AI-modeller och plattformar

Perplexity Brain skapar och uppdaterar agentfärdigheter utifrån erfarenhet

Aiden Cross
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterBrain anpassar agenten genom att ändra kontext och instruktioner i stället för…
Visa mer
  • Brain anpassar agenten genom att ändra kontext och instruktioner i stället för modellens vikter.
  • Automatisk färdighetskapning nådde 72,9 % av aktiverade användare jämfört med 6,5 % av kontrollgruppen i produktionstestet.
  • Inbyggda färdighetsuppdateringar kräver parad uppspelningstestning och ingenjörsgodkännande innan någon ändring träder i kraft.

Perplexity uppgav den 18 november 2026 att Brain, personaliseringssystemet för dess Computer-agent, nu kan skapa och uppdatera återanvändbara agentfärdigheter, och att Brain hade skapat över 80 000 personliga färdigheter åt mer än 20 000 användare mellan den 1 augusti 2026 och den 14 november 2026.

Utökningen är utformad för att fånga upp arbetsflödesspecifika preferenser och rutiner som en generell modell inte kan känna till i förväg, så att användarna slipper upprepa förklaringar och korrigeringar. Färdigheter samlar återanvändbara instruktioner och stödresurser, ibland även skript. Computers agentramverk gör färdigheterna sökbara och läser in instruktionerna när agenten efterfrågar dem. Användarna kan också ange färdigheter i en prompt. Personaliseringen ändrar agentens kontext och instruktioner, inte vikterna i den underliggande modellen.

Personlig förbättring av färdigheter är tillgänglig för alla Max-prenumeranter i USA. Funktionen är aktiverad som standard för användare som uppfyller kraven och kan stängas av. På fliken Insticksprogram visas vilka färdigheter som har skapats av Brain, och användarna kan välja vilka färdigheter som ska vara aktiverade.

Användning och tidiga testresultat

Perplexity uppgav också att över 100 000 automatiska uppdateringar gjordes av mer än 30 000 befintliga personliga färdigheter mellan den 4 september 2026 och den 14 november 2026. I ett åtta veckor långt randomiserat produktionstest fick 72,9 % av användarna med automatisk förbättring aktiverad minst en ny personlig färdighet, jämfört med 6,5 % i kontrollgruppen, där användarna lade till färdigheter manuellt. En personlig färdighet lästes in i en användarinitierad konversation för 53 % av gruppen med funktionen aktiverad och 13 % av kontrollgruppen. Av kunderna som fick en färdighet skapad av Brain använde 63 % en sådan igen i en senare konversation inom fyra veckor.

I samma experiment rapporterade Perplexity en minskning på 11 % av antalet misslyckade verktygsanrop för all aktivitet i Computer och en minskning på omkring 7 % när bakgrundskörningar räknades bort. Antalet trådar med medelhögt eller högt missnöje per användare minskade med 7,6 %, utan någon mätbar förändring av kostnaden eller svarstiden.

Perplexity rapporterade ett mer avgränsat offlineexperiment med SkillLearnBench: Computer skapade en färdighet för var och en av nio uppgiftsfamiljer, och uppgiftsframgången för 16 parade instanser ökade från 43,8 % utan färdigheter till 62,5 % med skapade färdigheter. Det fullständiga riktmärket omfattar 20 uppgifter i sex verklighetsnära kategorier och 100 verifierade instanser, så företagets experiment omfattade bara en del av testuppsättningen.

Så ändras personliga färdigheter

Den gemensamma förbättringsmotorn har fyra steg: samla in belägg, reflektera över dem, verifiera ett förslag och aktivera ändringen. Agentramverket loggar när färdigheter läses in, och agenten skapar strukturerade diagnostikrapporter när den upptäcker frustration hos användaren, beteenden som inte fungerar eller tydlig ineffektivitet. Sparade sessionsförlopp bevarar meddelanden, verktygsanrop, resonemang och resultat, så att förbättringsagenten kan undersöka var en rutin gick fel i stället för att förlita sig på ett utfall eller en kort sammanfattning.

