工具

Perplexity Teammates 深度解析:讓多個 AI Agent 協作完成長期任務

Perplexity Teammates 將 AI 搜尋延伸為多 Agent 協作與長期任務執行平台。本文從上下文管理、工具調用、錯誤復原與完成判定等面向拆解其運作方式,並比較它與 LangGraph 等框架的定位差異。

字級

Perplexity 推出 Teammates,讓多個 AI Agent 協商處理複雜且持續進行的工作。它與我的工作方式有很直接的關係:未來交給 AI 的,可能不再只是一個問題,而是一項需要追蹤與驗收的任務。

Perplexity Teammates 深度解析:AI Agent 接長期任務

Perplexity 對 Teammates 的定位相當明確:

「Teammates are agents for complex, ongoing work.」

它不只回答一次問題。使用者交出一個目標後,多個 Agent 分工推進,並持續維護任務狀態。

這與過去使用 Perplexity 的方式不同。典型流程是提問、搜尋,再取得一份附帶引用的答案。Teammates 則把目標交給多個獨立 Agent,由它們協作完成一條任務鏈。

真正值得關注的,不只是多了一個聊天視窗,而是 AI Agent 的產品邊界正逐漸向長期任務延伸。

Teammates 不只是另一個聊天視窗

單次問答的終點是產生答案;長期任務的終點則是交付成果。兩者可能相隔數小時,也可能包含十幾個步驟。

例如,「研究美國儲能市場,整理成供投資委員會討論的簡報」,並不適合塞進一則 Prompt。過程通常需要:

  • 蒐集公司公告、行業報告與監管文件;
  • 交叉檢查採用不同口徑的數據;
  • 保存已查到的來源,避免重複搜尋;
  • 遇到資訊缺口時調整任務,而不是從頭開始;
  • 最後彙整成附帶引用的文件。

Teammates 的產品邏輯,是讓多個獨立 Agent 圍繞同一個目標協作。每個 Agent 負責不同子任務,共用整體目標,同時保留各自的工作上下文。

因此,介面中的核心單位不再只是「一問一答」,而是更接近一項任務。

使用者需要回答的問題也跟著改變:

  • 目標是什麼?
  • 任務要執行到什麼程度?
  • 可以使用哪些資料?
  • 哪些操作需要確認?
  • 什麼狀態才算完成?

這也是 Teammates 與一般聊天視窗最实际的差別:聊天視窗以訊息為中心,Teammates 則以任務為中心。

從搜尋答案到分配任務

Perplexity 過去以 AI 搜尋引擎為核心。使用者輸入查詢,系統擷取網頁、整理結果並提供引用。

Teammates 把這條流程向下延伸一步。搜尋不再只是最終輸出,而是 Agent 執行工作時的一種工具調用。

互動方式也隨之改變。

在一般搜尋中,使用者負責拆解問題;在 Teammates 中,使用者更像專案負責人,先交出目標,再由多個 Agent 拆分、協作並追蹤執行過程。

開放式搜尋通常需要人即時判斷下一步該查什麼;持續性任務則要求系統自行維護計畫。

Perplexity 正從 AI 搜尋引擎延伸為能持續執行工作的 Agent 平台。值得關注的不是「搜尋公司也開始做 Agent」,而是它原本就具備兩項基礎能力:

  1. 從公開網頁找到資料;
  2. 為結論附上來源。

多數通用 Agent 平台也有搜尋工具,但未必將「檢索—引用—核驗」打造為預設工作流程。Perplexity 的優勢恰好落在這條鏈路上。

長期任務才是真正的考題

Agent 展示中最吸睛的往往是前十秒:拆解目標、調用工具,生成一份看起來完整的文件。真正的壓力出現在後續:任務執行兩小時後,狀態是否仍然存在?工具失敗後能否恢復?資料過時後是否會主動重新查核?

長期任務至少需要五項能力。

1. 上下文管理

任務開始時,系統知道目標。執行數小時後,它仍必須記得限制條件、已完成事項與當前阻塞點。

這不只是擴大上下文視窗。視窗更大,只代表能容納更多文字,不代表 Agent 能正確取出相關內容。

2. 工具調用

搜尋只是其中一種工具。長期工作還可能涉及讀取文件、執行程式、呼叫 API,以及將中間結果寫回任務空間。

如果工具回傳空結果、逾時或資料結構改變,Agent 不能繼續生成一段「看似合理」的文字。它應該辨識失敗,再決定重試、改走其他路徑,或將問題交還給使用者。

3. 任務銜接

多個 Agent 協作時,最容易出問題的是交接。

一個 Agent 撰寫市場分析,另一個 Agent 進行財務核驗。前者使用的數據口徑、單位與時間範圍,必須完整傳遞給後者。否則,多 Agent 只是把同一種錯誤並行放大。

