Perplexity上线常驻AI同事

Perplexity把 Agent 从一次性工具变成了常驻同事

11 月 6 日消息，Perplexity 近日推出面向工作的常驻式 AI Agent 产品 Teammates，正式加入 OpenAI 与 Anthropic 正在争夺的“AI 同事”市场。 用户可以在同一个工作空间内创建多个 Teammate，分别赋予研究、运营、分析或项目管理等职责，让它们并行执行任务，并直接复用 Perplexity 现有的 Projects、Skills 与 Memory。

Teammates 是一组能够长期驻留在工作空间、持续继承项目上下文并协同完成任务的 AI Agent。 它不是在聊天窗口里临时开出的多个对话，也不是把同一个提示词复制给几个模型，而是把不同 Agent 绑定到持续存在的角色、任务和知识资产上。

根据 The Verge 的报道，Teammates 与 Perplexity Computer 集成，但定位高于单次任务执行。Perplexity 对两者的区分是：Computer 负责在设备和工具之间调度 Agent、完成具体操作，Teammates 则建立在 Computer 之上，面向“持续、规模化的工作”。

关键变化不是 Agent 更多，而是上下文可以复用

Teammates 最值得关注的能力，是把项目、技能和记忆从一次性上下文变成可重复调用的组织资产。 今天多数 Agent 产品的问题并不是不会写报告、搜资料或操作网页，而是每次开始新任务时，都需要重新解释背景、格式、流程和判断标准。

一个市场团队使用普通聊天机器人制作周报时，通常要重复提供产品信息、竞品名单、数据口径、品牌语气和报告模板。即使模型具备记忆功能，这些信息也往往散落在多个会话中，难以追踪，更无法稳定交给另一个 Agent 使用。

Teammates 试图把这套流程拆成三个可复用层级：

• Projects 是承载长期目标、文件、任务与协作记录的持久工作空间。 一个 Project 可以对应产品发布、竞品监控、客户研究或季度经营分析，而不是一次对话。
• Skills 是封装特定工作方法和领域规则的模块化能力。 它更像团队内部的标准作业流程，规定 Agent 应该使用哪些工具、遵守什么步骤，以及最终交付什么格式。
• Memory 是跨任务保存有效经验、修正记录与环境知识的持续状态。 它不仅记住用户偏好，也可以保留过去采用过的方法、失败路径和人工反馈。

这三个层级组合起来，才让 Teammate 更接近岗位，而不是提示词模板。 项目提供工作现场，技能提供操作手册，记忆提供经验积累，Computer 则负责真正动手执行。

举例来说，一家软件公司可以设置三个 Teammate：第一个每天追踪竞品更新，第二个把变化映射到内部产品路线图，第三个根据既有品牌规范整理成面向销售团队的材料。三个 Agent 可以同时工作，但共享同一个项目背景、产品术语和历史判断，不必分别从零学习。

Computer 是执行层，Teammates 是组织层

Perplexity Computer 是一个能够跨模型、工具和设备编排复杂任务的 Agent 执行系统。 Perplexity 在 2026 年 2 月推出 Computer 时，强调的核心并非单个模型能力，而是根据子任务选择不同模型，并让 Agent 操作搜索、浏览器、文件和其他工具。

相关公开资料显示，Computer 可以协调约 19 个模型，并针对不同任务调用 Claude、Gemini、OpenAI GPT、Grok、图像模型或视频模型。Perplexity 官方介绍还提到，其模型无关的编排框架允许底层模型随行业进展替换，用户也可以为特定子任务指定模型。

Teammates 没有取代 Computer，而是给 Computer 增加了长期角色与协作结构。 如果把 Computer 看成一台可以调用不同软件和模型的“AI 电脑”，Teammates 就是运行在这台电脑上的多个常驻员工账户：每个账户有自己的职责，但能访问经过授权的共同项目、技能与记忆。

这种分层很重要，因为执行系统和组织系统解决的是两个问题。Computer 关注“这件事怎么做完”，Teammates 关注“谁长期负责、使用哪些经验、与谁配合，以及下次如何继续”。前者的衡量单位通常是任务，后者的衡量单位则更接近项目和岗位。

