上月Perplexity发布了名为"Computer"的云端智能体工具,用于利用多个不同AI模型完成任务。本周,该公司将这种功能扩展到桌面端,推出了同样令人困惑命名的"Personal Computer",目前仅通过邀请提供早期访问。
与云端版本类似,Personal Computer要求用户描述总体目标而非具体的计算任务。介绍视频显示Personal Computer在侧边栏中询问诸如"创建交互式教育指南"和"制作关于鲸鱼的播客"等问题。但运行在Mac Mini上的Personal Computer还为Perplexity的智能体提供了对本地文件和应用的访问权限,可以直接打开和操作这些应用来尝试完成任务。
这对开源OpenClaw(前身为Moltbot)用户来说应该很熟悉,该工具同样允许用户让AI智能体在个人机器上自由操作。从外观上看,Personal Computer更像是同一概念的精致化、用户友好版本,配备易读的可停靠界面,帮助用户跟踪多项任务。Perplexity用户还可以远程登录其本地Personal Computer,使其"可从任何设备、任何地方进行控制"。
如果让"你的持续数字代理"访问私人本地文件的前景让你担心,你并不孤单。Perplexity承诺Personal Computer在"具有明确保障措施的安全环境"中运行,所有"敏感操作"都需要用户批准,系统保留每个会话的"完整审计跟踪",并具有在极端情况下阻止事态失控的"终止开关"。考虑到OpenClaw和其他AI工具在获得类似访问权限时造成(或几乎造成)不可挽回损害的广泛报道,这些保障措施可能是必要的。
在没有直接"早期访问"Personal Computer的情况下,很难知道Perplexity的产品能在多大程度上将这种智能体AI用法转变为普通用户可以在本地计算机日常环境中依赖的工具。但Perplexity并非独自追求这一目标;据报道,Nvidia正在开发自己的开源OpenClaw竞争对手,还有许多初创公司和知名品牌正在建立具有不同功能级别的智能体AI工具。
除了Personal Computer,Perplexity还宣布了云端Computer智能体的企业版,可通过连接器与各种企业应用交互。该公司的Search、Agent、Embeddings和Sandbox平台现在也可通过API而非Perplexity的标准界面使用。
Q&A
Q1:Perplexity的Personal Computer是什么?
A:Personal Computer是Perplexity推出的桌面端智能体工具,运行在Mac Mini上,能够让AI智能体直接访问用户的本地文件和应用程序,通过操作这些程序来完成用户描述的总体目标任务。
Q2:Personal Computer的安全保障措施有哪些?
A:Personal Computer在安全环境中运行,具有明确保障措施,所有敏感操作都需要用户批准,系统保留完整的审计跟踪记录每个会话,并配备终止开关以在极端情况下阻止事态失控。
Q3:Personal Computer与云端Computer有什么区别?
A:主要区别在于Personal Computer运行在本地桌面(Mac Mini),可以直接访问和操作本地文件及应用,而云端Computer是基于云的服务。此外,Personal Computer支持远程登录控制,可从任何设备访问。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。