Perplexity入局工作AI智能体：Teammates全天候上线

Perplexity 正式加入工作场景 AI 智能体的竞争，推出名为 Teammates 的全天候代理产品，直接对标 OpenAI 与 Anthropic 的企业级方案。与市面上多数需要手动触发的助手不同，Teammates 强调「始终在线」，并试图把用户已有的项目、技能和记忆无缝迁移到代理工作流中。

从搜索工具到工作代理的定位跃迁

Perplexity 过去的核心标签是 AI 搜索，而 Teammates 的发布标志着它向生产力平台延伸。据原始报道，该产品被明确定位为「面向工作的 AI 智能体」，与 OpenAI、Anthropic 在同一赛道正面交锋。这意味着 Perplexity 不再满足于做信息入口，而是想成为任务执行层——用户提出目标，代理在后台持续运作。

全天候运行是关键差异点。多数工作类 AI 助手依赖单次对话触发，任务完成即停止；Teammates 的设计思路是常驻工作区，能够承接跨时段、跨会话的连续性任务。这种模式对底层调度和上下文管理的要求更高，也解释了为什么 Perplexity 要把它与 Perplexity Computer 捆绑。

Teammates 如何融入现有工作流

多角色分工与技能继承

Teammates 可以在同一个工作区内承担多种角色。原文提到它能「拉取你已在使用的 Perplexity 工具中的现有项目、技能和记忆」，这一点值得展开：代理的能力不是从零配置，而是继承用户历史使用中沉淀的项目上下文与操作偏好。对团队而言，这降低了代理上手的迁移成本；对个人用户，代理更像是既有工作习惯的延伸，而非另起炉灶的新工具。

代理记忆与上下文继承的机制

智能体的「记忆」通常分为短期对话上下文和长期持久化记忆。长期记忆通过向量数据库或结构化档案存储用户的历史项目、偏好和操作记录，代理在新任务中检索这些信息以保持连贯性。技能继承则指代理复用已配置好的工具链、提示模板或工作流，而非每次从零搭建。这种设计能显著降低迁移成本，但记忆的准确性依赖检索质量与过期策略：过时或错误的记忆会被反复带入新任务，形成偏差累积。多角色共享同一记忆池时，还需通过命名空间或角色隔离机制防止上下文串扰，这正是产品体验的关键设计点。

Perplexity Computer 作为执行底座

Teammates 与 Perplexity Computer 集成，后者被描述为「可在你的设备上部署智能体的 AI 系统」。把代理部署到本地设备，意味着任务执行可以触及本机文件和环境，而不只是云端对话。这一架构选择与纯云端代理形成区隔，也带来权限与安全层面的新问题——代理常驻设备后，如何界定其可访问范围，是产品落地时必须回答的。

本地部署代理与云端代理的架构差异

云端代理通常在服务商的服务器上运行，通过 API 与用户数据交互，其计算资源和环境由服务商统一管理；本地设备部署则把代理运行时放到用户自己的硬件上，代理可直接读取本机文件、调用本地应用、访问内网资源，响应延迟更低且数据不必全部上传。代价是用户设备需要承担计算负载，且代理的权限范围与设备安全策略紧密耦合。Perplexity Computer 正是这一思路的载体，它让 Teammates 能触及云端助手无法到达的本地环境，但也把权限隔离、沙箱机制和日志审计的责任部分转移给了用户或企业 IT 部门。

竞争格局：三条路线的分野

Perplexity 的入局让工作智能体赛道形成三种典型路线。OpenAI 与 Anthropic 依托通用大模型能力向代理层扩展，优势在模型本身；Perplexity 则以搜索与信息处理起家，强项在于知识获取与整合，Teammates 的差异化大概率落在「信息密集型的知识工作」上。

从产品策略看，Perplexity 选择用「常驻 + 多角色 + 记忆继承」组合出牌，回避了与巨头在模型参数上的正面比拼，转而在使用形态上做文章。这种打法能否奏效，取决于用户是否愿意让代理长期驻留工作区并共享记忆——这既是效率来源，也是信任门槛。

企业级 AI 代理市场的竞争态势

2024 年以来，OpenAI 推出 Operator、Anthropic 推出 Computer Use 与 Claude 企业版，微软 Copilot 和 Google Gemini 也加速向代理层渗透，工作场景智能体已成为大模型厂商争夺的第二战场。各家的差异化路径大致分为三类：模型能力驱动（依托更强推理与工具调用）、生态整合驱动（绑定办公套件与云服务）、使用形态驱动（常驻、本地化、记忆继承）。Perplexity 属于第三类，以搜索起家的信息整合能力为底座，避开模型参数竞赛。这一市场的胜负往往取决于企业采购中的信任与合规评估，而非单纯的基准测试分数。

落地面临的现实考题

全天候代理的第一道坎是权限边界。代理要拉取项目、技能与记忆，就必须获得较深的账户访问权；部署到设备端后，本地环境的隔离机制是否足够清晰，将直接影响企业客户的采纳意愿。

第二道坎是任务的可控性。常驻代理在后台持续运行时，用户如何感知其状态、干预其决策、回收其权限，原文未给出细节。对工作场景而言，可审计与可中断往往比能力上限更重要。

第三道坎是记忆的准确性。继承历史记忆能提升连贯性，但错误或过时的上下文也会被一并带入后续任务，形成偏差累积。多角色共用同一工作区记忆时，角色之间的上下文隔离如何设计，是产品体验的关键分水岭。

Perplexity 尚未披露 Teammates 的具体定价与可用范围，但方向已经明确：把 AI 从「你问它答」推进到「它在岗待命」。这场竞争的胜负手，可能不在模型有多强，而在代理能否被放心地交出去。