खुद को बेहतर बनाने वाले कौशल
Perplexity Brain अनुभव से बार-बार होने वाली प्रक्रियाएँ कैसे सीखता है और उन्हें अद्यतन कैसे रखता है।
परिचय
उपयोगकर्ताओं की वर्कफ़्लो से जुड़ी ख़ास प्राथमिकताएँ और आवश्यकताएँ होती हैं, जिन्हें कोई सामान्य-उद्देश्य मॉडल पहले से नहीं जान सकता। उपयोगकर्ता के अनुसार अपना काम ढालने के लिए एजेंट को ये विवरण सीखने होते हैं, ताकि उपयोगकर्ता को हर सत्र में वही प्रक्रिया समझानी या वही सुधार न करने पड़ें। निरंतर सीखना इसे संभव बनाता है: पूरे हो चुके कार्यों का अनुभव यह तय करने में मदद करना चाहिए कि एजेंट भविष्य के काम को कैसे करे।
Brain, Computer का व्यक्तिगत आत्म-सुधार सिस्टम, अनुभव के ज़रिए सीखना संभव बनाता है। यह पहले से ही एक संरचित नॉलेज विकी बनाए रखता है, जो उपयोगकर्ता और उसके काम से जुड़ी जानकारी को उसके समर्थन वाले साक्ष्य से जोड़ता है। नई जानकारी जुड़ने के साथ बैकग्राउंड एजेंट विकी को अपडेट करते हैं, ताकि मेमोरी सिस्टम समय के साथ बेहतर होता जाए।
एजेंट कौशल अंतर्निहित मॉडल को बदले बिना एजेंट के व्यवहार का मार्गदर्शन करने का एक और तरीका देते हैं। कौशल पुन: प्रयोज्य निर्देश होते हैं, जो किसी एजेंट को विशेष कार्यों में मार्गदर्शन देते हैं। वे बार-बार होने वाले वर्कफ़्लो के लिए आवश्यकताओं और सहायक संसाधनों को दर्ज करते हैं, जिनका अनुमान एजेंट को अन्यथा मेमोरी से लगाना पड़ता या जिन्हें हर बार उपयोगकर्ता से लेना पड़ता, और इस तरह आउट-ऑफ़-डिस्ट्रीब्यूशन कार्यों पर प्रदर्शन बेहतर होता है। उनमें दोहराई जाने वाली प्रक्रियाओं या ऐसी प्रोसेसिंग के लिए स्क्रिप्ट भी हो सकती हैं जिन्हें कोड में विश्वसनीय रूप से व्यक्त किया जा सकता है, ताकि लागू होने पर एजेंट बस उन स्क्रिप्ट को चला सके। हार्नेस उपलब्ध कौशलों को खोजने योग्य बनाता है और एजेंट के अनुरोध करने पर उनके निर्देशों को कॉन्टेक्स्ट में लोड करता है। उपयोगकर्ता प्रॉम्प्ट में सीधे यह भी बता सकते हैं कि किन कौशलों का उपयोग करना है।
हम Brain का विस्तार कर रहे हैं, ताकि यह एजेंट कौशल अपने-आप बना और अपडेट कर सके। Brain उपयोगकर्ता की मेमोरी और सत्र इतिहास के आधार पर ऐसे व्यक्तिगत कौशल लिखता और निखारता है, जो उस उपयोगकर्ता के वर्कफ़्लो की प्रक्रियाओं को दर्ज करते हैं। हम बिल्ट-इन कौशलों को, जो Perplexity के हर उपयोगकर्ता के लिए उपलब्ध हैं, सभी सत्रों के समग्र पैटर्न के आधार पर अपडेट करने के लिए भी इसी तरह का तरीका अपनाते हैं।
पहले हम सभी प्रकार के कौशलों में साझा अपने आत्म-सुधार इंजन का वर्णन करते हैं, और बताते हैं कि यह व्यक्तिगत और बिल्ट-इन कौशलों के लिए कैसे काम करता है।
