Perplexity 为其企业级研究与多步骤工作平台 Perplexity Computer 引入了全新的最高努力级别——Multiagent。这一功能标志着 AI 智能体工作流从“单点委托”向“团队协作”的结构性转变。在 Multiagent 模式下,一个主智能体协调由不同前沿模型(如 Claude、GPT、Gemini)组成的多达 16 个子智能体团队,这些智能体不仅并行工作,还能直接共享发现、互相质疑假设并协同编辑共享文件,从而显著提升复杂任务的准确性与深度。
核心机制:从“汇报”到“协作”
与此前的 Ultra 模式(子智能体仅向主智能体单向汇报)不同,Multiagent 构建了一个动态交互的智能体网络:
- 主智能体编排:主智能体(默认通常为 Claude Fable 5.2)负责拆解任务、分配工作并合并最终结果。用户只需与主智能体交互,无需管理底层复杂性。
- 跨模型团队协作:
- 默认团队:由 Claude Opus 5.5、GPT 6.1 Sol 和 Gemini 4 Carbon 组成,利用各模型的特长互补。
- 弹性扩展:根据任务需求,可动态加入 Claude Fable 5.2 或 GPT 6 Astra 等模型,团队规模上限为 16 个智能体。
- 直接交互与共享:
- 证据共享:智能体之间可以直接读取彼此发现的证据,质疑对方的假设,并标记数据差异。
- 协同编辑:支持对共享文件(如估值模型、研究报告)进行实时协同编辑。例如,一个智能体更新收入假设后,另一个负责估值的智能体能立即感知并重用该数据。
- 动态反馈:当用户提出跟进问题或修改指令时,主智能体会通知受影响的子智能体,团队能在现有工作基础上继续迭代,而非从头开始。
适用场景:处理高复杂度、强关联任务
Perplexity 将 Multiagent 定位为处理大型、相互关联且需要高度准确性的工作负载,典型应用场景包括:
- 交易数据室尽职调查:同时分析数百份财务、法律及运营文档,交叉验证关键数据。
- 多情景预测与建模:在不同经济假设下并行运行多个预测模型,并综合评估风险。
- 年度报告审查:对比多年财报数据,识别异常趋势并与行业基准进行交叉核对。
- 竞争假设研究:针对同一问题生成多种对立观点,并由不同智能体分别论证其合理性。
- 年终税务准备:整合多方收入来源、扣除项及法规变化,确保合规性与优化策略。
与其他多模型模式的对比
Perplexity Computer 目前提供三种多模型使用方式,各有侧重:
| 模式 | 工作机制 | 核心优势 |
|---|---|---|
| Model Council | 多个模型独立回答同一问题,系统展示共识与分歧。 | 快速对比不同模型的观点,适合开放性探索。 |
| Ultra | 主智能体委托子智能体,子智能体仅向主智能体单向报告。 | 适合中等复杂度的分解任务,结构清晰。 |
| Multiagent | 主智能体协调,子智能体间直接交互、共享文件并互相核查。 | 适合极高复杂度、强依赖关系的任务,准确率与深度最高。 |
可用性与定价
- 访问权限:仅面向 Perplexity Max 订阅用户开放。
- 平台限制:目前仅在 Web 端 可用,暂无本地部署或量化选项。
- 操作方式:用户在创建新 Computer 任务时,通过努力程度滑块选择“Multiagent”。
- 成本:Max 计划年费为 $167/月(含 10,000 Computer 信用点)。虽然 Perplexity 未公布 Multiagent 任务的具体信用点消耗,但鉴于其调动多达 16 个前沿模型实例,预计单次任务成本将显著高于 Ultra 模式。
© 版权声明
文章版权归作者所有,未经允许请勿转载。















