De Perplexity Blog


Uitgelicht
Ideeën1 nov 2026De lezing over kennis
Nieuws15 okt 2026SPACE, het sandboxplatform achter Computer, wordt open sourcePerplexity maakt SPACE open source, het sandboxplatform achter Computer, om ontwikkelaars te helpen veiligere autonome AI-agents te bouwen
Ontwikkelaars28 sep 2026Agent API ondersteunt nu herbruikbare agentsTeams creëren herbruikbare agents met Profiles, Skills en beheerde connectors met versiebeheer die ze kunnen delen in applicaties.
Meer van het Perplexity Research-team
Een goede leraar sluit aan bij waar de leerling staatEen nieuwe zelfdistillatiemethode die leraar en leerling gezamenlijk traint om de modelprestaties en trainingsefficiëntie bij complexe redeneertaken en agentische taken te verbeteren.
Gedeelde werkruimten bouwen voor mensen en agentsHoe Projecten in Perplexity langlopend werk persistent, gelijktijdig en traceerbaar houden.
Multimodale embeddings voorbij één enkele vectorEen nieuwe familie late-interactionmodellen voor tekst- en beeldretrieval, met een gedeelde embeddingruimte over modelgroottes heen.
Onlangs gepubliceerd
217 berichten gevonden
Autonome agents: wat ze zijn en hoe ze werkenDeze gids legt uit wat autonome agents zijn, hoe ze plannen, tools gebruiken, onthouden en hun werk controleren, en hoe mensen ze gebruiken voor onderzoek, e-mail, studieopdrachten en winkelen.
Computer voor e-commerce is gemaakt voor merkgroeiGebruik Computer voor e-commerce om Shopify-verkopen te analyseren, productpagina’s te bouwen en advertentie- en e-mailcampagnes te maken die groei stimuleren.
BrowseSafe++: sterkere verdediging bouwen tegen promptinjectie in de praktijkEen open benchmark en twee lichtgewicht detectoren voor browseragents.
Geheugen voor AI-agents: zo bouw je AI-agents met blijvende contextDeze gids legt uit wat geheugen voor AI-agents is, hoe werkgeheugen, episodisch, semantisch en procedureel geheugen samenwerken, en hoe je agents bouwt en test die beter worden dankzij blijvende context.
De lezing over kennis
Een LLM fine-tunen [en wanneer je beter RAG of prompting kunt gebruiken]In deze gids lees je hoe je stap voor stap een LLM fine-tunet, hoe volledige fine-tuning zich verhoudt tot LoRA en QLoRA, en wanneer prompting of RAG de betere manier is om de uitvoer van een model te verbeteren.
Tekstembeddings uitgelegd: zo werken ze [+voorbeelden]Deze gids legt uit wat tekstembeddings zijn, hoe ze tekst omzetten in vectoren die betekenis vastleggen, en hoe je embeddingmodellen kiest, evalueert en toepast voor zoeken, RAG en andere praktijktoepassingen.
Nieuwe FedRAMP-certificering brengt Perplexity naar meer overheidsworkflowsFederale instanties kunnen met Perplexity live op het web zoeken en antwoorden met bronvermelding krijgen dankzij een nieuwe FedRAMP-certificering.
Eenvoudige RAG-implementatie: een stapsgewijze tutorialDeze beginnersvriendelijke tutorial legt uit hoe een eenvoudige RAG-implementatie werkt, behandelt best practices en laat stap voor stap zien hoe je met Python, ChromaDB en de embedding- en taalmodellen van Perplexity een werkend RAG-systeem voor de opdrachtregel bouwt.
Hoe werkt een LLM-gateway? Een praktische gids voor engineeringteamsEen LLM-gateway is een reverse proxy die je modelaanroepen routeert, authenticeert, cachet en logt. Deze gids volgt een verzoek door zo’n gateway, behandelt de beveiligings- en betrouwbaarheidsrisico’s waarop je je moet voorbereiden en vergelijkt de opties: zelf bouwen, zelf hosten, een beheerde dienst of een API-gateway.