AI-modellen en platforms
Perplexity Brain maakt en werkt agentvaardigheden bij op basis van ervaring

Belangrijkste puntenBrain personaliseert de agent door context en instructies te wijzigen in plaats van de…
Meer weergeven
- Brain personaliseert de agent door context en instructies te wijzigen in plaats van de gewichten van het model.
- Automatische skill-creatie bereikte 72,9% van de ingeschakelde gebruikers versus 6,5% van de controlegroep in de productietest.
- Ingebouwde skill-updates vereisen gepaarde replay-tests en goedkeuring door een engineer voordat een wijziging ingaat.
Perplexity meldde op 18 november 2026 dat Brain, het personalisatiesysteem voor zijn Computer-agent, nu herbruikbare agentvaardigheden kan maken en bijwerken. Brain had tussen 1 augustus 2026 en 14 november 2026 meer dan 80.000 persoonlijke vaardigheden geschreven voor ruim 20.000 gebruikers.
De uitbreiding is bedoeld om workflowgebonden voorkeuren en procedures vast te leggen die een algemeen model niet van tevoren kan kennen. Zo zijn minder herhaalde uitleg en correcties nodig. Vaardigheden bundelen herbruikbare instructies en ondersteunende bronnen, soms met scripts. De uitvoeromgeving van Computer maakt ze vindbaar en laadt de instructies wanneer de agent daarom vraagt; gebruikers kunnen vaardigheden ook in een prompt opgeven. Personalisatie verandert de context en instructies van de agent, niet de gewichten van het onderliggende model.
Het verbeteren van persoonlijke vaardigheden is beschikbaar voor alle Max-abonnees in de VS. Voor daarvoor in aanmerking komende gebruikers is de functie standaard ingeschakeld, maar ze kunnen die uitschakelen. Op het tabblad Plug-ins is te zien welke vaardigheden door Brain zijn geschreven en kunnen gebruikers kiezen welke vaardigheden zijn ingeschakeld.
Gebruik en eerste testresultaten
Perplexity meldde ook dat tussen 4 september 2026 en 14 november 2026 meer dan 100.000 automatische updates zijn uitgevoerd voor ruim 30.000 bestaande persoonlijke vaardigheden. In een gerandomiseerde productietest van acht weken ontving 72,9% van de gebruikers bij wie automatische verbetering was ingeschakeld minstens één nieuwe persoonlijke vaardigheid, tegenover 6,5% van de controlegroep, die er handmatig een toevoegde. Bij 53% van de groep waarvoor de functie was ingeschakeld en 13% van de controlegroep werd een persoonlijke vaardigheid geladen in een gesprek dat de gebruiker zelf was gestart. Van de klanten die een door Brain geschreven vaardigheid ontvingen, gebruikte 63% die binnen vier weken opnieuw in een later gesprek.
In hetzelfde experiment meldde Perplexity een afname van 11% in het aantal mislukte toolaanroepen bij alle activiteiten in Computer, en van ongeveer 7% wanneer achtergrondtaken buiten beschouwing werden gelaten. Het aantal gesprekken met middelmatige of hoge ontevredenheid per gebruiker daalde met 7,6%, zonder meetbare verandering in de kosten of de reactietijd.
Perplexity meldde een beperktere offlineproef met SkillLearnBench: Computer genereerde één vaardigheid voor elk van negen taakfamilies, en het taaksucces bij 16 gepaarde gevallen steeg van 43,8% zonder vaardigheden naar 62,5% met gegenereerde vaardigheden. De volledige benchmark omvat 20 taken in zes praktijkcategorieën en 100 geverifieerde gevallen. Het experiment van het bedrijf bestreek dus slechts een deel van de suite.
