Perplexity Computer：第一个“能长期干活的 AI 员工”，来了

如果说2023到2025年是"大模型聊天"的时代，那么从2026年开始，风向正在悄然转变——AI不再仅仅回答你提出的问题，而是开始承接整个项目，像个真正的数字同事一样，独立干活。

Perplexity新推出的产品

，很多人在看完介绍后的第一反应是:这已经不是一台AI问答机了，而是一个可以长期工作的AI员工。那么，它究竟新在哪儿？对个人开发者、小团队和大公司来说，又意味着什么？

一、Perplexity Computer 是什么？

先给它下一个定义：

你给它的不再是简单的一句prompt，而是一个

，比如：

• "做一个能实时追踪北美所有滑雪场雪况的应用"
• "帮我整理一份400行的MarTech竞品表格，包含功能、价格和集成情况"
• "为我们工程团队发布一个完整的文档站点，从结构、内容到部署全搞定"

接下来，它自己会做这几件事：

1. 把目标拆解成一张

   任务图（task graph）
   ，清楚标出任务之间的先后顺序、依赖关系和哪些可以并行执行。

2. 为每个子任务挑选合适的模型——不同的模型干不同的活儿。

3. 在隔离环境里按顺序执行任务，缓存中间结果，并在关键节点停下来等待你的确认。

4. 整个过程可以持续

   几周甚至几个月
   ，而不是像传统对话那样只有短时记忆。

所以，它已经不能用"搜索+问答服务"来定义了，更像是一个远程的数字员工，坐在你团队的工位旁，持续交付成果。

二、19个模型编队：不再是一个大脑打天下

传统产品的思路往往是：选一个最强的模型，然后所有任务都交给它。Perplexity Computer的思路完全不同——

。

具体来说，这些模型包括：

• 深度推理
  ：用类似Claude Opus这一档的模型

• 轻量任务/草稿
  ：用更便宜的模型（比如Grok之类）

• Web深度检索
  ：用擅长联网搜索的模型（比如GPT-5.2）

• 长文研究
  ：用Gemini这类擅长阅读大文档的模型

• 图像生成
  ：接入Nano Banana等多模态模型

• 视频处理
  ：交给Veo 3.1这种专精视频的模型

总共有

被集成到同一套编排框架里，Computer会根据当前子任务的特性，动态选择最合适的那个。这就好比你不是雇了一个"超级通才"，而是雇了一支包括策划、前端、后端、设计和数据分析在内的小团队，然后给这支团队配了一个懂业务的项目经理来统一调度。

三、它到底怎么干活？从prompt到project

和聊天机器人最大的区别在于：

。

一个典型的流程是这样的：

1. 你描述目标，而不是细节
   。比如说"我要一个滑雪场雪况查询应用"，不需要写50行prompt去告诉它怎么查API、怎么存储数据、怎么展示界面。

2. Computer生成任务图
   。先拆出大的阶段：调研、设计、实现、测试、部署、文档等，然后再把每个阶段拆成可以执行的子任务，并标记依赖关系和优先级。

3. 为每个子任务分配模型、执行、缓存结果
   。比如让一个模型搜索所有滑雪场的数据源（官网、API、第三方服务），另一个模型设计数据库结构，再一个模型生成前端代码，还有一个写README和用户文档。

4. 关键节点停下来等你"拍板"
   。如果发生发邮件、连第三方服务、上线文档站这些不可逆操作，它会先把计划展示给你，让你确认或提出修改。

5. 长期记忆与多项目并行
   。它记得之前做过的研究、写过的代码、生成过的文档，可以同时推进多个项目，不会出现"关掉对话框就全部忘光"的情况。

对你来说，交互体验更像是在

，而不是跟一个聪明的搜索框聊天。

四、安全和人类在环：不是让它随便乱删你电脑

既然它要在你的本地或云环境中"干真活"，安全问题自然成了核心考量。几个关键设计值得关注：

• 沙箱执行环境
  ：在隔离容器里运行任务，避免直接污染你的系统。

• 最小权限原则
  ：需要访问某个服务（比如GitHub、Notion、邮件）时，只申请该任务必需的Token，不会拿走整套主账号的权限。

• 关键动作强制人工确认
  ：像发大规模邮件、修改生产环境、公开发布内容等操作，都会先停下来把拟执行的内容展示给你，由你来点击"确认/驳回/修改"。

• 长期任务的人类检查点
  ：它可以连续运行很多小时甚至几周，但在预定的里程碑节点必须"叫你来看一眼"。

换句话说，它并不是那种"点一下就丢给AI全自动乱搞"的风格，而是从设计上就强制了一个"AI干活，人类拍板"的模式。

五、适合拿它干哪些活？

从目前的实践来看，有几类场景已经相当靠谱：

1. 大型工程/代码项目
   ：从需求分析到选型、原型、编码、测试、文档、部署，由Computer做基础实现，你负责架构把关和最终review。

2. 深度研究与竞品分析
   ：比如B2B SaaS、MarTech、FinTech的全行业竞品盘点，它会自动搜索网页、阅读报告，将信息结构化制成表格和分析文档，并根据你的要求持续更新。

3. 内容生产流水线
   ：不是单条文案，而是一整套"内容策略→素材收集→撰写→配图/视频→发布计划"，对媒体号、品牌、课程团队来说十分高效。

4. 工程文档和知识库建设
   ：根据代码仓库、已有wiki、设计稿自动生成或更新文档站，自动补全示例、API文档、Changelog等内容。

5. 长期例行任务
   ：每周例会资料准备、运营数据周报、舆情监控、功能发布说明等，每周自动跑一遍，你只需要做最后审核。

这些任务的共同点是：都拥有

，非常适合交给"多模型协作+长期运行"的系统来处理。

六、价格和使用门槛：不是人人都能一上来就用满

目前，Perplexity Computer的开放情况如下：

• 仅面向Perplexity的

  Max用户
  开放。

• 价格大约在

  200美元/月
  量级。

• 采用

  Credits + 按模型单价计费
  的方式。Max用户每月赠送10,000 Credits，首发期间额外再送20,000 Credits。不同模型消耗的Credits数量不同，你需要自己做预算和设置上限。

这意味着几个现实点：

• 短期内，它更适合

  重度用户、团队或小企业
  ，而不是轻度个人用户尝鲜。

• 会用的人，可以把它当作"一个超便宜的远程外包团队"来使用。

• 不会用的人，可能只是多花了200美元看个新奇。

七、对个人和团队来说，真正的机会在哪里？

潜台词很明确：

如果你是一个个人开发者或小团队：

• 把自己从"所有活都自己干"的角色，升级为"AI团队的PM和审稿人"。

• 需要学习的技能包括：如何清晰地向AI描述项目目标，如何为AI设计合理的任务拆解，以及如何制定"让AI做80%，自己完成关键20%"的工作流程。

如果你身处传统公司：

• 可以先选择一两个

  项目周期长、步骤标准化程度高、对安全可控要求明确
  的场景进行试点。

• 建立一套"Computer + 人类负责人 + 安全合规"的试运行机制。

• 尽早摸清：哪些任务交给它最能节省时间，而哪些决策坚决不能放手。

写在最后

Perplexity Computer这类产品，标志着一个明显的拐点：

真正决定你能不能用好它的，不是你会不会写prompt，而是你能不能做到这三件事：

• 把复杂目标拆解成AI可以执行的任务图；
• 设计好人机之间的"边界"和"交接点"；
• 接受一个事实：

  未来很多项目的第一版将由机器完成，人类负责最后的审稿和方向把控
  。