साझा आत्म-सुधार इंजन
किसी उपयोगी कौशल को भी समय के साथ बदलना पड़ता है, क्योंकि नई प्राथमिकताएँ सामने आती हैं या अनुभव से उसके निर्देशों में कमियाँ उजागर होती हैं। Brain की ज़िम्मेदारी यह पता लगाना है कि अगली बार जब Computer के सामने कोई मिलता-जुलता कार्य आए, तो एजेंट के व्यवहार में क्या बदलाव होना चाहिए, और यह तय करना है कि वांछित परिणाम बेहतर ढंग से पाने के लिए कौशल में क्या बदलाव किया जाए।
सुधार की यह प्रक्रिया चार चरणों वाला एक लूप बनाती है:
- साक्ष्य। Brain ऐसे पिछले सत्र ढूँढता है जिनमें कौशल का उपयोग हुआ था, ख़ासकर वे जिनमें वह अपेक्षा पर खरा नहीं उतरा।
- चिंतन। एक सुधार एजेंट उस साक्ष्य का अध्ययन करता है और कौशल में अपडेट प्रस्तावित करता है।
- सत्यापन। जाँचें यह पुष्टि करती हैं कि प्रस्ताव सही ढंग से बना है और उससे परिणाम बेहतर होने की संभावना है।
- सक्रियण। सत्यापित बदलाव लागू किया जाता है। भविष्य के सत्र नए संस्करण का उपयोग करते हैं, जिससे अगले दौर के लिए साक्ष्य मिलता है।
यह लूप Computer और Brain के लिए बनाई गई कई मौजूदा क्षमताओं पर निर्भर करता है। यहाँ हम उस साझा तंत्र का वर्णन करते हैं जो साक्ष्य और चिंतन को संभव बनाता है। सत्यापन और सक्रियण की प्रक्रियाएँ इस बात पर निर्भर करती हैं कि कोई बदलाव एक उपयोगकर्ता तक पहुँचता है या Perplexity के हर उपयोगकर्ता तक, इसलिए हम इन्हें आगे के खंडों में व्यक्तिगत और बिल्ट-इन कौशल सुधार लूप के अंतर्गत कवर करते हैं।
पिछले सत्रों से मिला साक्ष्य
चिंतन के लिए ऐसे सत्र खोजना ज़रूरी है जिनमें किसी कौशल का उपयोग हुआ हो, ख़ासकर वे जिनमें सुधार की गुंजाइश हो। Computer हार्नेस ऐसे संकेत रिकॉर्ड करता है जो इसे संभव बनाते हैं। जब एजेंट कोई कौशल लोड करता है, तो हार्नेस एक कौशल-लोड इवेंट रिकॉर्ड करता है जो कौशल को सत्र से जोड़ता है। जब एजेंट उपयोगकर्ता की झुंझलाहट, गड़बड़ व्यवहार या स्पष्ट अक्षमता देखता है, तो एजेंट एक छोटा, संरचित डायग्नोस्टिक दर्ज करता है, और हार्नेस उपयोग में चल रहे कौशलों को उससे जोड़ देता है। ये बिल्ट-इन कौशलों के लिए ख़ास तौर पर उपयोगी हैं, जहाँ कोई भी सत्र संभावित रूप से प्रासंगिक हो सकता है, इसलिए सिस्टम को साक्ष्य के दायरे को जल्दी सीमित करने का तरीका चाहिए।
