11月5日，Perplexity 发布面向工作的常驻智能体 Teammates，只对每月200美元的 Max 套餐开放。与"打开对话框问一句、答完就散"的用法不同，每一个 Teammate 是一个被命名的、有固定职责的角色，拥有自己的记忆、工具与升级规则，在后台持续跑任务，需要人拍板的时候会通过 Slack 找上来。它继承了用户在 Perplexity 里已有的项目、技能、插件、记忆与权限，不需要每次从零交代背景。功能先上网页端，移动端随后跟进。
把智能体做成"角色"而不是"功能"，改变的是使用者的心智模型。功能是按需调用的，角色是有职责边界的：一个负责营销的 Teammate 长期盯着投放数据，一个负责工程的盯着代码仓库，各自有各自的待办。用户看到的不再是一串对话记录，而是一份排班表，上面写着谁在盯什么、上次汇报是什么时候。
这种形态对产品设计提出了新要求。第一是状态要可见，用户得知道某个角色现在是在干活还是在等人；第二是中断要可恢复，任务跑到一半被打断，回来还能接上；第三是责任要可追溯，某件事最后是谁做的、依据什么做的。Perplexity 的做法是给每个 Teammate 一条独立线程，进度在里面按时间排列，人可以在线程里插话或改指令，也可以在 Slack 里直接对话。
演示里最值得注意的细节不是它能干什么，而是它怎么干。每个 Teammate 拿到的是独立的桌面、独立的浏览器会话和独立的 cookies，登录状态互不干扰：营销那个可以一直挂在广告平台上，工程那个同时盯着代码托管站，两者的会话不会串。这个设计解决的是过去多智能体并发时最常见的冲突，同一个浏览器实例被两个任务抢，登录态互相踢掉，或者一个任务的操作把另一个任务的页面刷新掉。
代价是资源消耗成倍上升。每套会话都要占内存、占算力，浏览器实例尤其重。这也解释了为什么这项功能要绑在200美元的套餐上，并且额外给了一份用量额度，而额度的具体规模与有效期都没有披露。常驻、独立会话、多智能体协作这三件事叠在一起，消耗会以肉眼可见的速度涨上去，等到赠送额度用完，真实成本才会显形。
新角色一开始就知道团队的代码规范、品牌要求、合同条款，这是继承机制带来的最大便利。过去要给一个智能体做上岗培训，得把一堆文档塞进上下文，塞得越多越贵，还容易漏。继承把这件事前置到账号层面，配置一次，后面所有角色共享。
问题也在同一处。权限是按账号继承的，账号能碰的东西，角色都能碰。一个配置不当的权限，等于把钥匙交给一个会自己找活干、而且在你睡觉时也在干活的程序。Perplexity 给出的建议是先用边界很窄的工作流试，有后果的动作保留人工批准。这条建议听着像免责声明，实际上是这类产品目前唯一可行的落地方式，因为权限粒度做不到那么细，而智能体的行为空间又是开放的。采购方在评估这类产品时，最该问的问题不是它能做多少事，而是它默认能碰到哪些东西，以及这个默认值能不能改。
演示里的两个例子都涉及交接。一个是工程角色修好了密码重置的崩溃，把改动交给质量角色，后者在桌面端与移动端各测一遍，结果再交回来复核。另一个是值班场景：部署之后502错误飙升，值班角色顺着日志找到重试预算被改坏，起草了一份带上回滚方案的改动请求。
交接是团队协作的核心动作，也是最难自动化的部分，因为交接意味着责任的转移，而责任转移需要双方对"完成"有共同定义。现在的做法靠的是角色之间的上下文共享，加上一条明确的升级规则：如果15分钟内定位不到原因，就升级给人。这条规则值得抄，它把一个模糊的问题"什么时候该找人"变成了可执行的阈值。阈值定得越具体，智能体越不容易在错误方向上越走越远。反过来，没有阈值的常驻智能体最容易出的问题不是做错，而是一直在做却始终不说，等用户发现的时候，成本已经花掉一大截。
Max 套餐每月10000积分，Teammates 另有一份额度。官方没有说常驻监控、浏览器会话、多智能体协作各自消耗多少，这意味着用户在相当长一段时间里无法预估月度成本。对个人用户，这只是一个体验问题；对企业采购，这是个绕不过去的坎，因为预算需要提前报批，而不可预估的按量计费最难写进预算表。
同类产品的定价思路正在分化。一家把常驻智能体塞进200美元档，另一家按席位收费，还有的按任务计费。三种模式的适用场景不同：按席位适合人数固定的团队，按任务适合项目制工作，按积分则适合用量波动大的场景。最终会跑出哪种，取决于多数用户的用量分布是不是长尾，这个问题现在还没有数据能回答。在此之前，采购方最好自己先做一次两周的用量记录，再拿真实数据去谈档位。
Perplexity 过去的核心是检索与引用，卖的是"答案从哪来"。做常驻智能体，卖的是"事情有没有被推进"，这是两种完全不同的信任。前者出错看得见，后者出错往往要等到交付才发现。转型的难度不在于模型能力，而在于可靠性工程：长任务的失败率是指数衰减的，一步九成的成功率跑二十步就只剩一成多。
竞争格局也很清楚，OpenAI 与 Anthropic 都在同一方向上推产品，各自的差异点落在生态上而不是参数上。对使用者来说，短期内最实际的判断标准只有三条：任务跑长了会不会跑偏、权限能不能收窄到具体动作、出了事能不能查到是哪一步的问题。这三条过不了，再漂亮的演示也只能停在试用阶段。