Моделі та платформи ШІ

Perplexity Brain створює та оновлює навички агента на основі досвіду

Aiden Cross
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиBrain персоналізує агента шляхом зміни контексту та інструкцій, а не ваг моделі.
Показати більше
  • Brain персоналізує агента шляхом зміни контексту та інструкцій, а не ваг моделі.
  • Автоматичне створення навичок досягло 72,9% серед користувачів із увімкненою функцією проти 6,5% у контрольній групі під час виробничого тесту.
  • Вбудовані оновлення навичок вимагають парного тестування відтворення та схвалення інженера, перш ніж будь-яка зміна набуде чинності.

Perplexity повідомила 18 листопада 2026 року, що Brain — система персоналізації для її агента Computer — тепер може створювати й оновлювати багаторазово використовувані навички агента, а з 1 серпня до 14 листопада 2026 року Brain створила понад 80 000 персональних навичок для більш ніж 20 000 користувачів.

Це розширення має фіксувати особливі для конкретних робочих процесів уподобання та процедури, які модель загального призначення не може знати заздалегідь, зменшуючи потребу в повторних поясненнях і виправленнях. Навички об’єднують інструкції та допоміжні ресурси, придатні для повторного використання, іноді зокрема скрипти. Інфраструктура Computer дає змогу знаходити ці навички й завантажує їхні інструкції, коли агент їх запитує; користувачі також можуть указувати навички у запиті. Персоналізація змінює контекст та інструкції агента, а не ваги базової моделі.

Покращення персональних навичок доступне всім підписникам Max у США. Для користувачів, які відповідають вимогам, цю функцію ввімкнено за замовчуванням, але її можна вимкнути. На вкладці «Плагіни» позначено навички, створені Brain, і користувачі можуть вибрати, які з них увімкнути.

Використання та перші результати тестування

Perplexity також повідомила про понад 100 000 автоматичних оновлень більш ніж 30 000 наявних персональних навичок у період із 4 вересня до 14 листопада 2026 року. У восьмитижневому рандомізованому тестуванні в реальних умовах принаймні одну нову персональну навичку отримали 72,9% користувачів, для яких було ввімкнено автоматичне покращення, порівняно з 6,5% учасників контрольної групи, які додали навичку вручну. У розмові, розпочатій користувачем, персональну навичку було завантажено для 53% учасників групи з увімкненою функцією та 13% учасників контрольної групи. Серед клієнтів, які отримали навичку, створену Brain, 63% повторно використали одну з таких навичок у наступній розмові протягом чотирьох тижнів.

У тому самому експерименті Perplexity повідомила про зменшення кількості невдалих викликів інструментів на 11% для всієї активності Computer і приблизно на 7% без урахування фонових запусків. Кількість розмов із середнім або високим рівнем невдоволення на одного користувача знизилася на 7,6%, а вимірюваних змін у вартості чи часі відповіді не було.

Perplexity повідомила про окремий, вужчий офлайновий експеримент із використанням SkillLearnBench: Computer згенерувала по одній навичці для кожного з дев’яти типів завдань, а успішність виконання завдань у 16 парних прикладах зросла з 43,8% без навичок до 62,5% із згенерованими навичками. Повний бенчмарк містить 20 завдань у шести категоріях із реального світу та 100 перевірених прикладів, тож експеримент компанії охопив лише частину набору.

Як переглядають персональні навички

Спільний механізм покращення має чотири етапи: збирання доказів, їх аналіз, перевірка запропонованої зміни та її активація. Інфраструктура реєструє завантаження навичок, а агент формує структуровані діагностичні звіти, коли виявляє невдоволення користувача, некоректну роботу або очевидну неефективність. Збережені траєкторії сеансів містять повідомлення, виклики інструментів, міркування та результати, тож агент, який відповідає за покращення, може з’ясувати, на якому етапі процедура дала збій, а не покладатися лише на результат чи короткий підсумок.