नतीजे या किसी छोटे सारांश के आधार पर निर्णय लेने के बजाय, पूरे रिकॉर्ड तक पहुँच होने से एजेंटों को फ़ायदा मिलता है। Computer पिछले सत्रों को प्रदाता-निरपेक्ष ट्रैजेक्टरी निरूपणों के रूप में संग्रहीत करता है, जो संदेश, टूल कॉल, रीज़निंग और परिणाम दर्ज करते हैं। हमने कमांड-लाइन टूल का एक सेट भी बनाया है, जिनका उपयोग एजेंट इन ट्रैजेक्टरी को डिकोड करने और पूरे सत्रों को फिर से बनाने के लिए कर सकते हैं। इससे चिंतन एजेंट विशिष्ट कौशल लोड और टूल कॉल की जाँच कर पाता है और उन सटीक बिंदुओं की पहचान कर पाता है जहाँ समस्याएँ हुईं या सुधार किए जा सकते थे।
# 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.jsonlComputer के आंतरिक ट्रैजेक्टरी-निरीक्षण टूल के उपयोग का उदाहरण। समझाने के लिए पाथ और आइडेंटिफ़ायर सरल किए गए हैं; कमांड के नाम और आर्ग्युमेंट कार्यान्वयन के अनुसार हैं।
बैकग्राउंड एजेंटों के साथ चिंतन
Brain हर उपयोगकर्ता के अनुभव को लगातार बेहतर बनाने के लिए बैकग्राउंड एजेंटों की एक टीम का उपयोग करता है। उदाहरण के लिए, Dream एजेंट नॉलेज विकी को अपडेट करने के लिए संचित अनुभव की समीक्षा करते हैं। इसी तरह, कौशलों में सुधार का काम सुधार एजेंट करते हैं, जो अपडेट प्रस्तावित करने के लिए कौशल-उपयोग के साक्ष्य पर चिंतन करते हैं।
हर एजेंट अपने सैंडबॉक्स में एक फ़्रंटियर मॉडल, प्रासंगिक साक्ष्य और मौजूदा कौशल लाइब्रेरी के साथ काम करता है, और प्लग इन व कौशल उसका मार्गदर्शन करते हैं। यह तय करता है कि कौन-से सत्र पढ़ने हैं, हर सत्र से एक ठोस सबक निकालता है, और उन सबकों को समूहित करता है जिनके लिए एक जैसे पुन: प्रयोज्य व्यवहार की ज़रूरत है। चूँकि एक विफलता का समाधान किसी दूसरे निर्देश का खंडन कर सकता है या कहीं और काम बढ़ा सकता है, इसलिए यह कोई संपादन प्रस्तावित करने से पहले पूरा कौशल पढ़ता है, और जब साक्ष्य किसी संपादन का समर्थन नहीं करता, तो प्रस्ताव देने से परहेज़ करता है।
सुधार एजेंट उसी हार्नेस पर चलते हैं जिस पर Computer चलता है। हमने हार्नेस को मॉड्यूलर बनाया है, ताकि कोई नया एजेंट एप्लिकेशन रीज़निंग, टूल उपयोग और कॉन्टेक्स्ट प्रबंधन के लिए इसके तंत्र का दोबारा उपयोग कर सके, और साथ ही प्लग इन के ज़रिए अपने निर्देश और क्षमताएँ ख़ुद परिभाषित कर सके। एक समर्पित बैकग्राउंड वर्कर फ़्लीट की मदद से हम इस प्रोसेसिंग को फ़ोरग्राउंड कार्यों से स्वतंत्र रूप से स्केल कर पाते हैं।
व्यक्तिगत कौशल सुधार लूप
पहले हम बताते हैं कि साझा आत्म-सुधार इंजन को व्यक्तिगत सुधार लूप पर कैसे लागू किया जाता है, जो उपयोगकर्ता के कार्य इतिहास को नए या अपडेट किए गए व्यक्तिगत कौशलों में बदलता है। नीचे दिया गया चित्र एक उदाहरण कौशल को पूरे लूप से होकर ट्रेस करता है, जिसका अंत संशोधित संस्करण पर होता है।
