Modele i platformy AI
Perplexity Brain tworzy i aktualizuje umiejętności agentów na podstawie doświadczeń

Kluczowe punktyBrain personalizuje agenta, zmieniając kontekst i instrukcje, a nie wagi modelu.
Zobacz więcej
- Brain personalizuje agenta, zmieniając kontekst i instrukcje, a nie wagi modelu.
- Automatyczne tworzenie umiejętności osiągnęło 72,9% wśród włączonych użytkowników w porównaniu z 6,5% w grupie kontrolnej w teście produkcyjnym.
- Wbudowane aktualizacje umiejętności wymagają sparowanego testowania odtwarzania i zatwierdzenia przez inżyniera, zanim jakakolwiek zmiana zacznie obowiązywać.
Perplexity poinformowało 18 listopada 2026 r., że Brain, system personalizacji dla agenta Computer, może teraz tworzyć i aktualizować wielokrotnego użytku umiejętności agentowe. W okresie od 1 sierpnia 2026 r. do 14 listopada 2026 r. Brain opracował ponad 80 000 osobistych umiejętności dla ponad 20 000 użytkowników.
Rozszerzenie ma wychwytywać preferencje i procedury specyficzne dla danego przepływu pracy, których model ogólnego przeznaczenia nie może znać z góry, ograniczając potrzebę powtarzania wyjaśnień i korekt. Umiejętności obejmują wielokrotnego użytku instrukcje i materiały pomocnicze, niekiedy także skrypty. Warstwa wykonawcza Computer umożliwia ich wykrywanie i wczytuje zawarte w nich instrukcje, gdy agent o nie poprosi; użytkownicy mogą również wskazać umiejętności w poleceniu. Personalizacja zmienia kontekst i instrukcje agenta, a nie wagi bazowego modelu.
Ulepszanie osobistych umiejętności jest dostępne dla wszystkich subskrybentów Max w USA. Funkcja jest domyślnie włączona dla uprawnionych użytkowników, ale można ją wyłączyć. Na karcie Plugins oznaczono umiejętności utworzone przez Brain i umożliwiono użytkownikom wybór tych, które mają być włączone.
Wykorzystanie i wstępne wyniki testów
Perplexity poinformowało również o ponad 100 000 automatycznych aktualizacji ponad 30 000 istniejących osobistych umiejętności w okresie od 4 września 2026 r. do 14 listopada 2026 r. W ośmiotygodniowym randomizowanym teście produkcyjnym co najmniej jedną nową osobistą umiejętność otrzymało 72,9% użytkowników z włączonym automatycznym ulepszaniem, w porównaniu z 6,5% osób z grupy kontrolnej, które dodały umiejętność ręcznie. Osobista umiejętność została wczytana w rozmowie rozpoczętej przez użytkownika w przypadku 53% osób z grupy, w której funkcja była włączona, oraz 13% osób z grupy kontrolnej. Spośród klientów, którzy otrzymali umiejętność napisaną przez Brain, 63% ponownie skorzystało z jakiejś umiejętności w późniejszej rozmowie w ciągu czterech tygodni.
W tym samym eksperymencie Perplexity odnotowało spadek liczby nieudanych wywołań narzędzi o 11% w całej aktywności Computer i o około 7% po wyłączeniu przebiegów działających w tle. Liczba wątków o średnim lub wysokim poziomie niezadowolenia w przeliczeniu na użytkownika zmniejszyła się o 7,6%, bez mierzalnej zmiany kosztów ani czasu odpowiedzi.
Perplexity poinformowało o węższym eksperymencie offline z użyciem SkillLearnBench: Computer wygenerował jedną umiejętność dla każdej z dziewięciu rodzin zadań, a skuteczność realizacji zadań w 16 sparowanych przypadkach wzrosła z 43,8% bez umiejętności do 62,5% z wygenerowanymi umiejętnościami. Pełny benchmark obejmuje 20 zadań z sześciu kategorii z życia codziennego oraz 100 zweryfikowanych przypadków, dlatego eksperyment firmy objął tylko część zestawu.
