Yapay zeka modelleri ve platformları
Perplexity Brain, Deneyimlerden Ajan Becerileri Oluşturup Güncelliyor

Öne çıkan noktalarBrain, ajanı modelin ağırlıklarını değiştirmek yerine bağlamı ve talimatları…
Daha fazla göster
- Brain, ajanı modelin ağırlıklarını değiştirmek yerine bağlamı ve talimatları değiştirerek kişiselleştirir.
- Otomatik beceri oluşturma, üretim testinde etkinleştirilen kullanıcıların %72,9'una ulaşırken kontrol grubunun %6,5'inde kaldı.
- Yerleşik beceri güncellemeleri, herhangi bir değişiklik yürürlüğe girmeden önce eşleştirilmiş tekrar testi ve mühendis onayı gerektirir.
Perplexity, 18 Kasım 2026’da, Computer ajanı için kişiselleştirme sistemi olan Brain’in artık yeniden kullanılabilir ajan becerileri oluşturup güncelleyebildiğini ve Brain’in 1 Ağustos 2026 ile 14 Kasım 2026 arasında 20.000’i aşkın kullanıcı için 80.000’den fazla kişisel beceri oluşturduğunu açıkladı.
Bu genişletme, genel amaçlı bir modelin önceden bilemeyeceği iş akışına özgü tercihleri ve prosedürleri kaydederek aynı açıklama ve düzeltmelerin tekrar tekrar yapılması ihtiyacını azaltmayı amaçlıyor. Beceriler, yeniden kullanılabilir talimatları ve destekleyici kaynakları bir araya getiriyor; bunlara bazen betikler de dahil oluyor. Computer’ın altyapısı bu becerilerin bulunabilmesini sağlıyor ve ajan istediğinde talimatlarını yüklüyor; kullanıcılar da bir istemde becerileri belirtebiliyor. Kişiselleştirme, temel modelin ağırlıklarını değil, ajanın bağlamını ve talimatlarını değiştiriyor.
Kişisel becerileri iyileştirme özelliği, ABD’deki tüm Max abonelerine sunuluyor. Uygun kullanıcılar için varsayılan olarak etkinleştiriliyor ve kapatılabiliyor. Eklentiler sekmesinde Brain tarafından oluşturulan beceriler belirtiliyor ve kullanıcılar hangi becerilerin etkin olacağını seçebiliyor.
Kullanım ve İlk Test Sonuçları
Perplexity ayrıca 4 Eylül 2026 ile 14 Kasım 2026 arasında 30.000’den fazla mevcut kişisel becerinin 100.000’den fazla kez otomatik olarak güncellendiğini bildirdi. Sekiz haftalık, rastgeleleştirilmiş bir üretim testinde otomatik iyileştirme özelliği etkin olan kullanıcıların %72,9’u en az bir yeni kişisel beceri alırken, elle bir beceri ekleyen kontrol grubunda bu oran %6,5 oldu. Etkin gruptaki kullanıcıların başlattığı konuşmaların %53’ünde, kontrol grubundaki kullanıcıların başlattığı konuşmaların ise %13’ünde bir kişisel beceri yüklendi. Brain tarafından oluşturulan bir beceriyi alan müşterilerin %63’ü, dört hafta içinde daha sonraki bir konuşmada bu becerilerden birini yeniden kullandı.
Perplexity, aynı deneyde Computer’ın tüm faaliyetleri genelinde araç çağrısı hatalarının %11 azaldığını, arka plan çalıştırmaları hariç tutulduğunda ise düşüşün yaklaşık %7 olduğunu bildirdi. Kullanıcı başına orta veya yüksek düzeyde memnuniyetsizlik içeren konuşma dizilerinin sayısı %7,6 azalırken maliyette veya yanıt süresinde ölçülebilir bir değişiklik olmadı.
Perplexity, SkillLearnBench kullanılarak daha sınırlı kapsamda yapılan bir çevrimdışı deneyin sonuçlarını bildirdi: Computer, dokuz görev ailesinin her biri için bir beceri oluşturdu ve 16 eşleştirilmiş örnekte görev başarısı, beceri kullanılmadığında %43,8’den oluşturulan beceriler kullanıldığında %62,5’e yükseldi. Tam kıyaslama paketi, altı gerçek dünya kategorisine yayılan 20 görev ve doğrulanmış 100 örnek içeriyor; dolayısıyla şirketin deneyi paketin yalnızca bir bölümünü kapsadı.
Kişisel Beceriler Nasıl Gözden Geçiriliyor?