Hoe persoonlijke vaardigheden worden herzien
De gedeelde verbeteringsmotor bestaat uit vier fasen: bewijs verzamelen, dit beoordelen, een voorstel verifiëren en de wijziging activeren. De uitvoeromgeving registreert wanneer vaardigheden worden geladen, en de agent legt gestructureerde diagnoses vast wanneer die frustratie bij gebruikers, gebrekkig gedrag of duidelijke inefficiëntie vaststelt. Opgeslagen sessietrajecten bewaren berichten, toolaanroepen, redeneringen en resultaten. Zo kan de verbeteringsagent nagaan waar een procedure misging, in plaats van af te gaan op een uitkomst of een korte samenvatting.
Bij dagelijkse runs voor persoonlijke vaardigheden ontvangt een verbeteringsagent op de achtergrond recente sessies, gegevens over het gebruik van vaardigheden en de bestaande vaardighedencatalogus, maar heeft die geen toegang tot internet of connectors. Zo nodig kan de agent meer van de sessiegeschiedenis van de gebruiker ophalen. Voor een nieuwe vaardigheid zijn twee afzonderlijke gevallen van hetzelfde herbruikbare gedrag vereist, terwijl één goed onderbouwd geval voldoende kan zijn om een vaardigheid bij te werken. Per run is elk voorstel beperkt tot één wijziging per vaardigheid. Deterministische controles toetsen of het voorstel goed is opgebouwd en toepasbaar is, en een LLM-beoordelaar controleert steekproeven van voorstellen op ondersteunend bewijs en bruikbare instructies.
Bij activering wordt de geverifieerde wijziging opgeslagen in de bibliotheek van de gebruiker, zodat die in toekomstige sessies beschikbaar is. Omdat Computer aan het begin van elke sessie een index van de beschikbare vaardigheden laadt, kan een te grote bibliotheek veel context in beslag nemen en relevante vaardigheden moeilijker vindbaar maken. Daarom beperkt het systeem het aantal automatisch aangemaakte vaardigheden tot 10 per gebruiker. Is dat maximum bereikt, dan moet de agent een bestaande vaardigheid verwijderen en onderbouwen waarom de vervangende vaardigheid nuttiger is voordat die een nieuwe toevoegt.
Voor ingebouwde vaardigheden zijn herhalingstests en menselijke goedkeuring vereist
Ingebouwde vaardigheden zijn beschikbaar voor alle Perplexity-gebruikers en worden daarom via een strenger proces bijgewerkt. Daarbij wordt opgeschoond bewijs gebruikt uit sessies die in aanmerking komen voor training; inloggegevens, andere geheimen, bijgevoegde bestanden en media worden verwijderd. Een wekelijkse revisietaak zoekt naar fouten die zich in meerdere sessies herhalen, zodat één mislukte sessie niet tot een wijziging leidt.
Een agent voor scenariogeneratie zet die fouten om in op zichzelf staande tests. Daarbij bouwt die onnodige context synthetisch opnieuw op en vervangt die invoer die afhankelijk is van connectors door synthetische bestanden. De verbeteringsagent ontvangt beschrijvingen van de grondoorzaken en opgeschoonde succesvolle sessies, maar niet de achtergehouden faalscenario’s die voor de evaluatie worden gebruikt. Bij gepaarde herhalingstests moet elk testscenario slagen met de herziene vaardigheid en moet minstens één scenario mislukken met de oorspronkelijke vaardigheid. Controlescenario’s toetsen of eerder werkend gedrag niet is verslechterd.
Een LLM-beoordelaar beoordeelt antwoorden en trajecten aan de hand van de beoordelingscriteria voor elk scenario. De kandidaten en hun evaluatieresultaten worden vervolgens ingediend als interne pullrequest. Een wijziging wordt pas doorgevoerd nadat een technicus die heeft goedgekeurd.
Perplexity is van plan de verbeteringen uit te breiden naar vaardigheden die gebruikers zelf schrijven, vaardigheden die binnen projecten worden gedeeld en organisatievaardigheden. De openstaande productvraag is hoe het de huidige combinatie van automatische activering, tests door opnieuw af te spelen en menselijke goedkeuring zal toepassen wanneer procedures zich verplaatsen van de geschiedenis van één persoon naar gedeelde teamworkflows.












