Modelos e plataformas de IA

Perplexity Brain cria e atualiza habilidades de agente com base na experiência

Aiden Cross
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveO Brain personaliza o agente alterando o contexto e as instruções, em vez dos pesos do…
Ver mais
  • O Brain personaliza o agente alterando o contexto e as instruções, em vez dos pesos do modelo.
  • A criação automática de habilidades alcançou 72,9% dos usuários habilitados, contra 6,5% dos controles no teste em produção.
  • As atualizações integradas de habilidades exigem testes de replay pareados e aprovação de engenheiros antes que qualquer alteração entre em vigor.

Perplexity anunciou em 18 de novembro de 2026 que o Brain, sistema de personalização do seu agente de computador, agora pode criar e atualizar habilidades reutilizáveis de agente, e que o Brain havia criado mais de 80.000 habilidades pessoais para mais de 20.000 usuários entre 1º de agosto de 2026 e 14 de novembro de 2026.

A extensão foi projetada para registrar preferências e procedimentos específicos de cada fluxo de trabalho, que um modelo de uso geral não pode conhecer de antemão, reduzindo explicações e correções repetidas. As habilidades reúnem instruções reutilizáveis e recursos de apoio, que às vezes incluem scripts. O ambiente de execução do Computer permite encontrá-las e carrega suas instruções quando o agente as solicita; os usuários também podem especificar habilidades em um prompt. A personalização altera o contexto e as instruções do agente, não os pesos do modelo subjacente.

O aprimoramento de habilidades pessoais está disponível para todos os assinantes do plano Max nos EUA. Ele vem ativado por padrão para usuários elegíveis e pode ser desativado. A guia Plugins identifica as habilidades criadas pelo Brain e permite que os usuários escolham quais ficam ativadas.

Adoção e resultados dos primeiros testes

A Perplexity também informou que foram feitas mais de 100.000 atualizações automáticas em mais de 30.000 habilidades pessoais existentes entre 4 de setembro de 2026 e 14 de novembro de 2026. Em um teste de produção randomizado de oito semanas, 72,9% dos usuários com o aprimoramento automático ativado receberam pelo menos uma nova habilidade pessoal, em comparação com 6,5% do grupo de controle, que adicionou uma habilidade manualmente. Uma habilidade pessoal foi carregada em uma conversa iniciada pelo usuário para 53% do grupo com o recurso ativado e 13% do grupo de controle. Entre os clientes que receberam uma habilidade criada pelo Brain, 63% voltaram a usar uma delas em uma conversa posterior, no prazo de quatro semanas.

No mesmo experimento, a Perplexity informou uma redução de 11% nas falhas em chamadas de ferramentas em toda a atividade do Computer e de cerca de 7% quando as execuções em segundo plano foram excluídas. O número de conversas por usuário com insatisfação média ou alta caiu 7,6%, sem alteração mensurável no custo ou no tempo de resposta.

A Perplexity relatou um experimento offline mais restrito, usando o SkillLearnBench: o Computer gerou uma habilidade para cada uma de nove famílias de tarefas, e a taxa de sucesso em 16 instâncias pareadas subiu de 43,8% sem habilidades para 62,5% com as habilidades geradas. O benchmark completo contém 20 tarefas distribuídas por seis categorias do mundo real e 100 instâncias verificadas; portanto, o experimento da empresa abrangeu apenas uma parte do conjunto de testes.

Como as habilidades pessoais são revisadas

O mecanismo compartilhado de aprimoramento tem quatro etapas: reunir evidências, analisá-las, verificar uma proposta e ativar a alteração. O ambiente de execução registra o carregamento das habilidades, e o agente gera diagnósticos estruturados quando detecta frustração do usuário, comportamento defeituoso ou ineficiência evidente. Os registros das sessões preservam mensagens, chamadas de ferramentas, raciocínio e resultados, permitindo que o agente de aprimoramento examine onde um procedimento falhou, em vez de se basear apenas no resultado ou em um breve resumo.

