مهارات ذاتية التحسين

كيف يتعلّم Perplexity Brain الإجراءات المتكررة من التجربة ويحافظ على تحديثها.

المؤلفونPerplexity Engineering

مقدمة

لدى المستخدمين تفضيلات ومتطلبات خاصة بسير العمل لا يمكن لنموذج عام الأغراض أن يعرفها مسبقًا. ويحتاج الوكيل إلى تعلّم هذه التفاصيل لتكييف عمله مع المستخدم، بدلًا من مطالبة المستخدم بشرح الإجراء نفسه أو إجراء التصحيحات نفسها في كل جلسة. والتعلم المستمر يجعل ذلك ممكنًا: فالخبرة المكتسبة من المهام المكتملة ينبغي أن تُوجّه طريقة تعامل الوكيل مع العمل المستقبلي.

يُمكّن Brain، نظام التحسين الذاتي المخصّص في Computer، من التعلّم عبر التجربة. فهو يحتفظ بالفعل بـ ويكي معرفة منظّم يربط المعلومات المتعلقة بالمستخدم وعمله بالأدلة التي تدعمها. ويُحدّث وكلاء الخلفية هذا الويكي مع تراكم المعلومات الجديدة، فيتحسن نظام الذاكرة بمرور الوقت.

توفر مهارات الوكيل طريقة أخرى لتوجيه سلوك الوكيل دون تغيير النموذج الأساسي. والمهارات تعليمات قابلة لإعادة الاستخدام توجّه الوكيل خلال مهام معينة. وهي تلتقط المتطلبات والموارد الداعمة لسير العمل المتكرر التي كان الوكيل سيحتاج لولاها إلى استنتاجها من الذاكرة أو تلقيها من المستخدم في كل مرة، ما يُحسّن الأداء في المهام الواقعة خارج نطاق التوزيع. ويمكن أن تتضمن أيضًا نصوصًا برمجية للإجراءات المتكررة أو المعالجة التي يمكن التعبير عنها بموثوقية في صورة كود، بحيث يمكن للوكيل ببساطة تشغيل تلك النصوص البرمجية عند الحاجة إليها. ويجعل harness المهارات المتاحة قابلة للاكتشاف، ويحمّل تعليماتها في السياق عندما يطلبها الوكيل. ويمكن للمستخدمين أيضًا تحديد المهارات التي يجب استخدامها مباشرةً في الطلب.

نعمل على توسيع Brain لإنشاء مهارات الوكيل وتحديثها تلقائيًا. يعتمد Brain على ذاكرة المستخدم وسجل جلساته لكتابة مهارات شخصية وصقلها، تلتقط إجراءات سير عمل ذلك المستخدم. ونطبّق نهجًا مماثلًا لتحديث المهارات المدمجة، المتاحة لكل مستخدمي Perplexity، استنادًا إلى أنماط مجمّعة عبر جميع الجلسات.

يجمع الوكيل بين القدرات العامة وسياق المهمة المختار والخبرة الشخصية. ويستخدم النموذج الأساسي سياق العمل لاختيار الخطوة التالية، ويتغير هذا السياق مع تقدّم المهمة. ويوفّر Brain الذاكرة والمهارات الشخصية، ثم يستخدم أدلة الجلسات المختارة لإجراء تحديثات لاحقة، رهنًا بالفحوصات والتفويض. ويغيّر التخصيص السياق والتعليمات، لا أوزان النموذج. وتُختار المصادر حسب الحاجة ولا تُحمَّل كلها دفعة واحدة؛ ويبسّط هذا العرض المفاهيمي آليات التحديث.

نصف أولًا محرك التحسين الذاتي المشترك بين جميع أنواع المهارات، ونشرح كيف يعمل مع المهارات الشخصية والمدمجة.

محرك التحسين الذاتي المشترك

حتى المهارة المفيدة تحتاج إلى التغيير مع ظهور تفضيلات جديدة أو عندما تكشف التجربة عن ثغرات في تعليماتها. يتولى Brain مسؤولية اكتشاف الكيفية التي ينبغي أن يتغير بها سلوك الوكيل في المرة التالية التي يواجه فيها Computer مهمة مماثلة، وتحديد الكيفية التي ينبغي أن تتغير بها المهارة لتحقيق النتيجة المرجوة على نحو أفضل.

