当前，AI领域正经历一场深刻的形态变革。OpenAI、Anthropic和Google等行业巨头正推动模型能力从单任务响应转向自主执行复杂工作流，生产力工具越来越强调无缝集成与长时间自治。同时，AI的操作形态也从被动查询转向主动代理，结合实时搜索、记忆持久化和工具调用，旨在实现端到端的项目管理。
在实际的日常AI工具使用中，存在着一个明显的痛点：我们往往需要根据任务类型切换不同的模型。比如，写代码时可能更倾向于使用Claude系列，寻找网络资源时会用Grok，而需要进行深度研究和思考时，Gemini可能是更好的选择。如果一个复杂项目同时涉及这些方面，用户就不得不手动将任务拆分，然后在不同的模型间来回切换。
正是在此背景下，Perplexity于2026年2月25日推出了名为“Perplexity Computer”的新产品。这标志着AI正从单一的辅助工具，向能够承担通用工作的数字“同事”迈出关键一步。
与Cowork类（以单一模型为核心的桌面办公智能体）或OpenClaw（旨在打通各领域工具的智能体）不同，Perplexity Computer选择了另一条路径：让多个擅长不同领域的大模型协同服务于一个需求。这是一条“多大模型联合”的路，其目标是让用户无需在面对代码、写作、深度研究等不同任务需求时频繁切换工具。
一个系统协调19个AI模型：完全自主的“计算机”
Perplexity Computer被定位为一个通用数字工作者。它将文件、工具、内存和多个AI模型统一到一个云端系统中，目标是实现从研究、设计、编码到部署的全栈项目自治执行。该产品初期面向Perplexity Max订阅用户开放。
其最引人注目的特点是可并行协调多达19个不同的AI模型。系统以Claude Opus作为核心任务调度器（router），将用户描述的整体目标分解为任务和子任务，并动态生成专门的子智能体（sub-agents）来执行。每个子任务都会被智能地路由到最适合处理它的模型上，例如研究任务可能交给Gemini，快速执行任务交给Grok，而核心推理则由Opus负责。
这意味着，系统能够充分发挥各个模型在其擅长领域的优势，避免单一模型在复杂、多元化项目中的能力瓶颈。这一设计源于当前大模型发展日益垂直化和专业化的趋势，通过智能编排来实现综合效能的最大化。
Perplexity Computer的核心能力在于智能委托、实时搜索、持久记忆和工具集成。每一个子智能体都在一个隔离的计算环境中运行，可以访问真实的文件系统、浏览器和API接口，从而进行网页研究、文档生成、数据处理或调用已连接的服务。整个协调过程是自动且异步的，用户可以同时运行数十个Perplexity Computer实例来处理不同的长周期项目。
上图清晰地展示了Perplexity Computer的工作流程：从描述目标、分解任务、创建子代理执行，到最后交付成果，完全在一个安全、集成的框架内完成。
或替代30000美元彭博终端：提示词是关键
了解了Perplexity Computer的核心设计思想后，我们可以发现，它主要扮演着一个AI模型智能调度与协调者的角色，而非提供全新的底层模型能力。它的价值在于如何高效地组织与调用现有最强大的模型来完成特定任务。
因此，功能的效果好坏，一方面依赖于其调度的模型本身是否强大，另一方面也极其依赖用户提出的指令（prompt）是否清晰、准确。产品发布后，迅速引起了行业内的广泛讨论。
Stability AI创始人Emad Mostaque转发了相关推文，他认为Perplexity Computer将对金融等逻辑密集型的行业产生特别重大的影响。
AI开发者Savaer则发帖进行了更深入的技术分析。他指出，Perplexity Computer不是“一个有记忆的聊天机器人”，而是一个“关闭你的待办事项列表的系统”。它具备持久的项目上下文记忆、数百个工具连接器，并能从上次中断的地方继续工作。其基于使用量的定价和高度可配置的代理模型选择，在当前面向用户的产品中非常罕见。
最令人印象深刻的实践来自Boldmetrics联合创始人兼CTO Morgan Linton。他分享了自己使用Perplexity Computer“一键生成”一个全栈基金工作流的经历。该工作流生成了超过4500行代码，并成功运行。Morgan表示，他的目标就是构建一个价值超过每年30000美元Bloomberg终端的系统。他构建的系统旨在用1-2人的监督来运行一个小型基金的核心工作流，替代原本需要10名分析师在终端前工作的模式。
在后续的帖子中，Morgan分享了关键经验：提出清晰的核心想法并构建详细的提示词是成功的关键。他编写了一个庞大的提示词（Prompt），将Perplexity Computer定义为一个自主的工程、产品和研究团队，并详细规定了其目标、工作方式和产出标准。
其他网友也表达了看法。有评论认为，如果它能真正实现从研究、设计、编码到部署的端到端流程，将成为快速原型开发的颠覆性工具，极大提升小团队的构建和迭代速度，尽管也需关注其处理边缘情况的可靠性。
当然，也存在不同的声音。例如，前Coinbase工程师Ejaaz等人认为，该功能在技术上并不具备绝对的“护城河”，因为它高度依赖Claude、GPT等第三方模型的能力。如果有必要，构建更垂直、更优秀的类似版本是可行的。
AI工具形态革命：从功能原子到系统分子
从各式各样的垂直领域AI助手，到前段时间引发热议的OpenClaw，再到各大厂商的工具整合与检索增强功能，我们可以清晰地看到：当前AI发展的瓶颈，不仅在于模型本身的性能，更在于“如何使用模型”的应用层设计。
Perplexity Computer的推出，标志着AI行业的竞争正从纯粹的模型性能比拼，更加白热化地转向应用生态和用户体验的竞争。其核心解决的是大模型能力“碎片化”的痛点，试图在一个统一的端口，智能调度多个模型的优势能力，形成一个强大的AI智能体系统。
这代表了AI工具形态的一次重要进化。历史上的计算机从简单的计算器演变为复杂的操作系统，如今的AI工具也在经历类似的跃迁：从依赖单个大模型特定能力的“原子”功能，走向由多个大模型智能协同构成的“分子”系统。
这种系统级的AI智能体若发展成熟，将可能重塑许多行业的工作流程，尤其是像金融、研究、软件开发等涉及复杂、多步骤逻辑的领域。它为如何更高效地利用现有AI能力集群，提供了一个全新的思路和可行的产品方向。对于开发者而言，关注此类系统级AI应用的设计哲学，或许比单纯追逐某个模型的版本更新更有意义。欢迎在云栈社区继续探讨AI智能体的未来发展趋势。
发表于 10 小时前
|
查看: 0|
回复: 0
