Модели и платформы ИИ
Perplexity Brain создает и обновляет навыки агента на основе опыта

Ключевые моментыBrain персонализирует агента, изменяя контекст и инструкции, а не веса модели.
Показать больше
- Brain персонализирует агента, изменяя контекст и инструкции, а не веса модели.
- Автоматическое создание навыков достигло 72,9% среди включённых пользователей против 6,5% в контрольной группе в производственном тесте.
- Встроенные обновления навыков требуют парного повторного тестирования и одобрения инженера, прежде чем любое изменение вступит в силу.
Perplexity сообщила 18 ноября 2026 года, что Brain — система персонализации для ее компьютерного агента — теперь может создавать и обновлять повторно используемые навыки агента. Также компания сообщила, что с 1 августа 2026 года по 14 ноября 2026 года Brain создала более 80 000 персональных навыков для более чем 20 000 пользователей.
Это расширение призвано фиксировать особенности рабочих процессов — предпочтения и процедуры, о которых модель общего назначения не может знать заранее, — чтобы пользователям не приходилось снова и снова давать пояснения и вносить исправления. Навыки объединяют повторно используемые инструкции и вспомогательные ресурсы, иногда в том числе скрипты. Инфраструктура Computer позволяет находить навыки и загружает их инструкции по запросу агента; пользователи также могут указать навыки в запросе. Персонализация меняет контекст и инструкции агента, но не веса базовой модели.
Улучшение персональных навыков доступно всем подписчикам Max в США. Для пользователей, отвечающих установленным требованиям, эта функция включена по умолчанию, но ее можно отключить. На вкладке «Плагины» отмечены навыки, созданные Brain, и пользователи могут выбрать, какие навыки включить.
Распространение и первые результаты тестирования
Perplexity также сообщила, что с 4 сентября 2026 года по 14 ноября 2026 года автоматически обновила более 100 000 раз свыше 30 000 существующих персональных навыков. В ходе восьминедельного рандомизированного производственного тестирования как минимум один новый персональный навык получили 72,9% пользователей, у которых было включено автоматическое улучшение, против 6,5% участников контрольной группы, вручную добавивших навык. В начатом пользователем диалоге персональный навык загрузили у 53% участников группы с включенным улучшением и у 13% участников контрольной группы. Среди клиентов, получивших навык, созданный Brain, 63% воспользовались им повторно в другом диалоге в течение четырех недель.
В том же эксперименте Perplexity сообщила о снижении числа сбоев при вызове инструментов на 11% в рамках всей активности Computer и примерно на 7% без учета фоновых запусков. Число диалогов на пользователя с умеренно или сильно выраженным недовольством сократилось на 7,6%; измеримого изменения затрат или времени ответа не было.
Perplexity сообщила о более узком автономном эксперименте с использованием SkillLearnBench: Computer создал по одному навыку для каждого из девяти семейств задач, а успешность выполнения задач в 16 парных случаях выросла с 43,8% без навыков до 62,5% с созданными навыками. Полный тестовый набор включает 20 задач в шести категориях из реального мира и 100 проверенных случаев, поэтому эксперимент компании охватил лишь часть набора.
Как пересматриваются персональные навыки
Общий механизм улучшения состоит из четырех этапов: сбор данных, их анализ, проверка предложения и активация изменения. Инфраструктура фиксирует загрузку навыков, а агент формирует структурированные диагностические отчеты, когда замечает недовольство пользователя, сбои в работе или явную неэффективность. Сохраненные последовательности действий в сессиях включают сообщения, вызовы инструментов, рассуждения и результаты, позволяя агенту улучшения выяснить, на каком этапе процедура пошла не так, вместо того чтобы полагаться только на итог или краткое резюме.
При ежедневном улучшении персональных навыков фоновый агент получает недавние сессии, данные об использовании навыков и существующий каталог навыков, но не имеет доступа к интернету или коннекторам. При необходимости он может получить доступ к более ранним записям сессий пользователя. Для создания нового навыка нужны два независимых случая проявления одного и того же повторно используемого поведения, тогда как для обновления достаточно одного подтвержденного случая. За один запуск для каждого навыка предлагается не более одного изменения; детерминированные проверки определяют, правильно ли оно сформировано и применимо, а модель на основе большой языковой модели проверяет выборку предложений, оценивая наличие подтверждающих данных и полезность инструкций.
При активации проверенное изменение добавляется в библиотеку пользователя для будущих сессий. Поскольку в начале каждой сессии Computer загружает индекс доступных навыков, слишком большая библиотека может занимать контекст и затруднять поиск подходящих навыков. Поэтому система ограничивает число автоматически создаваемых навыков десятью на пользователя; достигнув этого предела, агент должен удалить существующий навык и обосновать, почему его замена будет полезнее, прежде чем добавлять новый.
Для встроенных навыков нужны повторное тестирование и одобрение человека
Встроенные навыки доступны всем пользователям Perplexity, поэтому их обновление проходит более строгую процедуру. В ней используются обезличенные данные из сессий, допущенных к обучению: из них удаляются учетные данные, другие секреты, прикрепленные файлы и медиафайлы. Еженедельная процедура пересмотра выявляет сбои, повторяющиеся в нескольких сессиях, чтобы единичный неудачный случай не становился причиной изменения.
Агент генерации сценариев преобразует такие сбои в автономные тесты: он синтетически воссоздает ненужный контекст и заменяет входные данные, зависящие от коннекторов, синтетическими файлами. Агент улучшения получает описания первопричин и обезличенные успешные сессии, но не получает отложенные сценарии сбоев, используемые для оценки. При повторном тестировании в парном режиме каждый тестовый сценарий должен успешно пройти с пересмотренным навыком, а хотя бы один сценарий должен завершиться неудачей с исходным; контрольные сценарии проверяют, не ухудшилась ли работа функций, которые прежде работали правильно.
Модель на основе большой языковой модели оценивает ответы и последовательности действий по критериям каждого сценария. Затем кандидатов и результаты их оценки направляют на внутреннее рассмотрение в виде запроса на внесение изменений; изменение вступает в силу только после одобрения инженером.
Perplexity планирует распространить механизм улучшения на навыки, созданные пользователями, навыки, которыми делятся в рамках проектов, и навыки организации. Пока остается открытым вопрос, как будут применяться нынешние методы — автоматическая активация, тестирование с повторным воспроизведением и одобрение человеком — по мере того, как процедуры переходят из истории отдельного пользователя в общие рабочие процессы команды.