تُشكّل عملية التحسين هذه حلقة من أربع مراحل:

  1. الأدلة. يعثر Brain على الجلسات السابقة التي استُخدمت فيها المهارة، ولا سيما تلك التي قصّرت فيها.
  2. التأمل. يدرس وكيل التحسين تلك الأدلة ويقترح تحديثات للمهارة.
  3. التحقق. تؤكد الفحوصات أن المقترح سليم البنية ومن المرجح أن يُحسّن النتائج.
  4. التفعيل. يُطبَّق التغيير الذي تم التحقق منه. وتستخدم الجلسات المستقبلية النسخة الجديدة، فتوفر أدلة للجولة التالية.
يختار Brain الجلسات السابقة التي استُخدمت فيها المهارة، ولا سيما تلك التي لم تؤدِّ فيها المهارة على النحو المطلوب. ويقترح وكيل تحسين تحديثًا، وتُقيِّم الفحوصات ما إذا كان سليم البنية ومن المرجّح أن يحسّن النتائج. وبعد تطبيقه، يُستخدم الإصدار الجديد في الجلسات المستقبلية، ما يوفّر أدلة للجولة التالية.

تعتمد هذه الحلقة على كثير من القدرات الحالية المبنية لـ Computer وBrain. نصف هنا الآليات المشتركة التي تُمكّن مرحلتَي الأدلة والتأمل. أما إجراءات التحقق والتفعيل فتعتمد على ما إذا كان التغيير يصل إلى مستخدم واحد أو إلى جميع مستخدمي Perplexity، لذا نتناولها في الأقسام التالية حول حلقتَي تحسين المهارات الشخصية والمدمجة.

أدلة من الجلسات السابقة

يتطلب التأمل العثور على الجلسات التي استُخدمت فيها مهارة ما، ولا سيما تلك التي تتسع فيها مساحة التحسين. ويسجّل harness الخاص بـ Computer إشارات تجعل ذلك ممكنًا. فعندما يحمّل الوكيل مهارة، يسجّل harness حدث تحميل مهارة يربط المهارة بالجلسة. وعندما يلاحظ الوكيل إحباط المستخدم أو سلوكًا معطّلًا أو عدم كفاءة واضحًا، يقدّم تشخيصًا قصيرًا ومنظّمًا، ويُرفق harness المهارات المستخدمة. وتفيد هذه الإشارات خصوصًا في المهارات المدمجة، إذ قد تكون أي جلسة ذات صلة، لذا يحتاج النظام إلى طريقة لتضييق مجموعة الأدلة بسرعة.

يستفيد الوكلاء من الوصول إلى السجل الكامل، بدلًا من إصدار حكم بناءً على النتيجة أو ملخص قصير. يخزّن Computer الجلسات السابقة باستخدام تمثيلات للمسارات مستقلة عن المزوّد، تلتقط الرسائل واستدعاءات الأدوات والاستدلال والنتائج. وقد بنينا أيضًا مجموعة من أدوات سطر الأوامر يمكن للوكلاء استخدامها لفك ترميز هذه المسارات وإعادة بناء الجلسات كاملة. وهذا يُمكّن وكيل التأمل من فحص عمليات تحميل مهارات واستدعاءات أدوات بعينها، وتحديد النقاط الدقيقة التي حدثت فيها المشكلات أو التي كان يمكن إجراء تحسينات فيها.

bash
# Decode a stored trajectory into structured messages, # including tool calls, their arguments, and their results. python3 deserialize_trajectory.py \ --convo-path session/convo.pb.lz4 \ --jsonl -o session.jsonl # Identify which skills the agent loaded and how often. python3 list_skills_used.py session.jsonl # Read one turn in detail, including its tool calls and results. python3 deserialize_trajectory.py \ --convo-path session/convo.pb.lz4 \ --turn 3 -o turn-3.md # Recover earlier steps preserved before a context compaction. python3 deserialize_trajectory.py \ --convo-path session/compactions/001/original_convo.pb.lz4 \ --jsonl -o earlier-history.jsonl

مثال على استخدام أدوات Computer الداخلية لفحص مسارات التنفيذ. مسارات الملفات والمعرّفات مبسّطة لأغراض التوضيح؛ أما أسماء الأوامر ووسائطها فمطابقة للتنفيذ الفعلي.