दैनिक जनरेशन रन के दौरान, सुधार एजेंट उपयोगकर्ता के हाल के सत्रों की समीक्षा करके तय करता है कि कौन-से बदलाव करने लायक हैं। हाल के सत्रों का एक सेट कौशल उपयोग डेटा के साथ सैंडबॉक्स में पहले से लोड किया जाता है; उपयोगकर्ता का बाकी सत्र इतिहास ज़रूरत के अनुसार प्राप्त किया जा सकता है। सुधार एजेंट को मौजूदा कौशलों का कैटलॉग भी मिलता है। उसके पास इंटरनेट या अन्य कनेक्टर तक पहुँच नहीं होती।
व्यक्तिगत कौशल सुधार वर्कफ़्लो के लिए डिज़ाइन किए गए प्लग इन और कौशल, एक अच्छे अपडेट के बारे में हमारे सिद्धांतों के आधार पर, चिंतन प्रक्रिया का मार्गदर्शन करते हैं। एजेंट पहले पूरी ट्रैजेक्टरी का विश्लेषण करके हर सत्र में एक ठोस सबक की पहचान करता है। फिर वह इन सबकों की तुलना मौजूदा निर्देशों से करता है और तय करता है कि किसी कौशल को अपडेट करना है, नया कौशल बनाना है या कोई बदलाव नहीं करना है। नया कौशल बनाने के लिए एक ही पुन: प्रयोज्य व्यवहार की दो स्वतंत्र घटनाएँ ज़रूरी हैं, जबकि किसी मौजूदा कौशल के अपडेट को एक ही ठोस आधार वाली घटना से उचित ठहराया जा सकता है।
एजेंट कौशल में सीधे बदलाव नहीं करता। इसके बजाय, वह एक प्रस्ताव तैयार करता है, जिसमें इच्छित बदलाव और उनके समर्थन में तर्क व साक्ष्य दर्ज होते हैं। अपडेट प्रति रन प्रति कौशल एक बदलाव तक सीमित होते हैं। नियतात्मक जाँचें सत्यापित करती हैं कि प्रस्ताव सही ढंग से संरचित हैं और कौशल पर लागू किए जा सकते हैं। अलग से, एक LLM जज सैंपल किए गए प्रस्तावों का ऑडिट करता है और जाँचता है कि क्या साक्ष्य बदलाव का समर्थन करता है और क्या परिणामी कौशल उपयोगी निर्देश देता है।
सक्रियण किसी सत्यापित प्रस्ताव को उपयोगकर्ता की कौशल लाइब्रेरी में बदलाव के रूप में लागू करता है, ताकि नया संस्करण भविष्य के सत्रों में लोड और उपयोग किया जा सके। चूँकि हार्नेस हर सत्र की शुरुआत में सभी उपलब्ध कौशलों का एक इंडेक्स लोड करता है, इसलिए कौशलों की बड़ी लाइब्रेरी कॉन्टेक्स्ट विंडो को भर सकती है और एजेंट के लिए प्रासंगिक कौशल ढूँढना और लोड करना कठिन बना सकती है। इसलिए, सिस्टम केवल सबसे मूल्यवान कौशल रखता है और छोटी, चुनिंदा लाइब्रेरी बनाए रखने के लिए अनावश्यक कौशलों को रिटायर कर देता है। विशेष रूप से, हम स्वचालित रूप से बनाए गए कौशलों के लिए प्रति उपयोगकर्ता 10 की सीमा लागू करते हैं। सीमा पूरी होने पर भी सुधार एजेंट कौशलों को अपडेट कर सकता है या हटा सकता है, लेकिन नया कौशल जोड़ने के लिए उसे किसी मौजूदा कौशल को रिटायर करना होगा और यह कारण बताना होगा कि नया कौशल उपयोगकर्ता के काम के लिए अधिक उपयोगी क्यों है।
बिल्ट-इन कौशल सुधार लूप
