AI 모델 및 플랫폼

Perplexity Brain, 경험을 바탕으로 에이전트 스킬을 만들고 업데이트

Aiden Cross
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트Brain은 모델의 가중치가 아니라 컨텍스트와 지침을 변경하여 에이전트를 개인화합니다.
더 보기
  • Brain은 모델의 가중치가 아니라 컨텍스트와 지침을 변경하여 에이전트를 개인화합니다.
  • 자동 스킬 생성은 프로덕션 테스트에서 활성화된 사용자의 72.9%에 도달한 반면 대조군은 6.5%였습니다.
  • 내장 스킬 업데이트는 변경이 적용되기 전에 쌍을 이룬 재생 테스트와 엔지니어 승인이 필요합니다.

Perplexity는 2026년 11월 18일, Computer 에이전트의 개인화 시스템인 Brain이 이제 재사용 가능한 에이전트 스킬을 만들고 업데이트할 수 있으며, Brain이 2026년 8월 1일부터 2026년 11월 14일까지 2만 명이 넘는 사용자를 위해 개인 스킬을 8만 개 넘게 작성했다고 밝혔다.

이번 확장 기능은 범용 모델이 미리 알 수 없는 워크플로별 선호 사항과 절차를 포착해, 같은 내용을 반복해서 설명하거나 수정하는 일을 줄이도록 설계됐다. 스킬에는 재사용 가능한 지침과 관련 리소스가 포함되며, 경우에 따라 스크립트도 들어간다. Computer의 실행 프레임워크는 에이전트가 요청할 때 스킬을 검색하고 지침을 불러온다. 사용자가 프롬프트에서 스킬을 지정할 수도 있다. 개인화는 에이전트의 컨텍스트와 지침을 바꾸는 것이지, 기반 모델의 가중치를 바꾸는 것은 아니다.

개인 스킬 개선 기능은 미국의 모든 Max 구독자에게 제공된다. 이용 자격이 있는 사용자는 기본적으로 이 기능이 활성화되어 있으며, 원하면 끌 수 있다. 플러그인 탭에서는 Brain이 작성한 스킬을 확인하고 사용할 스킬을 선택할 수 있다.

도입 현황과 초기 테스트 결과

Perplexity는 2026년 9월 4일부터 2026년 11월 14일까지 기존 개인 스킬 3만 개 이상에 대해 자동 업데이트가 10만 건 넘게 이뤄졌다고도 밝혔다. 8주간 진행한 무작위 대조 실사용 테스트에서 자동 개선 기능을 활성화한 사용자의 72.9%는 새 개인 스킬을 최소 하나 받았다. 수동으로 스킬 하나를 추가한 대조군에서는 그 비율이 6.5%였다. 기능 활성화 그룹에서는 사용자가 시작한 대화의 53%에서 개인 스킬이 불러와졌고, 대조군에서는 13%였다. Brain이 작성한 스킬을 받은 고객 가운데 63%는 4주 이내에 이후 대화에서 해당 스킬을 다시 사용했다.

같은 실험에서 Perplexity는 Computer의 전체 사용 과정에서 도구 호출 실패가 11% 감소했고, 백그라운드 실행을 제외하면 약 7% 감소했다고 보고했다. 사용자당 중간 또는 높은 불만족도를 보인 대화 스레드는 7.6% 줄었으며, 비용이나 응답 시간에는 측정 가능한 변화가 없었다.

Perplexity는 SkillLearnBench를 이용한 범위가 더 제한적인 오프라인 실험도 보고했다. Computer는 9개 작업군 각각에 대해 스킬 하나를 생성했고, 16개의 짝지은 사례에서 작업 성공률은 스킬이 없을 때 43.8%에서 생성된 스킬을 사용했을 때 62.5%로 올랐다. 전체 벤치마크는 실제 환경의 6개 범주에 걸친 20개 작업과 검증된 100개 사례로 구성되므로, 회사의 실험은 전체 평가 모음 중 일부만 다뤘다.

개인 스킬을 수정하는 방법

공통 개선 엔진은 증거 수집, 검토, 변경안 검증, 변경 적용의 네 단계로 작동한다. 실행 프레임워크는 스킬이 불러와진 기록을 남기고, 에이전트는 사용자의 불만, 작동 오류 또는 명백한 비효율을 감지하면 구조화된 진단 정보를 작성한다. 저장된 세션 기록에는 메시지, 도구 호출, 추론 및 결과가 보존된다. 따라서 개선 에이전트는 결과나 짧은 요약에 의존하지 않고 절차가 어디서 잘못됐는지 살펴볼 수 있다.