التأمل باستخدام وكلاء الخلفية

يستخدم Brain فريقًا من وكلاء الخلفية لتحسين التجربة باستمرار لكل مستخدم. على سبيل المثال، يراجع وكلاء Dream الخبرة المتراكمة لتحديث ويكي المعرفة. وبالمثل، يعتمد تحسين المهارات على وكلاء تحسين يتأملون أدلة استخدام المهارات لاقتراح تحديثات.

يعمل كل وكيل في Sandbox خاصة به مع نموذج رائد، والأدلة ذات الصلة، ومكتبة المهارات الحالية، مسترشدًا بالإضافات والمهارات. ويقرر الجلسات التي سيقرؤها، ويستخلص درسًا ملموسًا من كلٍّ منها، ويجمع الدروس التي تستدعي السلوك القابل لإعادة الاستخدام نفسه. ولأن إصلاح أحد الإخفاقات قد يتعارض مع تعليمات أخرى أو يضيف عملًا في مكان آخر، فإنه يقرأ المهارة كاملة قبل اقتراح أي تعديل، ويمتنع عن الاقتراح عندما لا تدعمه الأدلة.

يعمل وكلاء التحسين على harness نفسه الذي يعمل عليه Computer. وقد جعلنا harness معياريًا، بحيث يمكن لتطبيق وكيل جديد إعادة استخدام آلياته في الاستدلال واستخدام الأدوات وإدارة السياق، مع تحديد تعليماته وقدراته الخاصة عبر الإضافات. ويتيح لنا أسطول مخصص من عمّال الخلفية توسيع نطاق هذه المعالجة بشكل مستقل عن مهام الواجهة الأمامية.

يعمل الوكيل التفاعلي ووكيل التحسين العامل في الخلفية على harness نفسه الخاص بـ Computer. ويستخدم وكيل التحسين أدلة الجلسات والمهارات الحالية لاقتراح تغيير أو الامتناع عن ذلك. ويجب أن يجتاز المقترح فحوصات خاصة بنوع المهارة قبل أن يصبح الإصدار الجديد متاحًا للجلسات المستقبلية.

حلقة تحسين المهارات الشخصية

نصف أولًا كيف يُطبَّق محرك التحسين الذاتي المشترك على حلقة التحسين الشخصي، التي تحوّل سجل مهام المستخدم إلى مهارات شخصية جديدة أو محدَّثة. ويتتبع الشكل أدناه مثالًا لمهارة عبر الحلقة كاملة، وينتهي بالنسخة المنقّحة.

تنتقل حلقة المهارات الشخصية من أدلة الجلسات عبر وكيل التحسين، ثم فحوصات المقترحات، ثم التفعيل. كما تُغذّي المهارات الحالية وكيلَ التحسين، وتصبح التغييرات المُفعَّلة متاحة للجلسات المستقبلية.

خلال عملية توليد يومية، يراجع وكيل التحسين الجلسات الأخيرة للمستخدم لتحديد التغييرات الجديرة بالإجراء. تُحمَّل مجموعة من الجلسات الأخيرة مسبقًا في Sandbox إلى جانب بيانات استخدام المهارات، ويمكن استرجاع بقية سجل جلسات المستخدم عند الحاجة. ويتلقى وكيل التحسين أيضًا فهرس المهارات الحالية. ولا يمكنه الوصول إلى الإنترنت أو إلى الموصلات الأخرى.

توجّه الإضافات والمهارات المصممة لسير عمل تحسين المهارات الشخصية عمليةَ التأمل، مستندةً إلى مبادئنا حول ما يجعل التحديث جيدًا. يحلل الوكيل أولًا المسارات الكاملة لتحديد درس ملموس في كل جلسة. ثم يقارن الدروس بالتعليمات الحالية ويقرر ما إذا كان سيحدّث مهارة، أو ينشئ مهارة جديدة، أو لا يُجري أي تغيير. ويتطلب إنشاء مهارة حدوثين مستقلين للسلوك القابل لإعادة الاستخدام نفسه، بينما يمكن تبرير تحديث مهارة حالية بحدوث واحد مُثبَت.

لا يعدّل الوكيل المهارة مباشرة، بل يُعدّ مقترحًا يسجّل فيه التغييرات المقصودة والمنطق والأدلة الداعمة لها. ويقتصر نطاق التحديثات على تغيير واحد لكل مهارة في كل تشغيل. وتتحقق فحوصات حتمية من أن المقترحات سليمة البنية ويمكن تطبيقها على المهارة. وبشكل منفصل، يدقق مُقيِّم LLM عيّنات من المقترحات، فيتحقق مما إذا كانت الأدلة تدعم التغيير وما إذا كانت المهارة الناتجة تقدّم تعليمات مفيدة.