हम Brain के निरंतर कौशल सुधार फ़्रेमवर्क को बिल्ट-इन कौशलों तक भी विस्तारित करते हैं। किसी एक उपयोगकर्ता की मेमोरी और सत्र इतिहास का उपयोग करके उसी उपयोगकर्ता के व्यक्तिगत कौशल सुधारने के बजाय, बिल्ट-इन लूप कई उपयोगकर्ताओं के साक्ष्य का उपयोग करके उन कौशलों को बेहतर बनाता है जो Perplexity के हर उपयोगकर्ता के लिए उपलब्ध हैं। चूँकि बिल्ट-इन कौशलों का उपयोग कोई भी कर सकता है, इसलिए बदलावों के लिए मानक ऊँचा है; अनजाने में प्रदर्शन बिगाड़ने वाले अपडेट हज़ारों सत्रों को प्रभावित कर सकते हैं। बिल्ट-इन सुधार एजेंट केवल कौशलों के उम्मीदवार संस्करणों में बदलाव करता है। कौशल के कैनोनिकल संस्करण तक पहुँचने के लिए, इन अपडेट को पेयर्ड रीप्ले और आंतरिक मानवीय समीक्षा से गुज़रना होता है। एक बार फिर, हम एक उदाहरण कौशल और सहायक साक्ष्य के साथ पूरे लूप को ट्रेस करते हैं।
बिल्ट-इन सुधार लूप उन सत्रों के सैनिटाइज़ किए गए साक्ष्य का उपयोग करता है जो ट्रेनिंग में उपयोग के योग्य हैं। प्रासंगिक साक्ष्य चुनने के लिए डायग्नोस्टिक और विफलता संकेतों का उपयोग किया जाता है, साथ ही ऐसे कंट्रोल सत्रों का भी, जिनमें कौशल का उपयोग बिना कोई फ़्लैग उठाए हुआ था। एक सैनिटाइज़ेशन पाइपलाइन क्रेडेंशियल और अन्य सीक्रेट के साथ-साथ संलग्न फ़ाइलें और मीडिया भी हटा देती है।
एक परिदृश्य-जनरेशन एजेंट सैनिटाइज़ किए गए साक्ष्य को ठोस विफलता परिदृश्यों में बदलता है। यह केवल वही कॉन्टेक्स्ट रखता है जो विफलता के मामले को समझने और कौशल को बेहतर बनाने के लिए ज़रूरी है; सत्र का बाकी हिस्सा सिंथेटिक रूप से दोबारा बनाया जाता है, जिससे सत्यापन प्रक्रिया के लिए एक स्व-निहित परीक्षण तैयार होता है। परिदृश्यों को कनेक्ट किए गए ऐप या साइन-इन के बिना चलना चाहिए; अगर मूल कार्य किसी कनेक्टर पर निर्भर था, तो परिदृश्य में उस इनपुट को सिंथेटिक फ़ाइलों से बदल दिया जाता है। एक अलग जाँच यह सत्यापित करती है कि जनरेट किए गए परिदृश्य पर कौशल विफल होता है।
चिंतन एक साप्ताहिक संशोधन जॉब के ज़रिए होता है, जो देखी गई विफलताओं को समाधानों में बदलता है। यह ऐसी कौशल विफलताएँ खोजता है जो कई सत्रों में दोहराई जाती हैं, ताकि कोई एक ख़राब सत्र संपादन का कारण न बने। हर बार-बार होने वाली विफलता के लिए सुधार एजेंट का अलग रन चलता है। एजेंट को मूल कारण का विवरण मिलता है, साथ ही सफल सत्रों के सैनिटाइज़ किए गए रिकॉर्ड भी। वह इस साक्ष्य का उपयोग करके कौशल का एक उम्मीदवार संशोधन लिखता है। उसे पूरे विफलता परिदृश्य नहीं मिलते, क्योंकि उनका उपयोग मूल्यांकन में किया जाता है।
