Perplexity AI: Git-система для совместной работы AI-агентов
Perplexity AI разработала систему Perplexity Projects, которая функционирует как «Git-кузница» для работы автономных AI-агентов. Эта архитектура решает проблему долгосрочного совместного проектирования, аналогично тому, как инженеры используют Git для управления кодовой базой.
Вместо того чтобы использовать одну огромную, сложную для поддержки среду, каждый агент работает в своей временной (эфемерой) песочнице. Результаты работы затем коммитятся в общий репозиторий, где другие пользователи или агенты могут строить на этих изменениях.
Система гарантирует целостность данных, используя принципы Git: атомарные коммиты, отслеживание авторства и историю изменений. Это позволяет агентам работать над сложными проектами, не рискуя перезаписать чужую работу.
Кроме того, благодаря работе с реальными файловыми выгрузками (checkout), агенты могут использовать стандартные инструменты, такие как grep. В результате внутреннего бенчмарка по финансовым документам, такой подход показал точность 0.627, что значительно превосходит результаты чисто семантического поиска (0.37). Это подтверждает превосходство файловой системы над абстрактным поиском для задач, требующих точной работы с данными.
Почему это важно
- —Решает ключевую проблему координации: как заставить агентов работать над одним проектом, не теряя историю и не перезаписывая данные.
- —Внедрение принципов Git (версионирование, коммиты) в работу AI-агентов повышает надежность и управляемость сложных проектов.
- —Демонстрация превосходства файлового подхода над чистым семантическим поиском для задач, требующих точной работы с данными.
Ключевые факты
- Система использует временные (эфемерой) песочницы для каждого агента, что снижает требования к инфраструктуре.
- Коммиты в общий репозиторий проходят проверку на основе последних принятых изменений (head).
- Агенты могут использовать стандартные файловые инструменты (например, grep), работая с реальными файловыми выгрузками.
- На бенчмарке по финансовым документам, файловый подход показал точность 0.627 против 0.37 у семантического поиска.
Полный текст — в первоисточнике. Здесь — краткое изложение и ключевые факты.