يحوّل التفعيل المقترح الذي تم التحقق منه إلى تغيير في مكتبة مهارات المستخدم، بحيث يمكن تحميل النسخة الجديدة واستخدامها في الجلسات المستقبلية. ولأن harness يحمّل فهرسًا لجميع المهارات المتاحة في بداية كل جلسة، فإن المكتبة الكبيرة من المهارات قد تُثقل نافذة السياق وتُصعّب على الوكيل العثور على المهارات ذات الصلة وتحميلها. لذلك يحتفظ النظام بالمهارات الأكثر قيمة فقط، ويستبعد المهارات غير الضرورية للحفاظ على مكتبة صغيرة ومنتقاة. وتحديدًا، نفرض حدًا أقصى لكل مستخدم يبلغ 10 مهارات مُنشأة تلقائيًا. وعند بلوغ هذا الحد، يظل بإمكان وكيل التحسين تحديث المهارات أو إزالتها، لكن لإضافة مهارة جديدة يجب عليه استبعاد مهارة حالية وتبرير سبب كون المهارة الجديدة أكثر فائدة لعمل المستخدم.

حلقة تحسين المهارات المدمجة

نوسّع أيضًا إطار عمل Brain للتحسين المستمر للمهارات ليشمل المهارات المدمجة. فبدلًا من استخدام ذاكرة مستخدم واحد وسجل جلساته لتحسين مهاراته الشخصية، تستخدم الحلقة المدمجة أدلة من مستخدمين كثيرين لتحسين المهارات المتاحة لكل مستخدمي Perplexity. ولأن المهارات المدمجة يمكن أن يستخدمها أي شخص، فإن معيار قبول التغييرات مرتفع؛ إذ إن التحديثات التي تُضعف الأداء دون قصد قد تؤثر في آلاف الجلسات. ولا يغيّر وكيل التحسين المدمج سوى النسخ المرشّحة من المهارات. وللوصول إلى النسخة المعتمدة من المهارة، يجب أن تمر هذه التحديثات عبر إعادة التشغيل المقترنة والمراجعة البشرية الداخلية. ومرة أخرى، نتتبع الحلقة كاملة باستخدام مثال لمهارة وأدلة داعمة.

تُنتج الجلسات الفاشلة سببًا جذريًا وسيناريوهات فشل محجوبة. يستخدم وكيل التحسين السبب الجذري والأمثلة السليمة لاقتراح نسخة منقّحة، ولا تُعرض عليه السيناريوهات أبدًا. تقارن إعادة التشغيل المقترنة بين المهارتين الحالية والمنقّحة على الاختبارات نفسها، وتنتقل النسخ المرشّحة الناجحة إلى المراجعة البشرية قبل الموافقة عليها ودمجها.

تستخدم حلقة التحسين المدمجة أدلة منقّاة من الجلسات المؤهلة للاستخدام في التدريب. وتُستخدم التشخيصات وإشارات الفشل لاختيار الأدلة ذات الصلة، إلى جانب جلسات ضابطة استُخدمت فيها المهارة دون إثارة أي تنبيهات. ويزيل مسار تنقية بيانات الاعتماد والأسرار الأخرى، إضافةً إلى الملفات والوسائط المرفقة.

يحوّل وكيل توليد السيناريوهات الأدلة المنقّاة إلى سيناريوهات فشل ملموسة. ويحتفظ فقط بالسياق اللازم لفهم حالة الفشل وتحسين المهارة؛ أما بقية الجلسة فيُعاد بناؤها اصطناعيًا، ما يُنشئ اختبارًا مستقلًا بذاته لعملية التحقق. ويجب أن تعمل السيناريوهات دون تطبيقات متصلة أو تسجيل دخول؛ فإذا كانت المهمة الأصلية تعتمد على موصل، يُستبدل ذلك المُدخل بملفات اصطناعية في السيناريو. ويتحقق فحص منفصل من أن المهارة تفشل في السيناريو المُولَّد.