Jak udoskonalane są osobiste umiejętności
Wspólny mechanizm ulepszania obejmuje cztery etapy: gromadzenie danych, analizę, weryfikację propozycji i aktywowanie zmiany. Warstwa wykonawcza rejestruje wczytywanie umiejętności, a agent sporządza ustrukturyzowane raporty diagnostyczne, gdy wykryje frustrację użytkownika, nieprawidłowe działanie lub wyraźną nieefektywność. Zapisane przebiegi sesji zachowują wiadomości, wywołania narzędzi, tok rozumowania i wyniki, dzięki czemu agent ulepszający może sprawdzić, na którym etapie procedura zawiodła, zamiast opierać się na samym wyniku lub krótkim podsumowaniu.
Podczas codziennych przebiegów ulepszania osobistych umiejętności działający w tle agent otrzymuje dane z ostatnich sesji, informacje o użyciu umiejętności i istniejący katalog umiejętności, ale nie ma dostępu do internetu ani konektorów. W razie potrzeby może pobrać więcej danych z historii sesji użytkownika. Utworzenie nowej umiejętności wymaga dwóch niezależnych wystąpień tego samego zachowania, które można ponownie wykorzystać, natomiast jedno wystąpienie poparte dowodami może uzasadniać aktualizację. Każda propozycja może obejmować najwyżej jedną zmianę na umiejętność w danym przebiegu; testy deterministyczne sprawdzają, czy jest ona poprawnie skonstruowana i możliwa do zastosowania, a oceniający model LLM kontroluje wybrane propozycje pod kątem dowodów na ich poparcie i przydatności instrukcji.
Po aktywowaniu zweryfikowana zmiana trafia do biblioteki użytkownika i będzie dostępna w przyszłych sesjach. Ponieważ Computer wczytuje indeks dostępnych umiejętności na początku każdej sesji, zbyt obszerna biblioteka może zajmować kontekst i utrudniać znajdowanie odpowiednich umiejętności. Dlatego system ogranicza liczbę automatycznie tworzonych umiejętności do 10 na użytkownika; po osiągnięciu limitu agent musi wycofać istniejącą umiejętność i uzasadnić, dlaczego jej zastąpienie będzie bardziej przydatne, zanim doda kolejną.
Wbudowane umiejętności wymagają testów odtworzeniowych i zatwierdzenia przez człowieka
Wbudowane umiejętności są dostępne dla wszystkich użytkowników Perplexity, dlatego ich aktualizacje podlegają bardziej rygorystycznej procedurze. Wykorzystuje ona oczyszczone dane z sesji kwalifikujących się do trenowania, z których usuwa się dane uwierzytelniające, inne poufne informacje, załączone pliki i materiały multimedialne. Cotygodniowy proces aktualizacji wyszukuje błędy powtarzające się w wielu sesjach, zamiast dopuszczać do zmian na podstawie jednej nieudanej sesji.
Agent generujący scenariusze przekształca te błędy w samodzielne testy, odtwarzając syntetycznie zbędny kontekst i zastępując dane wejściowe zależne od konektorów plikami syntetycznymi. Agent ulepszający otrzymuje opisy przyczyn źródłowych i oczyszczone dane z udanych sesji, ale nie dostaje odłożonych scenariuszy niepowodzeń wykorzystywanych do oceny. W sparowanych testach odtworzeniowych każdy scenariusz testowy musi zakończyć się powodzeniem z poprawioną umiejętnością, a co najmniej jeden musi zakończyć się niepowodzeniem z pierwotną wersją; scenariusze kontrolne sprawdzają, czy wcześniej działające funkcje nie uległy pogorszeniu.
Oceniający model LLM punktuje odpowiedzi i przebiegi na podstawie kryteriów oceny dla każdego scenariusza. Następnie propozycje zmian wraz z wynikami oceny są zgłaszane w wewnętrznym zgłoszeniu zmian, a zmiana zaczyna obowiązywać dopiero po zatwierdzeniu jej przez inżyniera.
Perplexity planuje rozszerzyć proces doskonalenia na umiejętności tworzone przez użytkowników, umiejętności udostępniane w ramach projektów oraz umiejętności organizacyjne. Otwartą kwestią dotyczącą produktu pozostaje to, jak zastosuje obecne połączenie automatycznej aktywacji, testowania przez odtwarzanie i akceptacji przez człowieka, gdy procedury będą przenoszone z historii pojedynczego użytkownika do wspólnych procesów zespołowych.












