AI-modeller og plattformer

Perplexity Brain oppretter og oppdaterer agentferdigheter basert på erfaring

Aiden Cross
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterBrain personaliserer agenten ved å endre kontekst og instruksjoner i stedet for…
Vis mer
  • Brain personaliserer agenten ved å endre kontekst og instruksjoner i stedet for modellens vekter.
  • Automatisk ferdighetsopprettelse nådde 72,9 % av aktiverte brukere mot 6,5 % av kontrollgruppen i produksjonstesten.
  • Innebygde ferdighetsoppdateringer krever paret replay-testing og godkjenning fra en ingeniør før noen endring trer i kraft.

Perplexity opplyste 18. november 2026 at Brain, personaliseringssystemet for Computer-agenten, nå kan opprette og oppdatere gjenbrukbare agentferdigheter, og at Brain hadde skrevet mer enn 80 000 personlige ferdigheter for over 20 000 brukere mellom 1. august 2026 og 14. november 2026.

Utvidelsen skal fange opp arbeidsflytspesifikke preferanser og fremgangsmåter som en generell modell ikke kan kjenne til på forhånd, slik at behovet for gjentatte forklaringer og korrigeringer reduseres. Ferdigheter samler gjenbrukbare instruksjoner og tilhørende ressurser, noen ganger også skript. Kjøremiljøet til Computer gjør ferdighetene tilgjengelige og laster instruksjonene deres når agenten ber om dem; brukere kan også angi ferdigheter i en ledetekst. Personaliseringen endrer agentens kontekst og instruksjoner, ikke vektene i den underliggende modellen.

Forbedring av personlige ferdigheter er tilgjengelig for alle Max-abonnenter i USA. Funksjonen er aktivert som standard for kvalifiserte brukere og kan slås av. I fanen Plugins vises hvilke ferdigheter Brain har skrevet, og brukerne kan velge hvilke ferdigheter som skal være aktivert.

Bruk og tidlige testresultater

Perplexity rapporterte også om mer enn 100 000 automatiske oppdateringer av over 30 000 eksisterende personlige ferdigheter mellom 4. september 2026 og 14. november 2026. I en åtte uker lang randomisert test i produksjon mottok 72,9 % av brukerne med automatisk forbedring aktivert minst én ny personlig ferdighet, mot 6,5 % av kontrollgruppen, som la til ferdigheter manuelt. En personlig ferdighet ble lastet inn i en samtale startet av brukeren for 53 % av gruppen med funksjonen aktivert og 13 % av kontrollgruppen. Blant kundene som mottok en ferdighet skrevet av Brain, brukte 63 % en slik ferdighet igjen i en senere samtale innen fire uker.

I det samme eksperimentet rapporterte Perplexity en reduksjon på 11 % i feil ved verktøykall på tvers av all aktivitet i Computer, og en reduksjon på rundt 7 % når bakgrunnskjøringer ble utelatt. Antallet tråder med middels eller høy grad av misnøye per bruker gikk ned med 7,6 %, uten målbar endring i kostnader eller responstid.

Perplexity rapporterte om et mer avgrenset frakoblet eksperiment med SkillLearnBench: Computer genererte én ferdighet for hver av ni oppgavefamilier, og oppgavesuksessen på tvers av 16 sammenkoblede tilfeller økte fra 43,8 % uten ferdigheter til 62,5 % med genererte ferdigheter. Den fullstendige referansetesten omfatter 20 oppgaver fordelt på seks kategorier fra den virkelige verden og 100 verifiserte tilfeller, så selskapets eksperiment dekket bare en del av testsettet.

Slik revideres personlige ferdigheter

Den felles forbedringsmotoren har fire trinn: samle inn dokumentasjon, reflektere over den, verifisere et forslag og aktivere endringen. Kjøremiljøet logger når ferdigheter lastes inn, og agenten registrerer strukturert diagnostikk når den oppdager frustrasjon hos brukeren, feil i funksjonaliteten eller tydelig ineffektivitet. Lagrede øktforløp bevarer meldinger, verktøykall, resonnementer og resultater, slik at forbedringsagenten kan undersøke hvor en fremgangsmåte gikk galt, i stedet for å basere seg på et resultat eller et kort sammendrag.

I de daglige kjøringene for personlige ferdigheter får en forbedringsagent som kjører i bakgrunnen, nylige økter, data om bruk av ferdigheter og den eksisterende ferdighetskatalogen, men den har ikke tilgang til internett eller koblinger. Den kan hente inn mer av brukerens økthistorikk ved behov. En ny ferdighet krever to uavhengige forekomster av den samme gjenbrukbare atferden, mens én godt dokumentert forekomst kan være grunnlag for en oppdatering. Hvert forslag er begrenset til én endring per ferdighet per kjøring; deterministiske kontroller tester om forslaget er riktig utformet og kan brukes, og en LLM-dommer gjennomgår et utvalg forslag for å kontrollere at det finnes dokumentasjon og at instruksjonene er nyttige.

Når endringen aktiveres, lagres den verifiserte versjonen i brukerens bibliotek for fremtidige økter. Siden Computer laster inn en indeks over tilgjengelige ferdigheter ved starten av hver økt, kan et overfylt bibliotek bruke opp kontekst og gjøre det vanskeligere å finne relevante ferdigheter. Systemet setter derfor en grense på 10 automatisk opprettede ferdigheter per bruker. Når grensen er nådd, må agenten fjerne en eksisterende ferdighet og begrunne hvorfor erstatningen er mer nyttig før den legger til en ny.

Innebygde ferdigheter krever omspill og godkjenning fra et menneske

Innebygde ferdigheter er tilgjengelige for alle Perplexity-brukere, så oppdateringene følger en strengere prosess. Den bruker anonymisert dokumentasjon fra økter som kan brukes til trening, og fjerner påloggingsopplysninger, andre hemmeligheter, vedlagte filer og medier. En ukentlig revisjonsjobb leter etter feil som gjentar seg i flere økter, i stedet for å la én dårlig økt føre til en endring.

En agent for generering av scenarioer gjør disse feilene om til selvstendige tester, gjenskaper unødvendig kontekst syntetisk og erstatter inndata som er avhengige av koblinger, med syntetiske filer. Forbedringsagenten får beskrivelser av grunnårsakene og anonymiserte økter som har vært vellykkede, men ikke de tilbakeholdte feilscenarioene som brukes i evalueringen. I sammenkoblet omspill må hvert testscenario bestås med den reviderte ferdigheten, og minst ett må ikke bestås med den opprinnelige; kontrollscenarioer kontrollerer at tidligere fungerende atferd ikke har blitt dårligere.

En LLM-dommer vurderer svar og forløp opp mot vurderingskriteriene for hvert scenario. Deretter sendes kandidatene og evalueringsresultatene deres inn som en intern pull-forespørsel, og endringen trer først i kraft etter at en ingeniør har godkjent den.

Perplexity planlegger å utvide forbedringene til ferdigheter som brukerne selv oppretter, ferdigheter som deles i prosjekter, og organisasjonsferdigheter. Det åpne spørsmålet for produktet er hvordan det vil bruke dagens kombinasjon av automatisk aktivering, testing ved gjenspilling og menneskelig godkjenning når prosedyrer går fra enkeltpersoners historikk til delte arbeidsflyter for team.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.