يحدث التأمل عبر مهمة تنقيح أسبوعية تحوّل الإخفاقات المرصودة إلى إصلاحات. وهي تبحث عن إخفاقات المهارات التي تتكرر عبر جلسات متعددة، حتى لا تؤدي جلسة سيئة واحدة إلى إجراء تعديل. ويحصل كل إخفاق متكرر على تشغيل منفصل لوكيل التحسين. ويتلقى الوكيل وصفًا للسبب الجذري، إلى جانب سجلات منقّاة من الجلسات الناجحة. ويستخدم هذه الأدلة لكتابة نسخة منقّحة مرشّحة من المهارة. ولا يتلقى سيناريوهات الفشل كاملة، لأنها تُستخدم في التقييم.

تستخدم مهمة إعادة تشغيل منفصلة السيناريوهات المُولَّدة لمقارنة النسختين الأصلية والمنقّحة من المهارة. ويقيّم مُقيِّم LLM إجابات الوكيل ومساراته وفق معايير التقييم الخاصة بكل سيناريو. ولكي يجتاز المقترح، يجب أن ينجح كل سيناريو اختباري مع المهارة المنقّحة، وأن يفشل سيناريو واحد على الأقل مع المهارة الأصلية. كما يُعاد تشغيل السيناريوهات المبنية من الجلسات الضابطة للتأكد من أن شيئًا لم يتوقف عن العمل. وفي سيناريوهات الفشل، يتحقق المُقيِّم أيضًا من وقوع الإخفاق المحدد، بدلًا من اعتبار أي مهمة غير ناجحة دليلًا على المشكلة نفسها.

يجمع سير العمل التغييرات المرشّحة ونتائج التقييم في pull request للمراجعة البشرية الداخلية. ولا تدخل التغييرات حيز التنفيذ إلا إذا وافق أحد المهندسين على الـ PR.

التقييمات

أدى التحسين التلقائي للمهارات إلى زيادة كبيرة في إنشاء المهارات واستخدامها. فقد كتب Brain أكثر من 80,000 مهارة شخصية لأكثر من 20,000 مستخدم بين 1 أغسطس و14 نوفمبر. إضافةً إلى ذلك، طُبِّق أكثر من 100,000 تحديث تلقائي على أكثر من 30,000 مهارة شخصية حالية بين 4 سبتمبر و14 نوفمبر.

تغطي هذه المهارات طيفًا واسعًا من المجالات والمهام، من التحقق من البرمجيات إلى مطابقة كشوف الرواتب إلى تصميم الأشكال البيانية. وقد صنّفنا المهارات التي أنشأها Brain بناءً على سير العمل الذي تصفه. وحتى أكبر المجالات، وهو هندسة البرمجيات، لم يمثّل سوى 11% من المهارات؛ تليه مجالات البحث والإحاطات (10.1%)، والمبيعات والعمليات (9.9%)، والتمويل والاستثمار (9.9%).

من بين 64,230 مهارة شخصية أُنشئت تلقائيًا من 1 أغسطس إلى 4 نوفمبر، استحوذت هندسة البرمجيات على الحصة الأكبر (11.0%)، يليها البحث والإحاطات (10.1%). وتمثل المجالات العشرة المعروضة 80.3% من جميع المهارات في العيّنة.

أجرينا اختبارًا عشوائيًا لمدة ثمانية أسابيع على حركة الاستخدام الفعلية، قارنّا فيه المستخدمين الذين فُعِّل لديهم التحسين التلقائي للمهارات الشخصية بمجموعة ضابطة عُطِّل لديها. حصل 72.9% من الأشخاص الذين فُعِّل لديهم تحسين المهارات على مهارة شخصية جديدة واحدة على الأقل، في حين لم يُضف يدويًا مهارة جديدة سوى 6.5% من الأشخاص الذين لم يُفعَّل لديهم. وحُمِّلت مهارة شخصية في محادثة بدأها أكثر من نصف أفراد المجموعة التجريبية (53%)، مقارنةً بـ 13% في المجموعة الضابطة؛ وحمّلت أدوارهم في المحادثة مهارة شخصية بمعدل يقارب 3.6 أضعاف. ومن بين العملاء الذين حصلوا على مهارة كتبها Brain، استخدم 63% منهم إحدى هذه المهارات مجددًا في محادثة لاحقة خلال أربعة أسابيع.

