工具

Perplexity Teammates 深度解析:AI Agent 接长期任务

Perplexity Teammates 把 AI 搜索推进到多 Agent 协作与长期任务。本文分析其上下文管理、工具调用、错误恢复和完成判定,并讨论它与 LangGraph 等框架的差异。

字号

Perplexity 发布 Teammates,让多个 AI Agent 协作处理复杂、持续的工作。它与我的关系很直接:以后交给 AI 的可能不再是一道问题,而是一项要追踪、验收的任务。

Perplexity 对 Teammates 的定位很直接:

“Teammates are agents for complex, ongoing work.”

它不只回答一次问题。用户交出一个目标后,多个 Agent 分工推进,并持续维护任务状态。

这和过去的 Perplexity 用法不同。过去通常是提问、搜索,再拿回一份带引用的答案。Teammates 则把目标交给多个独立 Agent,让它们协作完成一条任务链。

真正值得看的不是多了一个聊天框,而是 AI Agent 的产品边界开始向长期任务迁移。

Teammates 不是另一个聊天框

单次问答的终点,是生成答案。

长期任务的终点,则是交付结果。两者之间可能隔着几个小时,也可能包含十几个步骤。

例如,“研究美国储能市场,并整理成一份供投资委员会讨论的简报”,并不适合塞进一条 Prompt。过程中通常需要:

  • 搜集公司公告、行业报告和监管文件;
  • 对不同口径的数据做交叉检查;
  • 保存已经查到的来源,避免重复搜索;
  • 遇到缺口时调整任务,而不是从零开始;
  • 最后汇总为带引用的文档。

Teammates 的产品逻辑,是让多个独立 Agent 围绕这个目标协作。每个 Agent 承担不同子任务,共享目标,同时保留各自的工作上下文。

界面里的核心单位因此不再只是“一问一答”,而更接近一个任务。

用户要回答的问题也变了:

  • 目标是什么?
  • 任务要跑到什么程度?
  • 哪些资料可以使用?
  • 哪些操作需要确认?
  • 什么才算完成?

这也是 Teammates 与普通聊天框最实际的区别。聊天框围绕消息展开,Teammates 围绕任务展开。

从搜索答案到分配任务

Perplexity 此前以 AI 搜索引擎为核心。用户输入查询,系统检索网页、组织结果,并提供引用。

Teammates 把这条链路向下延伸了一步。搜索不再只是最终输出,而是 Agent 完成工作过程中的一种工具调用。

交互也随之改变。

普通搜索里,用户负责拆问题。Teammates 里,用户更像项目负责人:先给出目标,再让多个 Agent 拆分、协作和追踪执行过程。

开放式搜索通常要求人临场判断下一步查什么。持续任务则要求系统自己维护计划。

Perplexity 正在从 AI 搜索引擎向可持续执行工作的 Agent 平台延伸。这里值得关注的不是“搜索公司也做了 Agent”,而是它原本就有两项基础能力:

  1. 从公开网页找到资料;
  2. 给结论附上来源。

多数通用 Agent 平台也具备搜索工具,但未必把“检索—引用—核验”做成默认工作流。Perplexity 的优势恰好在这条链路上。

长期任务才是真考题

Agent 演示里,最容易出彩的是前十秒。

它拆解目标、调用工具,生成一份看起来完整的文档。真正的压力出现在后面:任务运行两小时后,状态是否还在?工具失败后能否恢复?资料过时后会不会主动重查?

长期任务至少需要五层能力。

1. 上下文管理

任务开始时,系统知道目标。运行几个小时后,它还必须记得约束条件、已完成事项和当前阻塞点。

这不只是扩大上下文窗口。窗口更大,只代表能装下更多文本,不代表 Agent 能正确取出相关内容。

2. 工具调用

搜索只是其中一种工具。长期工作还可能涉及读取文档、运行代码、调用 API,以及把中间结果写回任务空间。

如果工具返回空结果、超时或结构变化,Agent 不能继续生成一段“看起来合理”的文字。它应该识别失败,再决定重试、换路径或把问题交还给用户。

3. 任务衔接

多个 Agent 协作时,最容易出问题的是交接。

一个 Agent 写了市场分析,另一个 Agent 做财务核验。前者使用的数据口径、单位和时间范围,必须完整传过去。否则,多 Agent 只是把同一种错误并行放大。