एक अलग रीप्ले जॉब जनरेट किए गए परिदृश्यों का उपयोग करके कौशल के मूल और संशोधित संस्करणों की तुलना करता है। एक LLM जज हर परिदृश्य के रूब्रिक के आधार पर एजेंट के उत्तरों और ट्रैजेक्टरी का मूल्यांकन करता है। किसी प्रस्ताव के पास होने के लिए, संशोधित कौशल के साथ हर परीक्षण परिदृश्य पास होना चाहिए, और मूल कौशल के साथ कम से कम एक परिदृश्य विफल होना चाहिए। कंट्रोल सत्रों से बनाए गए परिदृश्यों को भी रीप्ले किया जाता है, ताकि पुष्टि हो सके कि कुछ भी काम करना बंद नहीं हुआ है। विफलता परिदृश्यों के लिए, जज यह भी जाँचता है कि वही विशिष्ट विफलता हुई थी, न कि किसी असफल कार्य को उसी समस्या का साक्ष्य मान लेता है।
वर्कफ़्लो उम्मीदवार बदलावों और मूल्यांकन परिणामों को आंतरिक मानवीय समीक्षा के लिए एक pull request में पैकेज करता है। बदलाव तभी लागू होते हैं जब कोई इंजीनियर PR को अनुमोदित करता है।
मूल्यांकन
स्वचालित कौशल सुधार से कौशल निर्माण और उपयोग में उल्लेखनीय वृद्धि हुई है। Brain ने 1 अगस्त से 14 नवंबर के बीच 20,000 से अधिक उपयोगकर्ताओं के लिए 80,000 से अधिक व्यक्तिगत कौशल लिखे। इसके अलावा, 4 सितंबर से 14 नवंबर के बीच 30,000 से अधिक मौजूदा व्यक्तिगत कौशलों पर 1,00,000 से अधिक स्वचालित अपडेट लागू किए गए।
ये कौशल डोमेन और कार्यों की एक विस्तृत श्रृंखला में फैले हैं, सॉफ़्टवेयर सत्यापित करने से लेकर पेरोल का मिलान करने और चित्र डिज़ाइन करने तक। हमने Brain द्वारा जनरेट किए गए कौशलों को उनके द्वारा वर्णित वर्कफ़्लो के आधार पर श्रेणियों में बाँटा। सबसे बड़ा डोमेन, सॉफ़्टवेयर इंजीनियरिंग, भी केवल 11% कौशलों का हिस्सा था; इसके बाद शोध और ब्रीफ़िंग (10.1%), बिक्री और संचालन (9.9%), तथा वित्त और निवेश (9.9%) आते हैं।
हमने प्रोडक्शन ट्रैफ़िक पर आठ सप्ताह का एक रैंडमाइज़्ड परीक्षण किया, जिसमें स्वचालित व्यक्तिगत-कौशल सुधार सक्षम वाले उपयोगकर्ताओं की तुलना उस कंट्रोल समूह से की गई जिसके लिए यह अक्षम था। कौशल सुधार सक्षम वाले 72.9% लोगों को कम से कम एक नया व्यक्तिगत कौशल मिला, जबकि इसके बिना वाले केवल 6.5% लोगों ने मैन्युअल रूप से नया कौशल जोड़ा। ट्रीटमेंट समूह के आधे से अधिक (53%) लोगों की ख़ुद शुरू की गई किसी बातचीत में व्यक्तिगत कौशल लोड हुआ, जबकि कंट्रोल समूह के लिए यह आँकड़ा 13% था; उनके टर्न में व्यक्तिगत कौशल लगभग 3.6 गुना अधिक बार लोड हुआ। Brain द्वारा लिखा गया कौशल पाने वाले ग्राहकों में से 63% ने चार सप्ताह के भीतर बाद की किसी बातचीत में ऐसे किसी कौशल का फिर से उपयोग किया।
हमारे मूल्यांकन यह निर्धारित करने का प्रयास करते हैं कि ये नए और अपडेट किए गए कौशल कार्य निष्पादन और समग्र प्रदर्शन को कैसे प्रभावित करते हैं।