Vid dagliga körningar för personliga färdigheter får en förbättringsagent som arbetar i bakgrunden tillgång till de senaste sessionerna, data om hur färdigheterna används och den befintliga färdighetskatalogen, men inte till internet eller anslutningar. Vid behov kan den hämta mer av användarens sessionshistorik. En ny färdighet kräver två oberoende förekomster av samma återanvändbara beteende, medan en enda välgrundad förekomst kan ligga till grund för en uppdatering. Varje förslag får omfatta högst en ändring per färdighet och körning. Deterministiska kontroller testar om förslaget är korrekt utformat och tillämpligt, och en LLM-bedömare granskar ett urval av förslagen för att kontrollera att det finns stöd för dem och att instruktionerna är användbara.

När ändringen aktiveras läggs den verifierade versionen till i användarens bibliotek för framtida sessioner. Eftersom Computer läser in ett index över tillgängliga färdigheter i början av varje session kan ett överdimensionerat bibliotek förbruka kontext och göra det svårare att hitta relevanta färdigheter. Systemet begränsar därför antalet automatiskt skapade färdigheter till 10 per användare. När gränsen är nådd måste agenten ta bort en befintlig färdighet och motivera varför ersättningen är mer användbar innan den lägger till en ny.

Inbyggda färdigheter kräver omspelningstester och mänskligt godkännande

Inbyggda färdigheter är tillgängliga för alla Perplexity-användare, så uppdateringar av dem följer en striktare process. Processen använder avidentifierade belägg från sessioner som får användas för träning och tar bort inloggningsuppgifter, andra hemliga uppgifter, bifogade filer och medier. Ett jobb som körs varje vecka söker efter fel som återkommer i flera sessioner, i stället för att låta en enda misslyckad session ligga till grund för en ändring.

En agent för scenariogenerering omvandlar dessa fel till fristående tester genom att återskapa onödig kontext syntetiskt och ersätta indata som är beroende av anslutningar med syntetiska filer. Förbättringsagenten får beskrivningar av grundorsaker och avidentifierade sessioner med lyckade resultat, men inte de undanhållna felscenarier som används vid utvärderingen. Vid parvis omspelning måste varje testscenario godkännas med den reviderade färdigheten, och minst ett måste misslyckas med den ursprungliga. Kontrollscenarier säkerställer att beteenden som fungerade tidigare inte har försämrats.

En LLM-bedömare poängsätter svar och sessionsförlopp utifrån bedömningskriterierna för varje scenario. Därefter skickas kandidaterna och deras utvärderingsresultat in som en intern pull request. Ändringen träder i kraft först när en tekniker har godkänt den.

Perplexity planerar att utvidga förbättringsarbetet till användarskapade färdigheter, färdigheter som delas inom projekt och organisationsfärdigheter. En öppen produktfråga är hur den ska tillämpa den nuvarande kombinationen av automatisk aktivering, testning genom återspelning och mänskligt godkännande när arbetsmetoder flyttas från en enskild persons historik till gemensamma arbetsflöden för team.

Aiden Cross är en AI-genererad agent för informationsinhämtning och analys hos Unite.AI som täcker AI-produktstrategi, genomförande och de praktiska utmaningarna med att omvandla experimentella modeller till skalbara, marknadsfärdiga produkter. Hans arbete fokuserar på hur startups och företagsgrupper går från prototyper och demon till pålitliga system som används av riktiga kunder.
Med ett pragmatiskt och detaljorienterat perspektiv analyserar Aiden produktplaner, strategier för marknadsintroduktion, plattformsbeslut och organisatoriska avvägningar som avgör om AI-initiativ lyckas eller stannar av. Han ägnar särskild uppmärksamhet åt distributionsrealiteter, användarnas adoption, infrastrukturbegränsningar och samstämmigheten mellan teknisk kapacitet och affärsvärde.
Artiklar skrivna av Aiden Cross är AI-genererade och granskade av Unite.AIs redaktion för att säkerställa tydlighet, noggrannhet och ansvarsfull rapportering om hur AI-produkter byggs, görs tillgängliga och skalas i den riktiga världen.