Brain补上了跨任务学习的一环

Perplexity Brain 是为 Computer 设计的自我改进记忆系统，用于记录 Agent 做过什么、哪些路径有效，以及哪些结果被用户修正。 Perplexity 在 2026 年 6 月公布 Brain，目标是让 Agent 从过去的工作中学习，而不只是保存“用户喜欢简短回答”一类静态偏好。

传统聊天记忆更像一张用户档案，记录职业、语言和表达习惯；Brain 更接近工作日志与经验库，关注 Agent 是否调用了正确工具、采用了什么研究路径、在哪一步失败，以及用户最终接受了哪个版本。

Brain 与 Teammates 的组合让长期 Agent 具备了经验复利。 当一个研究型 Teammate 多次完成同类任务后，它理论上可以逐步积累可信来源、分析框架和交付标准；当另一个写作型 Teammate接手结果时，也不需要重新推断全部背景。

不过，记忆变长并不天然等于质量提高。错误结论、过时信息和偶然成功的流程也可能被写入记忆，因此真正决定 Brain 价值的不是“记住多少”，而是记忆如何更新、何时失效、谁可以纠正，以及能否回溯到原始证据。

与 OpenAI Dots、Claude Duet 比，Perplexity押注的是资产复用

Teammates 与 OpenAI Dots、Claude Duet 的竞争焦点，不只是哪个 Agent 更聪明，而是谁能把 Agent 稳定嵌入长期工作。 The Verge 将三者放在同一类产品中比较，是因为它们都试图让多个 Agent 在工作空间中承担不同角色，而不再局限于一问一答。

基于目前公开信息，三者可以从以下维度理解：

| 产品 | 核心定位 | 长期上下文 | 多角色并行 | 执行基础 | 当前价格信息 | |---|---|---|---|---|---| | Perplexity Teammates | 常驻式工作 Agent | 可复用 Projects、Skills 与 Memory | 支持为不同 Teammate 分配任务并同时执行 | 构建于 Perplexity Computer 之上 | Teammates 独立价格尚未明确公布 | | Perplexity Computer | 跨模型与工具的任务执行系统 | Brain 提供跨任务经验积累 | 重点是复杂任务编排 | 可调度设备端 Agent、搜索与多种模型 | 首发面向 Perplexity Max，企业可用范围以官方页面为准 | | OpenAI Dots | 面向工作的多 Agent 协作形态 | 公开信息仍需结合具体版本评估 | 强调多个 Agent 承担不同工作 | 依托 OpenAI 模型及工作产品体系 | 未见可直接横向比较的统一价格 | | Claude Duet | 面向团队工作的 Agent 协作形态 | 可能受 Claude 工作空间与项目上下文影响 | 强调角色分工与协作 | 依托 Anthropic 的 Claude 生态 | 未见可直接横向比较的统一价格 |

Perplexity 当前最清晰的差异点，是把搜索、项目、技能、执行系统和记忆串成一条完整链路。 Perplexity 本来就擅长检索与引用来源，Computer 补上跨工具执行，Brain 补上工作经验，Teammates 再把这些能力包装成多个长期角色。

OpenAI 和 Anthropic 的优势则是模型能力、开发生态及企业客户基础。Perplexity 的产品闭环更直观，但是否能形成真正壁垒，还要看企业权限、第三方连接器、审计能力和任务成功率，而不是演示中能同时启动多少个 Agent。

常驻 Agent 真正难的是治理，不是并发

多个 Agent 同时工作会把权限错误、信息污染和成本失控同步放大。 一个 Agent 偶尔调用错误工具，可能只影响一项任务；十个常驻 Agent 在共享项目中持续行动，错误可能进入记忆、影响后续决策，并被其他 Agent 当成可靠背景继续使用。