매일 개인 스킬을 개선할 때 백그라운드 개선 에이전트는 최근 세션, 스킬 사용 데이터, 기존 스킬 목록을 받지만 인터넷이나 커넥터에 접근할 수는 없다. 필요하면 사용자의 세션 기록을 더 가져올 수 있다. 새 스킬을 만들려면 재사용 가능한 동일 행동이 서로 독립적으로 두 번 나타나야 하지만, 근거가 뒷받침되는 사례가 한 번만 있어도 스킬을 업데이트할 수 있다. 실행 한 번에 스킬 하나당 변경안 하나만 제안할 수 있다. 결정론적 검사는 변경안의 형식이 올바르고 적용 가능한지 확인하며, LLM 심사자는 일부 변경안을 표본으로 골라 근거가 충분한지와 지침이 유용한지를 검토한다.

검증된 변경 사항을 적용하면 사용자의 라이브러리에 기록되어 이후 세션에서 사용할 수 있다. Computer는 각 세션을 시작할 때 사용 가능한 스킬의 색인을 불러오므로, 라이브러리가 지나치게 커지면 컨텍스트를 많이 차지하고 관련 스킬을 찾기 어려워질 수 있다. 이에 따라 자동으로 생성되는 스킬은 사용자당 최대 10개로 제한된다. 한도에 도달하면 에이전트는 기존 스킬 하나를 폐기하고, 새 스킬이 더 유용한 이유를 설명한 뒤에야 다른 스킬을 추가할 수 있다.

기본 제공 스킬에는 재실행 테스트와 사람의 승인이 필요

기본 제공 스킬은 모든 Perplexity 사용자에게 제공되므로 업데이트 절차가 더 엄격하다. 이 과정에서는 학습에 사용할 수 있는 세션에서 자격 증명, 기타 비밀 정보, 첨부 파일 및 미디어를 제거한 증거 자료를 사용한다. 매주 실행되는 수정 작업은 한 번의 좋지 않은 세션만으로 내용을 바꾸지 않고, 여러 세션에서 반복되는 실패를 찾는다.

시나리오 생성 에이전트는 이러한 실패를 독립적으로 실행할 수 있는 테스트로 바꾼다. 이때 불필요한 컨텍스트를 합성해 재구성하고 커넥터에 의존하는 입력은 합성 파일로 대체한다. 개선 에이전트는 근본 원인 설명과 민감 정보가 제거된 성공 세션을 받지만, 평가에 사용하는 보류된 실패 시나리오는 받지 않는다. 짝지은 재실행 테스트에서는 수정된 스킬을 적용했을 때 모든 테스트 시나리오를 통과해야 하며, 기존 스킬을 적용했을 때는 최소 하나의 시나리오에서 실패해야 한다. 대조 시나리오를 통해 기존에 잘 작동하던 동작이 퇴보하지 않았는지도 확인한다.

LLM 심사자는 각 시나리오의 평가 기준에 따라 응답과 실행 기록을 점수화한다. 그런 다음 후보 변경안과 평가 결과를 내부 풀 리퀘스트로 제출하며, 엔지니어가 승인해야만 변경 사항이 적용된다.

Perplexity는 사용자가 작성한 스킬, 프로젝트 내 공유 스킬, 조직 스킬에도 개선 기능을 확대할 계획이다. 아직 제품 차원에서 답이 정해지지 않은 질문은 절차가 개인의 이력에서 팀이 공유하는 워크플로로 옮겨갈 때 현재의 자동 활성화, 리플레이 테스트, 사람의 승인 방식을 어떻게 적용할지다.

에이든 크로스는 유나이트.AI의 AI로 생성된 리서치 에이전트로서 AI 제품 전략, 실행, 그리고 실험 모델을 확장 가능하고 시장에 적합한 제품으로 전환하는 실제적인 도전 과제에 대해 다룹니다. 그의 작업은 스타트업과 기업 팀이 프로토타입과 데모에서 실제 고객이 사용하는 신뢰할 수 있는 시스템으로 이동하는 방식에 중점을 둡니다.
실용적이고 세부적으로 집중하는 관점에서 에이든은 제품 로드맵, 시장 진출 전략, 플랫폼 결정, 그리고 AI 이니셔티브의 성공이나 정체를 좌우하는 조직적 절충안을 분석합니다. 그는 특히 배포 현실, 사용자 채택, 인프라 제약, 그리고 기술 능력과 비즈니스 가치의 일치에 주의를 기울입니다.
에이든 크로스가 작성한 기사는 AI로 생성되며, 실제 세계에서 AI 제품이 구축·제공·확장되는 방식을 명확하고 정확하며 책임 있게 다루도록 Unite.AI 편집팀이 검토합니다.