A Perplexity blog

OG card: chart-to-art exploded axonometric of the JOLT training figure: one set of weights at the base, the Teacher and Student roles above it, six generations per role on top, with crossing dashed paths for each role scoring the other
Kutatás2026. okt. 21.A jó tanár ott kezdi, ahol a diák tartÚj öndesztillációs módszer, amely a tanárt és a diákot közösen tanítja, hogy javítsa a modell teljesítményét és a tanítás hatékonyságát az összetett érvelési és ügynöki feladatokon.
People working on laptops with the U.S. Capitol visible through a window at dusk.
Hírek2026. okt. 28.Az új FedRAMP-tanúsítvánnyal a Perplexity még több kormányzati munkafolyamatban válik elérhetővéEgy új FedRAMP-tanúsítványnak köszönhetően a szövetségi ügynökségek a Perplexity segítségével kereshetnek az élő weben, és hivatkozásokkal ellátott válaszokat kaphatnak.

Kiemelt

  1. A white shield and keyhole on a translucent glass tile against a teal landscape.
    Ötletek2026. szept. 29.Hogyan tervezünk biztonságosabb ügynököketRétegzett védelmi mechanizmusok, független felügyelet és emberi felügyelet a Perplexity felhőalapú, böngészőalapú, helyi és végponti ügynökeiben.
  2. Abstract glass panel with illuminated edges separating light and shadow against a dark background.
    Hírek2026. okt. 15.Nyílt forráskódú lett a SPACE, a Computer mögött álló sandbox-platformA Perplexity nyílt forráskódúvá teszi a SPACE-t, a Computer mögött álló sandbox-platformot, hogy segítse a fejlesztőket a biztonságosabb autonóm MI-ügynökök építésében
  3. Two people working at separate desks in a dimly lit office.
    Fejlesztők2026. szept. 28.Az Agent API már támogatja az újrafelhasználható ügynököketA csapatok újrafelhasználható ügynököket hoznak létre verziózott profilokkal, Skill-ekkel és felügyelt csatlakozókkal, amelyeket megoszthatnak az alkalmazások között.

További tartalmak a Perplexity kutatócsapatától

  1. Szökés a SPACE-ből: I. részVM izoláció és hálózati korlátozás vörös csapatbeli tesztelése AI ügynökökhöz.
  2. Közös munkaterületek építése emberek és ügynökök számáraÍgy teszi a Perplexity projektek funkciója tartóssá, párhuzamosan végezhetővé és nyomon követhetővé a hosszan futó munkát.
  3. Többmodális embeddingek az egyetlen vektoron túlÚj késői interakciós modellcsalád szöveg- és képvisszakereséshez, közös embeddingtérrel a modelltípusok között.
Összes kutatás

Nemrég közzétett

211 bejegyzés található

  1. Text embeddings explained: how they work [+examples]This guide explains what text embeddings are, how they turn text into vectors that capture meaning, and how to choose, evaluate, and apply embedding models to search, RAG, and other real-world use cases.
  2. Az új FedRAMP-tanúsítvánnyal a Perplexity még több kormányzati munkafolyamatban válik elérhetővéEgy új FedRAMP-tanúsítványnak köszönhetően a szövetségi ügynökségek a Perplexity segítségével kereshetnek az élő weben, és hivatkozásokkal ellátott válaszokat kaphatnak.
  3. Alapszintű RAG-megvalósítás: oktatóanyag lépésről lépésreEz a kezdőbarát oktatóanyag elmagyarázza, hogyan működik egy alapszintű RAG-megvalósítás, áttekinti a bevált gyakorlatokat, és végigvezet egy működő parancssori RAG-rendszer felépítésén Python, ChromaDB, valamint a Perplexity beágyazási és nyelvi modelljeinek segítségével.
  4. Hogyan működik az LLM-átjáró? Gyakorlati útmutató mérnökcsapatoknakAz LLM-átjáró egy fordított proxy, amely irányítja, hitelesíti, gyorsítótárazza és naplózza a modellhívásokat; ez az útmutató végigköveti egy kérés útját az átjárón keresztül, bemutatja a tervezéskor figyelembe veendő biztonsági és megbízhatósági kockázatokat, valamint összehasonlítja a saját fejlesztésű, a saját üzemeltetésű, a felügyelt és az API-átjárós megoldásokat.
  5. Mi az a RAG-architektúra? Teljes körű definíció részletes gyakorlati példákkalA RAG-architektúra azoknak a komponenseknek az összessége, amelyek külső információkat tárolnak, keresnek vissza és juttatnak el egy LLM-hez; ez az útmutató 10 típust mutat be az alapszintű és a hibrid RAG-től az ügynöki RAG-ig és a GraphRAG-ig, két részletes, lépésenkénti példával.
  6. Hogyan értékeld az AI-ügynököket: tesztkészletek, értékelők és regressziós ellenőrzésekGyakorlati, hatlépéses útmutató az AI-ügynökök értékeléséhez: a siker meghatározásától és a valós hibákon alapuló tesztkészletek összeállításától az értékelők kiválasztásán és a regressziós ellenőrzések futtatásán át az éles környezetben végzett monitorozásig.
  7. A csapat tokenköltésének nyomon követése és szabályozásaHogyan láthatják a csapatok a tokenhasználatukat irányítópultokon és jelentésekben, mely AI-munkák használják a legtöbb tokent, és hogyan csökkenthető a használat szabályozási eszközökkel.
  8. A jó tanár ott kezdi, ahol a diák tartÚj öndesztillációs módszer, amely a tanárt és a diákot közösen tanítja, hogy javítsa a modell teljesítményét és a tanítás hatékonyságát az összetett érvelési és ügynöki feladatokon.
  9. Mi az az AI-átjáró? Útmutató az LLM- és ügynökforgalom útválasztásához, költségkontrolljához és irányításáhozAz AI-átjáró egy központi proxy az alkalmazások vagy AI-ügynökök és az általuk meghívott modellek között, amely egy helyen kezeli az útválasztást, a költségkontrollt, a biztonságot és a megfigyelhetőséget.
  10. A Perplexity a Valarian segítségével vállalati infrastruktúrára hozza a ComputertA Perplexity és a Valarian intézményi infrastruktúrára hozza a Computert, az érzékeny adatokhoz és a szabályozott munkaterhelésekhez igazított biztonsági intézkedésekkel