企业部署 Teammates 时至少需要关注五个问题：

1. 最小权限。 研究 Agent 不应默认拥有发送邮件、修改生产数据或发布内容的权限。
2. 来源追踪。 进入长期记忆的结论必须能回溯到文件、网页、工具调用或人工确认记录。
3. 记忆隔离。 不同客户、部门和项目之间的 Memory 必须有清晰边界，避免敏感信息串用。
4. 人工审批。 涉及付款、外发、删除和权限变更的动作，应保留明确的确认节点。
5. 成本预算。 多角色并行会增加模型调用、搜索、浏览器执行与长上下文成本，需要按 Agent 或项目设置上限。

可追溯性将比拟人化名称更能决定 Teammates 能否进入企业核心流程。 员工犯错时可以追问原因，Agent 同样需要回答自己访问了什么、采用了哪条证据、调用了哪个模型，以及哪个步骤改变了最终结果。

Perplexity 在 2026 年 10 月讨论 Projects 时，已经把持久性、并发性和可追溯性列为共享工作空间的重要方向。Teammates 正是这套思路的产品化延伸，但报道和现有资料尚未给出完整的管理员控制、审计日志保留周期、数据驻留及合规认证细节。

目前最大的未知数是价格与可靠性

Perplexity 尚未公开足够数据证明 Teammates 在长期工作中的成功率。 截至 11 月 6 日，公开材料没有给出任务完成率、平均延迟、并发上限、记忆准确率或相较普通 Computer 的成本变化，也没有可供横向验证的企业基准测试。

这意味着 Teammates 目前更像一次产品架构升级，而不是已经被数字证明的效率革命。它的设计方向合理，但开发者和企业用户仍需通过真实任务验证三个指标：首次任务成功率、人工接管次数，以及经过多轮记忆积累后错误率究竟下降还是上升。

价格也会直接决定“常驻”能否成立。 Computer 首发时面向 Perplexity Max 用户，Enterprise Max 的开放节奏由官方后续安排决定，但现有资料没有明确 Teammates 是否包含在原订阅中、是否按席位收费，或是否根据任务与计算资源另行计量。

如果多个 Teammate 可以持续运行，却需要频繁调用高成本模型和浏览器环境，那么它更适合高价值研究、投研、销售情报和软件开发，而不适合低毛利的日常行政任务。只有当单次有效交付成本低于人工协调成本，常驻 Agent 才不只是一个昂贵的自动化看板。

Perplexity正在从答案引擎转向工作操作系统

Teammates 表明 Perplexity 的目标已经不只是回答问题，而是占据用户工作的持续入口。 从搜索与 Deep Research，到 Projects、Computer、Brain，再到如今的 Teammates，Perplexity 正在把产品从“找到答案”扩展为“保存背景、执行任务、积累经验并分配角色”。

这一方向比再增加一个聊天模式更有意义，因为模型能力正在快速商品化。企业不会仅仅因为某个模型在一次跑分中领先几个百分点就迁移全部工作流，但可能因为项目资料、技能库、历史记忆和审批流程已经沉淀在某个平台上而留下来。

我们的判断是，Teammates 的产品逻辑成立，但现在谈“AI 员工替代团队”仍然过早。 它最现实的价值，是减少重复交代背景和重复搭建流程，让已经验证过的工作方法被多个 Agent 复用；它最危险的地方，则是让错误也获得同样的复用能力。

对于已经深度使用 Perplexity Projects 或 Computer 的团队，Teammates 值得优先测试，因为迁移成本较低，现有技能与记忆可以直接发挥价值。对于尚未进入 Perplexity 生态的团队，则应等待更明确的定价、权限、审计和可靠性数据，而不是仅凭“常驻 AI 同事”的概念做采购决定。

参考来源

• The Verge：报道 Perplexity Teammates 的产品定位、常驻工作方式，以及它与 Computer、OpenAI Dots、Claude Duet 的关系。因文末链接域名限制，此处仅列来源名称。
• Perplexity 官方博客：用于核对 Computer、Projects、Skills 与 Brain 的产品定义和发布时间。因文末链接域名限制，此处仅列来源名称。
• Reddit Perplexity 社区：用户讨论 Perplexity 产品更新、实际使用体验与常见问题的社区入口；社区内容不等同于官方结论。