Ortak iyileştirme motoru dört aşamadan oluşuyor: kanıt toplamak, kanıtları değerlendirmek, bir öneriyi doğrulamak ve değişikliği etkinleştirmek. Altyapı, becerilerin yüklenme kayıtlarını tutuyor; ajan ise kullanıcıda hayal kırıklığı, işlev bozukluğu veya belirgin verimsizlik saptadığında yapılandırılmış tanılama kayıtları oluşturuyor. Saklanan oturum akışları mesajları, araç çağrılarını, akıl yürütme adımlarını ve sonuçları koruyor; böylece iyileştirme ajanı, yalnızca sonuca veya kısa bir özete dayanmak yerine bir prosedürün nerede yanlış gittiğini inceleyebiliyor.
Kişisel becerilerin günlük çalıştırmalarında arka plan iyileştirme ajanı; yakın tarihli oturumları, beceri kullanım verilerini ve mevcut beceri kataloğunu alıyor, ancak internete veya bağlayıcılara erişemiyor. Gerektiğinde kullanıcının oturum geçmişinin daha eski bölümlerini de alabiliyor. Yeni bir beceri oluşturmak için aynı yeniden kullanılabilir davranışın birbirinden bağımsız iki kez görülmesi gerekiyor; mevcut bir beceriyi güncellemek içinse kanıtlarla desteklenen tek bir örnek yeterli olabiliyor. Her öneri, her çalıştırmada beceri başına tek bir değişiklikle sınırlı; belirlenimci denetimler değişikliğin doğru biçimlendirilip biçimlendirilmediğini ve uygulanabilirliğini kontrol ediyor, bir LLM değerlendiricisi de örneklem olarak seçilen önerileri destekleyici kanıt ve yararlı talimatlar açısından denetliyor.
Etkinleştirme aşamasında doğrulanmış değişiklik, gelecekteki oturumlarda kullanılmak üzere kullanıcının kitaplığına yazılıyor. Computer her oturumun başında kullanılabilir becerilerin dizinini yüklediğinden, gereğinden büyük bir kitaplık bağlamı tüketebilir ve ilgili becerilerin bulunmasını zorlaştırabilir. Bu nedenle sistem, kullanıcı başına otomatik oluşturulan beceri sayısını 10 ile sınırlıyor; sınır dolduğunda ajan, başka bir beceri eklemeden önce mevcut becerilerden birini kaldırmalı ve yerine koyacağı becerinin neden daha yararlı olduğunu açıklamalı.
Yerleşik Beceriler İçin Yeniden Oynatma Testi ve İnsan Onayı Gerekiyor
Yerleşik beceriler tüm Perplexity kullanıcılarına sunulduğundan, bu becerilerdeki güncellemeler daha sıkı bir süreçten geçiyor. Süreçte, eğitim için uygun oturumlardan alınan ve kimlik bilgileri, diğer gizli bilgiler, ekli dosyalar ve medya ayıklanarak arındırılmış kanıtlar kullanılıyor. Haftalık bir gözden geçirme işi, tek bir kötü oturumun değişikliğe yol açmasına izin vermek yerine birden fazla oturumda tekrarlanan hataları arıyor.
Bir senaryo oluşturma ajanı, bu hataları kendi içinde yeterli testlere dönüştürüyor; gereksiz bağlamı sentetik olarak yeniden oluşturuyor ve bağlayıcılara bağlı girdilerin yerine sentetik dosyalar koyuyor. İyileştirme ajanı, temel neden açıklamalarını ve arındırılmış başarılı oturumları alıyor, ancak değerlendirme için ayrılmış hata senaryolarını görmüyor. Eşleştirilmiş yeniden oynatma testinde her test senaryosunun gözden geçirilmiş beceriyle başarılı olması, özgün beceriyle ise en az bir senaryonun başarısız olması gerekiyor; kontrol senaryoları da daha önce çalışan davranışların gerilemediğini denetliyor.
Bir LLM değerlendiricisi, yanıtları ve oturum akışlarını her senaryonun değerlendirme ölçütlerine göre puanlıyor. Ardından adaylar ve değerlendirme sonuçları kurum içi bir çekme isteği olarak sunuluyor; değişiklik ancak bir mühendis onayladıktan sonra yürürlüğe giriyor.
Perplexity, iyileştirme sürecini kullanıcıların oluşturduğu becerilere, projeler içinde paylaşılan becerilere ve kuruluş becerilerine de genişletmeyi planlıyor. Yanıt bekleyen ürün sorusu, prosedürler kişilerin geçmişinden ortak ekip iş akışlarına taşınırken otomatik etkinleştirme, yeniden oynatma testleri ve insan onayından oluşan mevcut bileşimin nasıl uygulanacağı.












