Perplexity推出Teammates：从写提示词到交付目标

Perplexity今日正式发布Teammates功能，将其定位为“工作场景中的个人智能体”。与以往需要用户反复编写提示词、在单次会话中完成任务不同，Teammates试图把交互范式转向“给定高层目标，由智能体持续推进”。该功能即日起面向Max用户网页端开放，移动端与桌面端原生应用将随后推出。

从提示词到目标：交互范式的迁移

Perplexity在官方发布中明确指出，Teammates要改变的是“在会话中编写提示词”这一习惯。传统AI助手的使用方式，是用户把任务拆解成一句句指令，模型逐轮响应；而Teammates的设想是让用户只描述想要达成的结果，由智能体负责分解、执行与跟进。

这一转变的意义在于责任边界的重新划分。提示词工程本质上把任务拆解的负担压在用户身上，而目标驱动的智能体则把拆解工作交还给系统。对于工作场景而言，这更接近人类与同事协作的方式——你交代的是目标，而不是操作步骤。

提示词工程（Prompt Engineering） 指用户通过精心设计输入文本，引导大语言模型产出预期结果的一系列技巧，包括角色设定、示例注入（few-shot）、思维链引导等。它的兴起源于早期模型对指令理解的不稳定，用户不得不承担大量“翻译”工作——把模糊需求转写成模型可执行的精确指令。提示词工程的门槛在于：效果高度依赖用户经验，同一任务换个写法可能结果迥异，且多步骤任务需要人工串联多轮对话。目标驱动的智能体正是为消解这一负担而生，把“如何拆解”从用户侧转移到系统侧，但代价是系统必须具备更强的规划、记忆与自我纠错能力。

产品定位：面向工作的个人智能体

官方将Teammates描述为“personal agents for work”，即服务于工作的个人智能体。这个定位有两个关键词值得拆解。

其一是“personal”。它强调的是智能体与单个用户的绑定关系，而非通用 chatbot 的一次性问答。个人智能体通常意味着对用户上下文、偏好与工作内容的持续理解，这也是它与普通会话式产品拉开差距的地方。

其二是“for work”。Perplexity此前更多被视为搜索与研究工具，Teammates把场景明确推向工作任务，意味着产品意图从“帮你查资料”延伸到“帮你推进事情”。这是一次产品边界的扩张，也意味着它需要面对工作流中更复杂的多步骤需求。

个人智能体（Personal Agent） 与通用聊天机器人的核心差异在于“持久性”与“绑定关系”。通用 chatbot 每次会话基本从零开始，上下文随窗口关闭而消散；个人智能体则强调跨会话记住用户的身份、偏好、历史任务与工作上下文，形成持续演进的用户画像。技术上这涉及长期记忆存储、检索增强生成（RAG）与个性化策略等机制。随之而来的是隐私与数据治理问题：智能体掌握的用户上下文越多，越需要明确数据边界与访问控制。对工作场景而言，个人智能体还需处理权限问题——它能代表用户访问哪些系统、执行哪些操作，都需可审计、可撤销。

发布节奏：网页先行，原生应用跟进

根据官方信息，Teammates即日起向Max用户开放网页端使用，移动端和桌面端的原生应用“coming soon”。这一节奏延续了Perplexity以往的做法：先在网页端验证核心体验，再向原生客户端扩展。

对Max用户而言，这意味着可以立即在浏览器中体验目标驱动的智能体交互；而对更广泛的用户群体，官方尚未公布开放时间表。原生应用的缺失在短期内会限制使用场景，毕竟工作任务的推进往往发生在桌面客户端与移动端之间。

行业视角：智能体竞赛进入“目标层”

Teammates的发布放在更大的行业背景下看，指向的是智能体产品竞争重心的转移。早期智能体产品多在“能力层”比拼——能否调用工具、能否执行代码、能否浏览网页；而当这些能力逐渐成为标配，差异化的焦点开始上移到“目标层”：谁能更准确地理解用户意图、更可靠地拆解任务、更透明地汇报进展。

Perplexity选择以“工作”为切口，也符合其用户画像。搜索与研究本身就是知识工作的核心环节，从研究延伸到任务执行，路径相对自然。不过，目标驱动的智能体对可靠性要求更高：一次搜索答错可以修正，一个被持续执行的目标出错，代价会大得多。Teammates能否在工作场景中建立信任，将取决于它在任务分解与过程可控性上的实际表现。

目前官方披露的信息集中在定位与发布节奏上，关于具体能力边界、任务类型支持范围与协作机制的细节仍然有限。随着Max用户在网页端开始使用，这些问题的答案会逐步浮出水面。

智能体的“能力层”与“目标层” 可以理解为两个递进的技术栈。能力层对应工具调用（function calling）、代码执行、网页浏览等原子操作，衡量的是智能体“能不能做”；目标层对应意图理解、任务分解（task decomposition）、多步规划与过程汇报，衡量的是“做得对不对、可不可控”。业界常用“规划—执行—反思”循环来描述目标层智能体的运行逻辑：先拆解目标为子任务，逐步执行，再根据中间结果调整计划。目标层的难点在于错误累积——每一步的小偏差可能在多步后放大，因此过程透明性（让用户看到智能体在做什么、为何这样做）成为建立信任的关键设计。