في اختبار إنتاجي عشوائي استمر ثمانية أسابيع، حصل 72.9% من المستخدمين الذين فُعِّل لديهم التحسين التلقائي للمهارات على مهارة شخصية جديدة واحدة على الأقل، مقارنةً بـ 6.5% من المجموعة الضابطة. وحُمِّلت مهارة شخصية في محادثة بدأها المستخدم لدى 53% من المجموعة المُفعَّلة و13% من المجموعة الضابطة.

تسعى تقييماتنا إلى تحديد كيفية تأثير هذه المهارات الجديدة والمحدَّثة في تنفيذ المهام والأداء العام.

تُظهر نتائج التجربة العشوائية نفسها انخفاضًا في إخفاقات استدعاء الأدوات وفي عدم رضا المستخدمين. فبالنسبة إلى المستخدمين الذين يتمتعون بالتحسين التلقائي للمهارات، انخفض معدل إخفاق استدعاءات الأدوات بنسبة 11% عبر جميع أنشطة Computer. وباستثناء عمليات التشغيل الخلفية الخاصة بالنظام نفسه، ظلت استدعاءات الأدوات تفشل بنسبة أقل بنحو 7%، ما يشير إلى تحسّن الموثوقية في عمل المستخدم. وانخفض عدم رضا المستخدمين، مقيسًا بعدد السلاسل ذات عدم الرضا المتوسط/المرتفع لكل مستخدم، بنسبة 7.6%. ولم نلحظ أي تغيير قابل للقياس في التكلفة أو زمن الاستجابة. تُظهر هذه الاختبارات المبكرة نتائج واعدة، ونتوقع أن تزداد التحسينات بمرور الوقت مع صقلنا للنظام وطرح المهارات ذاتية التحسين لمزيد من المستخدمين.

سجّلت التجارب خارج بيئة الإنتاج أيضًا تحسينات في سياقات أضيق. ففي تجربة على SkillLearnBench، استخدم Computer مسارات المهام السابقة لإنشاء مهارة شخصية واحدة لكل عائلة من عائلات المهام التسع. وعبر 16 حالة تقييم مقترنة، ارتفع معدل نجاح المهام من 43.8% دون مهارات إلى 62.5% مع المهارات المُولَّدة، ما يقدّم دليلًا على أن المهارات المستمدة من التجربة السابقة يمكن أن تُحسّن الأداء في المهام المتكررة. وفي دراسة حالة واحدة على مهارة مدمجة، أدت التعديلات على مهارة للتجارة الإلكترونية إلى زيادة الجودة بنسبة 6% مع خفض التكلفة بنسبة 32%، وقد قيست الجودة بواسطة مُقيِّم آلي.

الخلاصة

تمنح المهارات ذاتية التحسين Computer طريقة أخرى للتعلم من العمل الذي يؤديه. فهي توسّع Brain لإنشاء ذاكرة إجرائية والحفاظ عليها، ما يُحسّن الأداء في سير العمل المعقد. وقد أدى التحسين التلقائي للمهارات بالفعل إلى زيادة استخدام المهارات، وخفض معدلات إخفاق الأدوات، وتقليل عدم رضا المستخدمين.

أصبح تحسين المهارات الشخصية متاحًا الآن لجميع مشتركي Max في الولايات المتحدة. وهو مُفعَّل افتراضيًا للمستخدمين المؤهلين، لكن يمكن إيقافه. وتعرض علامة التبويب «الإضافات» المهارات المتاحة، وتحدد تلك التي أنشأها Brain، وتتيح للمستخدمين اختيار المهارات المُفعَّلة.

بعد ذلك، سنوسّع نطاق التحسين ليشمل فئات أخرى من المهارات، بما في ذلك المهارات التي ينشئها المستخدمون، والمهارات المشتركة داخل المشاريع، ومهارات المؤسسات. وسنواصل صقل مسار التحسين وتقييماته بحيث تؤدي النسخ المنقّحة إلى إجراءات أكثر موثوقية ونتائج أفضل.

الاستشهاد

BibTeX
@online{perplexity2026SelfImprovingSkills,
  author = {{Perplexity} and Nicholas Bien and Se Won Jang and Kate Jung and Nikila Venkat and Jarrod Bryan and Claire Beamer and Jeremy Yang},
  title = {{Self-improving skills}},
  date = {2026-11-18},
  url = {https://www.perplexity.ai/hub/blog/self-improving-skills}
}