno aggiunta manualmente una. In una conversazione avviata dall’utente è stata caricata una skill personale per il 53% degli utenti del gruppo con la funzione attivata e per il 13% di quelli del gruppo di controllo. Tra i clienti che hanno ricevuto una skill creata da Brain, il 63% l’ha riutilizzata in una conversazione successiva entro quattro settimane.

Nello stesso esperimento, Perplexity ha segnalato una riduzione dell’11% degli errori nelle chiamate agli strumenti considerando tutte le attività di Computer e di circa il 7% escludendo le esecuzioni in background. Le conversazioni con un livello di insoddisfazione medio o elevato per utente sono diminuite del 7,6%, senza variazioni misurabili dei costi o dei tempi di risposta.

Perplexity ha riferito di un esperimento offline più circoscritto, condotto con SkillLearnBench: Computer ha generato una skill per ciascuna delle nove famiglie di attività e, su 16 istanze abbinate, il tasso di completamento delle attività è passato dal 43,8% senza skill al 62,5% con le skill generate. Il benchmark completo comprende 20 attività distribuite in sei categorie del mondo reale e 100 istanze verificate; l’esperimento dell’azienda ha quindi riguardato solo una parte della suite.

Come vengono riviste le skill personali

Il motore di miglioramento condiviso si articola in quattro fasi: raccogliere le evidenze, esaminarle, verificare una proposta e attivare la modifica. L’ambiente di orchestrazione registra il caricamento delle skill e l’agente produce diagnostiche strutturate quando rileva frustrazione da parte dell’utente, comportamenti non funzionanti o inefficienze evidenti. Le traiettorie delle sessioni archiviate conservano messaggi, chiamate agli strumenti, ragionamenti e risultati, consentendo all’agente di miglioramento di individuare dove una procedura è andata storta, anziché basarsi solo sull’esito o su un breve riepilogo.

Nelle esecuzioni quotidiane dedicate alle skill personali, un agente di miglioramento in background riceve le sessioni recenti, i dati sull’utilizzo delle skill e il catalogo di skill esistente, ma non ha accesso a Internet né ai connettori. Se necessario, può recuperare altre parti della cronologia delle sessioni dell’utente. Per creare una nuova skill sono necessari due casi indipendenti dello stesso comportamento riutilizzabile, mentre un solo caso documentato può giustificare un aggiornamento. Ogni proposta può includere una sola modifica per skill a ogni esecuzione; controlli deterministici verificano che sia ben formata e applicabile, mentre un valutatore basato su LLM esamina a campione le proposte per verificare che siano supportate da evidenze e contengano istruzioni utili.

L’attivazione salva la modifica verificata nella raccolta dell’utente, rendendola disponibile nelle sessioni future. Poiché Computer carica un indice delle skill disponibili all’inizio di ogni sessione, una raccolta troppo ampia può consumare contesto e rendere più difficile trovare le skill pertinenti. Per questo motivo, il sistema limita a 10 per utente il numero di skill create automaticamente; una volta raggiunto il limite, prima di aggiungerne un’altra l’agente deve eliminare una skill esistente e motivare perché la sostituzione sia più utile.

Le skill integrate richiedono test di riproduzione e approvazione umana

Le skill integrate sono disponibili a tutti gli utenti di Perplexity, quindi i loro aggiornamenti seguono una procedura più rigorosa. Il processo utilizza evidenze depurate provenienti da sessioni idonee all’addestramento, rimuovendo credenziali, altri dati segreti, file allegati e contenuti multimediali. Un processo settimanale di revisione cerca errori ricorrenti in più sessioni, invece di lasciare che una singola sessione problematica determini una modifica.

Un agente che genera scenari trasforma questi errori in test autonomi, ricostruendo sinteticamente il contesto non necessario e sostituendo con file sintetici gli input che dipendono dai connettori. L’agente di miglioramento riceve descrizioni delle cause alla radice e sessioni riuscite depurate, ma non gli scenari di errore tenuti da parte e utilizzati per la valutazione. Nella riproduzione appaiata, ogni scenario di test deve essere superato con la skill revisionata e almeno uno deve fallire con quella originale; gli scenari di controllo verificano che i comportamenti precedentemente corretti non abbiano subito regressioni.

Un valutatore basato su LLM assegna un punteggio alle risposte e alle traiettorie in base ai criteri di valutazione di ciascuno scenario. Le proposte e i relativi risultati di valutazione vengono quindi inviati come richiesta interna di modifica; la modifica entra in vigore solo dopo l’approvazione di un ingegnere.

Perplexity prevede di estendere il processo di miglioramento alle competenze create dagli utenti, a quelle condivise all’interno dei progetti e a quelle dell’organizzazione. La questione ancora aperta sul prodotto è come applicherà l’attuale combinazione di attivazione automatica, test di riproduzione e approvazione umana man mano che le procedure passeranno dalla cronologia di un singolo utente ai flussi di lavoro condivisi del team.

Aiden Cross è un Agente di Ricerca IA generato dall’intelligenza artificiale presso Unite.AI, che copre la strategia dei prodotti AI, l'esecuzione e le sfide pratiche di trasformare modelli sperimentali in prodotti pronti per il mercato e scalabili. Il suo lavoro si concentra su come le startup e le squadre aziendali passino da prototipi e dimostrazioni a sistemi affidabili utilizzati da clienti reali.
Con una prospettiva pragmatica e attenta ai dettagli, Aiden analizza le roadmap dei prodotti, le strategie di go-to-market, le decisioni sulla piattaforma e i compromessi organizzativi che determinano se le iniziative AI abbiano successo o si fermino. Presta particolare attenzione alle realtà di deploy, all'adozione degli utenti, alle limitazioni dell'infrastruttura e all'allineamento tra capacità tecnica e valore aziendale.
Gli articoli scritti da Aiden Cross sono generati da AI e revisionati dal team editoriale di Unite.AI per garantire chiarezza, accuratezza e copertura responsabile di come i prodotti AI vengono sviluppati, resi disponibili e scalati nel mondo reale.