Perplexity 发布 Computer 智能体：开启多智能体协作新时代

人工智能的范式正在从被动的信息检索转向主动的任务执行。近日，以大模型搜索著称的 Perplexity 宣布推出 “Computer” 功能。这不仅仅是一个简单的聊天机器人，而是一个高层级的编排智能体（Orchestration Agent），其核心功能是向其他专用 AI 智能体分配工作。通过扮演 “管理智能体” 的角色，Computer 代表了向自主代理工作流迈出的重要一步，为开发者提供了一个比 OpenClaw 等实验性浏览器控制框架更结构化、更安全且更可靠的选择。

多智能体编排的技术架构

Perplexity “Computer” 公告的核心在于层级化智能体系统的概念。与传统的单模型交互（用户提问，模型回答）不同，多智能体系统（MAS）会将复杂的任务分解为多个子任务。这些子任务随后被分配给拥有特定工具或领域专业知识的 “执行智能体”（Worker Agents）。

对于正在构建类似系统的开发者来说，技术瓶颈通常在于底层模型的延迟和稳定性。这正是 n1n.ai 发挥关键作用的地方。通过提供对 DeepSeek-V3、Claude 3.5 Sonnet 等顶尖模型的高速访问，n1n.ai 允许开发者以极低的开销和极高的吞吐量构建 “管理者” 和 “执行者” 层级，确保整个自动化流程的顺畅。

为什么 “Computer” 不同于 OpenClaw

OpenClaw 等项目主要关注原始的浏览器自动化——即模拟人类点击按钮、读取 DOM 元素等操作。虽然这种方式功能强大，但往往非常脆弱且存在安全风险。Perplexity 的 “Computer” 被描述为这一概念的 “克制且安全” 的版本。它强调治理与安全性，确保 AI 在定义的参数范围内运行。

其主要区别包括：

1. 抽象层级：OpenClaw 在 UI（界面）层级操作；Computer 在任务协调层级操作。
2. 安全性：Computer 为企业环境内置了防护栏，防止智能体执行未经授权或破坏性的操作。
3. 效率：通过将任务委派给专用智能体而非暴力破解浏览器界面，系统可以显著降低 Token 消耗并提高任务成功率。

技术实现：构建您自己的管理智能体

要实现类似于 Perplexity Computer 的系统，开发者需要一个能够解析意图并选择合适工具的编排层。利用 n1n.ai 提供的强大 API 基础设施，您可以实现一种调度逻辑，将查询路由到不同的专用模型。

以下是使用多模型策略的概念性 Python 实现：

import openai

# 配置客户端使用 n1n.ai 以获得高速模型访问
client = openai.OpenAI(
    api_key="YOUR_N1N_API_KEY",
    base_url="https://api.n1n.ai/v1"
)

def manager_agent(user_request):
    # 第一步：使用高推理能力模型（如 DeepSeek-V3）分析请求
    analysis_prompt = f"请将此任务分解为子任务：{user_request}"
    response = client.chat.completions.create(
        model="deepseek-v3",
        messages=[{"role": "user", "content": analysis_prompt}]
    )

    sub_tasks = response.choices[0].message.content
    print(f"管理规划：{sub_tasks}")

    # 第二步：委派给执行智能体
    results = []
    for task in sub_tasks.split('\n'):
        if "搜索" in task:
            results.append(worker_agent(task, model="gpt-4o"))
        else:
            results.append(worker_agent(task, model="claude-3-5-sonnet"))

    return results

def worker_agent(task, model):
    # 执行具体任务
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": task}]
    )
    return response.choices[0].message.content

# 示例用法
final_output = manager_agent("研究最新的 AI 趋势并撰写一份 500 字的摘要。")

高性能 API 在智能体工作流中的角色

在多智能体环境中，“管理者” 智能体通常需要多次调用 API 来评估、验证和完善 “执行者” 智能体的输出。如果 API 延迟较高，整个工作流就会陷入停滞。例如，如果一个工作流需要 5 次连续的智能体调用，而每次调用有 5 秒的延迟，用户就需要等待 25 秒。这在生产环境中是不可接受的。

通过使用 n1n.ai，开发者可以访问经过优化的端点，显著降低这种延迟。此外，通过像 n1n.ai 这样的单一供应商，在不同模型之间无缝切换（例如，对简单任务使用低成本模型，对编排任务使用旗舰模型），可以在不牺牲性能的前提下确保成本效益。

智能体架构对比表

未来展望：代理化 SaaS 时代

Perplexity 的这一发布预示着一个大趋势：AI 不再仅仅是一个功能，而是工作流的管理者。我们正在迈向 “代理化 SaaS”（Agentic SaaS）时代。在这个时代，软件不再只是提供按钮让用户点击，而是提供能够与其他智能体交流并完成工作的 AI 代理。

对于企业而言，这意味着关注点将从 “如何使用这个工具” 转向 “如何治理这些智能体”。安全性、可审计性和速率限制将成为首要考虑的问题。Perplexity 的 “Computer” 通过提供受控环境解决了这些问题，但对于希望完全控制数据和逻辑的开发者来说，在 n1n.ai 之上构建自定义编排层仍然是最灵活、最强大的路径。

无论您是在构建研究助手、自动化编码智能体，还是复杂的客户支持系统，其基石都必须是一个稳定且快速的 LLM API。Perplexity 已经展示了愿景，现在轮到开发者社区将其变为现实。

Get a free API key at n1n.ai