4. 错误恢复

持续工作的现实世界很少一次成功。目标需要调整,网页会失效,来源会互相冲突,API 也会限流。

一个能稳定跑完流程的 Agent,需要知道哪些错误可重试,哪些错误需要改变计划,哪些错误必须停止并请人介入。

5. 完成判定

Agent 最危险的失败方式,不是说“我做不了”,而是说自己做完了,实际上只完成了表面动作。

例如,用户要求提交带引用的行业报告,Agent 生成了文档,却没有逐条打开引用核验。这在短回答里容易被放过,在长期任务里会变成交付事故。

所以,Teammates 的真正评价指标应该是任务完成率、重试后恢复率、人工接管次数和引用准确率,而不是一段三分钟的演示。

HN 47 分背后的产品争议

相关消息登上 Hacker News 首页,获得 47 points 和 36 条评论。

这个热度不算爆款,但足够让产品问题进入开发者的视野。HN 页面:

https://news.ycombinator.com/item?id=50395866

开发者通常会追问几件事。

第一,和 LangGraph、CrewAI、AutoGen 这类框架相比,Teammates 的执行模型有什么不同?

第二,它能否导出任务记录、上下文和中间产物?

第三,用户能否控制 Agent 使用哪些数据源、工具和权限?

第四,任务中断后能否继续,还是必须重新发起?

Teammates 目前更像面向终端用户的工作型产品,不是供开发者编排状态图的框架。现有 Agent 框架强调节点、状态、条件分支和人工审批。Teammates 强调交办目标、多个 Agent 协作和过程追踪。

这两条路线都可能成立。

开发者需要的是控制权。业务用户需要的则是更少配置、更清楚的结果。谁能同时提供两者,谁更可能成为长期任务的默认入口。

搜索公司的 Agent 路线

Perplexity 做 Teammates,有一条顺理成章的产品路线。

搜索引擎解决“找到信息”。Teammates 试图解决“围绕信息完成工作”。中间增加的不是一个聊天窗口,而是一层执行系统:任务规划、Agent 分工、工具调用、状态保存、来源引用和最终交付。

它与通用 Agent 平台相比,更可能在三个地方占优。

第一,搜索和引用是原生能力。

不用先让用户安装搜索插件,再等 Agent 自己拼装研究流程。对市场分析、竞品调查、政策检索这类以公开信息为主的任务,这是直接优势。

第二,产品入口更轻。

通用框架往往要求开发者先设计 Agent、状态和工作流。Teammates 的用户只要描述目标。代价是控制粒度更粗。

第三,结果更容易解释。

Perplexity 长期强调引用。长期 Agent 如果每个结论都能追溯到来源,用户才敢把任务交给它。

但它也有明显短板。

通用 Agent 平台可以接入企业内部数据、私有 API 和自定义工具。Teammates 若主要依赖公开搜索,就难以覆盖那些必须读取内部系统的工作。比如代码修改、运营配置和跨 SaaS 审批,都需要更深的权限与执行能力。

还有一个问题:搜索擅长收集当前可访问的信息,不天然擅长判断流程是否正确。

这正是 Agent 平台最终要补的部分。

编辑思考

Teammates 重要的地方,不只是多了一个产品名,而是 Agent 的入口正在迁移:从临时助手变成持续协作者。过去,用户围绕一次对话组织工作。现在,任务状态、失败恢复和交付验收开始进入同一个界面。这会改变用户评价 AI 的方式。大家不再只看一段回复是否顺畅,而会看任务有没有跑完、引用能否复核、失败后能不能续跑。

我的判断是,搜索型公司会先吃到研究、尽调和信息整理市场,不会立刻拿下全部企业自动化。前者依赖公开资料、引用和快速交办,符合 Perplexity 的现有优势。后者需要内部权限、长期记忆、可靠恢复和人工审批。

这次与过去不同,Teammates 把多 Agent 协作直接包装成用户产品,而不是只提供框架能力。47 points、36 条评论说明它已进入开发者视野,但不代表产品已经定型。我还不清楚它的实际完成率、权限模型和任务可移植性。这些指标才决定它是一次成功演示,还是能进入日常工作流的基础设施。

来源

  • Perplexity 官方博客:https://www.perplexity.ai/en-GB/hub/blog/teammates-are-agents-for-complex-ongoing-work
  • Hacker News:https://news.ycombinator.com/item?id=50395866
来源: https://www.perplexity.ai/en-GB/hub/blog/teammates-are-agents-for-complex-ongoing-work