उसी रैंडमाइज़्ड प्रयोग के परिणाम टूल कॉल विफलताओं और उपयोगकर्ता असंतोष में कमी दिखाते हैं। स्वचालित कौशल सुधार वाले उपयोगकर्ताओं के लिए, पूरी Computer गतिविधि में टूल कॉल विफलता दर 11% घटी। सिस्टम के अपने बैकग्राउंड रन को छोड़कर भी, टूल कॉल लगभग 7% कम बार विफल हुए, जिससे पता चलता है कि उपयोगकर्ता के काम पर विश्वसनीयता बेहतर हुई। उपयोगकर्ता असंतोष, जिसे प्रति उपयोगकर्ता मध्यम/उच्च-असंतोष वाले थ्रेड के रूप में मापा गया, 7.6% घटा। हमें लागत या प्रतिक्रिया समय में कोई मापने योग्य बदलाव नहीं दिखा। ये शुरुआती परीक्षण आशाजनक परिणाम दिखाते हैं, और हमें उम्मीद है कि जैसे-जैसे हम सिस्टम को बेहतर बनाएँगे और आत्म-सुधार करने वाले कौशल अधिक उपयोगकर्ताओं तक पहुँचाएँगे, समय के साथ ये सुधार बढ़ेंगे।
ऑफ़लाइन प्रयोगों में भी सीमित परिस्थितियों में सुधार दर्ज किए गए हैं। एक SkillLearnBench प्रयोग में, Computer ने नौ कार्य परिवारों में से हर एक के लिए एक व्यक्तिगत कौशल बनाने के लिए पिछली कार्य ट्रैजेक्टरी का उपयोग किया। 16 युग्मित मूल्यांकन उदाहरणों में, कार्य सफलता कौशल के बिना 43.8% से बढ़कर जनरेट किए गए कौशलों के साथ 62.5% हो गई, जिससे यह साक्ष्य मिलता है कि पिछले अनुभव से बने कौशल दोहराए जाने वाले कार्यों पर प्रदर्शन सुधार सकते हैं। एक बिल्ट-इन केस स्टडी में, एक ई-कॉमर्स कौशल में किए गए संपादनों से 32% कम लागत पर गुणवत्ता में 6% वृद्धि हुई, जिसमें गुणवत्ता को एक स्वचालित जज द्वारा मापा गया।
निष्कर्ष
आत्म-सुधार करने वाले कौशल Computer को अपने किए गए काम से सीखने का एक और तरीका देते हैं। यह Brain का विस्तार करके प्रक्रियात्मक मेमोरी बनाता और बनाए रखता है, जिससे जटिल वर्कफ़्लो पर प्रदर्शन बेहतर होता है। स्वचालित कौशल सुधार ने पहले ही कौशल उपयोग बढ़ाया है, टूल विफलता दरें घटाई हैं और उपयोगकर्ता असंतोष कम किया है।
व्यक्तिगत कौशल सुधार अब अमेरिका के सभी Max सब्सक्राइबर के लिए उपलब्ध है। यह योग्य उपयोगकर्ताओं के लिए डिफ़ॉल्ट रूप से चालू रहता है, लेकिन इसे बंद किया जा सकता है। प्लग इन टैब उपलब्ध कौशल दिखाता है, Brain द्वारा लिखे गए कौशलों की पहचान करता है, और उपयोगकर्ताओं को यह चुनने देता है कि कौन-से कौशल सक्षम रहें।
आगे, हम सुधार को और अधिक कौशल श्रेणियों तक विस्तारित करेंगे, जिनमें उपयोगकर्ता द्वारा लिखे गए कौशल, प्रोजेक्ट के भीतर साझा किए गए कौशल और संगठन के कौशल शामिल हैं। हम सुधार पाइपलाइन और उसके मूल्यांकनों को लगातार बेहतर बनाते रहेंगे, ताकि संशोधनों से अधिक विश्वसनीय प्रक्रियाएँ और बेहतर परिणाम मिलें।
उद्धरण
@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}
}