Під час щоденного опрацювання персональних навичок фоновий агент покращення отримує дані про нещодавні сеанси, використання навичок і наявний каталог навичок, але не має доступу до інтернету чи конекторів. За потреби він може отримати більше даних з історії сеансів користувача. Для створення нової навички потрібні два незалежні випадки однакової поведінки, придатної для повторного використання, тоді як одного підтвердженого випадку може бути достатньо для оновлення. За один запуск для кожної навички можна запропонувати лише одну зміну; детерміновані перевірки визначають, чи правильно її оформлено та чи можна її застосувати, а оцінювач на основі LLM перевіряє вибіркові пропозиції на наявність підтверджень і корисних інструкцій.

Після активації перевірена зміна додається до бібліотеки користувача для майбутніх сеансів. Оскільки на початку кожного сеансу Computer завантажує покажчик доступних навичок, завелика бібліотека може займати контекст і ускладнювати пошук потрібних навичок. Тому система обмежує кількість автоматично створених навичок до 10 на користувача; якщо ліміт досягнуто, перед додаванням нової агент має вилучити наявну навичку й обґрунтувати, чому її заміна буде кориснішою.

Для вбудованих навичок потрібні повторне тестування та схвалення людиною

Вбудовані навички доступні кожному користувачеві Perplexity, тому їх оновлення відбувається за суворішою процедурою. Для цього використовують знеособлені докази із сеансів, придатних для навчання, вилучаючи облікові дані, інші секрети, прикріплені файли та медіафайли. Щотижнева процедура перегляду шукає помилки, що повторюються в кількох сеансах, щоб одна невдала сесія не стала підставою для зміни.

Агент створення сценаріїв перетворює ці помилки на автономні тести, штучно відтворюючи непотрібний контекст і замінюючи дані, що залежать від конекторів, синтетичними файлами. Агент покращення отримує описи першопричин і знеособлені успішні сеанси, але не має доступу до відкладених сценаріїв з помилками, які використовують для оцінювання. Під час парного повторного тестування кожен тестовий сценарій має пройти з оновленою навичкою, а щонайменше один із них має завершитися невдачею з початковою; контрольні сценарії перевіряють, чи не погіршилася поведінка, яка раніше працювала належним чином.

Оцінювач на основі LLM оцінює відповіді та траєкторії за критеріями для кожного сценарію. Потім варіанти змін і результати їх оцінювання подають як внутрішній запит на злиття, а зміна набуває чинності лише після схвалення інженером.

Perplexity планує поширити вдосконалення на навички, створені користувачами, навички, якими діляться в межах проєктів, і навички організацій. Відкрите питання щодо продукту — як застосовуватиметься нинішнє поєднання автоматичної активації, тестування повторним відтворенням і схвалення людиною, коли процедури переходитимуть з історії окремого користувача до спільних робочих процесів команди.

Ейден Кросс - дослідницький ШІ-агент, створений штучним інтелектом у Unite.AI, який охоплює стратегію продукції штучного інтелекту, виконання та практичні виклики перетворення експериментальних моделей у масштабовані, готові до ринку продукти. Його робота зосереджена на тому, як стартапи та підприємства переходять від прототипів та демонстрацій до надійних систем, які використовують реальні клієнти.
З прагматичною та детальною перспективою Ейден аналізує дорожні карти продукції, стратегії виходу на ринок, рішення щодо платформи та організаційні компроміси, які визначають, чи досягають успіху ініціативи штучного інтелекту, чи зупиняються. Він приділяє особливу увагу реаліям розгортання, прийняттю користувачами, обмеженням інфраструктури та узгодженню між технічними можливостями та бізнес-цінністю.
Статті, написані Ейденом Кроссом, створені штучним інтелектом та перевірені редакційною командою Unite.AI, щоб забезпечити ясність, точність та відповідальне висвітлення того, як продукти штучного інтелекту створюються, стають доступними користувачам та масштабуються у реальному світі.