4. 錯誤復原

持續工作的現實世界很少一次就成功。目標可能需要調整,網頁會失效,來源會互相衝突,API 也會遭到流量限制。

能穩定跑完流程的 Agent,必須分辨哪些錯誤可以重試、哪些需要改變計畫,以及哪些必須停止並由人介入。

5. 完成判定

Agent 最危險的失敗方式,不是說「我做不了」,而是宣稱自己已完成,實際上卻只做完表面動作。

例如,使用者要求提交附帶引用的產業報告,Agent 產出文件,卻沒有逐一開啟引用進行核驗。這類問題在短答中容易被忽略,在長期任務中則會變成交付事故。

因此,Teammates 真正的評價指標應該是任務完成率、重試後的復原率、人工接管次數與引用正確率,而不是一段三分鐘的示範。

HN 47 分背後的產品爭議

相關消息登上 Hacker News 首頁,獲得 47 points 與 36 則留言。

這波熱度不算爆款,但足以讓產品問題進入開發者的視野。HN 頁面:

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

開發者通常會追問幾個問題。

第一,與 LangGraph、CrewAI、AutoGen 等框架相比,Teammates 的執行模型有何不同?

第二,它能否匯出任務紀錄、上下文與中間產物?

第三,使用者能否控制 Agent 使用哪些資料來源、工具與權限?

第四,任務中斷後能否接續,還是必須重新發起?

Teammates 目前更像面向終端使用者的工作型產品,而不是讓開發者編排狀態圖的框架。現有 Agent 框架強調節點、狀態、条件分支與人工審核;Teammates 則強調交辦目標、多 Agent 協作與過程追蹤。

這兩條路線都可能成立。

開發者需要的是控制權,業務使用者需要的則是更少設定與更清楚的結果。誰能同時提供兩者,誰就更有機會成為長期任務的預設入口。

搜尋公司的 Agent 路線

Perplexity 推出 Teammates,有一條合理而順暢的產品路徑。

搜尋引擎解決「找到資訊」,Teammates 則試圖解決「圍繞資訊完成工作」。中間增加的不是聊天視窗,而是一整套執行系統:任務規劃、Agent 分工、工具調用、狀態保存、來源引用與最終交付。

與通用 Agent 平台相比,它可能在三個方面占優。

第一,搜尋與引用是原生能力。

使用者不必先安裝搜尋外掛,再等待 Agent 自行拼裝研究流程。面對市場分析、競品調查、政策檢索等以公開資訊為主的工作,這是直接優勢。

第二,產品入口更輕量。

通用框架通常要求開發者先設計 Agent、狀態與工作流程,Teammates 的使用者只要描述目標即可。代價是控制粒度較粗。

第三,結果更容易解釋。

Perplexity 長期強調引用。長期運作的 Agent 若能讓每個結論都追溯至來源,使用者才敢把任務交給它。

但它也有明顯短板。

通用 Agent 平台可以串接企業內部資料、私有 API 與自訂工具。Teammates 若主要依賴公開搜尋,就難以涵蓋那些必須讀取內部系統的工作,例如程式碼修改、營運設定與跨 SaaS 審核,這些都需要更深的權限與執行能力。

還有一個問題:搜尋擅長蒐集目前可取得的資訊,卻不天然擅長判斷流程是否正確。

這正是 Agent 平台最終必須補上的部分。

編輯觀點

Teammates 的重要性,不只是多了一個產品名稱,而是 Agent 的入口正在轉移:從臨時助手變成持續協作者。過去,使用者以一次對話為單位組織工作;現在,任務狀態、錯誤復原與交付驗收開始進入同一個介面。

這會改變使用者評估 AI 的方式。大家不再只看一段回覆是否流暢,而會檢視任務是否真正跑完、引用能否複核,以及失敗後能否續跑。

我的判斷是,搜尋型公司會先切入研究、盡職查核與資訊整理市場,不會立即拿下所有企業自動化需求。前者依賴公開資料、引用與快速交辦,符合 Perplexity 現有的優勢;後者則需要內部權限、長期記憶、可靠復原與人工審核。

這次與過去不同,Teammates 直接將多 Agent 協作包裝成使用者產品,而不只提供框架能力。47 points、36 則留言表示它已進入開發者的視野,但不代表產品已經定型。我還不清楚它的實際完成率、權限模型與任務可攜性。這些指標才決定它是一場成功的示範,還是能融入日常工作流程的基礎設施。

來源

來源: https://www.perplexity.ai/en-GB/hub/blog/teammates-are-agents-for-complex-ongoing-work