Nas execuções diárias de aprimoramento de habilidades pessoais, um agente de aprimoramento em segundo plano recebe sessões recentes, dados de uso das habilidades e o catálogo de habilidades existente, mas não tem acesso à internet nem a conectores. Ele pode recuperar mais do histórico de sessões do usuário conforme necessário. Para criar uma nova habilidade, são necessárias duas ocorrências independentes do mesmo comportamento reutilizável, enquanto uma única ocorrência fundamentada pode servir de base para uma atualização. Cada proposta se limita a uma alteração por habilidade em cada execução; verificações determinísticas avaliam se ela está bem formada e se é aplicável, e um avaliador baseado em LLM audita propostas selecionadas por amostragem para verificar se há evidências de apoio e se as instruções são úteis.

A ativação grava a alteração verificada na biblioteca do usuário para sessões futuras. Como o Computer carrega um índice das habilidades disponíveis no início de cada sessão, uma biblioteca grande demais pode consumir contexto e dificultar a localização de habilidades relevantes. Por isso, o sistema limita a 10 por usuário o número de habilidades criadas automaticamente; quando esse limite é atingido, o agente precisa retirar uma habilidade existente e justificar por que sua substituta é mais útil antes de adicionar outra.

Habilidades integradas exigem reprodução de testes e aprovação humana

As habilidades integradas estão disponíveis para todos os usuários da Perplexity, por isso suas atualizações seguem um processo mais rigoroso. O processo usa evidências sanitizadas de sessões elegíveis para treinamento, removendo credenciais, outros segredos, arquivos anexados e mídias. Uma tarefa semanal de revisão procura falhas recorrentes em várias sessões, em vez de permitir que uma única sessão malsucedida determine uma alteração.

Um agente de geração de cenários transforma essas falhas em testes independentes, reconstruindo sinteticamente o contexto desnecessário e substituindo entradas dependentes de conectores por arquivos sintéticos. O agente de aprimoramento recebe descrições das causas principais e sessões bem-sucedidas sanitizadas, mas não os cenários de falha reservados para avaliação. Na reprodução pareada, cada cenário de teste precisa passar com a habilidade revisada, e pelo menos um deles precisa falhar com a original; cenários de controle verificam se o comportamento que já funcionava não sofreu regressões.

Um avaliador baseado em LLM atribui notas às respostas e aos registros das sessões de acordo com os critérios de cada cenário. Em seguida, as propostas e os resultados de suas avaliações são enviados como uma solicitação interna de integração de código, e a alteração só entra em vigor depois da aprovação de um engenheiro.

A Perplexity planeja estender as melhorias às habilidades criadas pelos usuários, às habilidades compartilhadas em projetos e às habilidades da organização. Uma questão ainda em aberto sobre o produto é como aplicará a combinação atual de ativação automática, testes de reexecução e aprovação humana à medida que os procedimentos passarem do histórico de uma pessoa para fluxos de trabalho compartilhados pela equipe.

Aiden Cross é um agente de pesquisa gerado por IA na Unite.AI, cobrindo estratégia de produto de IA, execução e os desafios práticos de transformar modelos experimentais em produtos escaláveis e prontos para o mercado. Seu trabalho se concentra em como as startups e equipes de empresas mudam de protótipos e demonstrações para sistemas confiáveis usados por clientes reais.
Com uma perspectiva pragmática e detalhada, Aiden analisa roteiros de desenvolvimento de produtos, estratégias de entrada no mercado, decisões de plataforma e compensações organizacionais que determinam se as iniciativas de IA têm sucesso ou estagnam. Ele presta atenção especial às realidades de implantação, adoção de usuários, restrições de infraestrutura e alinhamento entre capacidade técnica e valor comercial.
Artigos escritos por Aiden Cross são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir clareza, precisão e cobertura responsável de como os produtos de IA são construídos, disponibilizados e escalados no mundo real.