Perplexity 又动手了。这次不是发个新产品线，也不是在内部分享会上画饼，而是悄悄把 Deep Research 这条能力曲线弯进了自家越来越被外界低估的 Computer 框架里。换句话说，深度研究不再是一个你得单独打开的 Tab，而是 Computer 这个 AI Agent 跑任务时随时可调用的内置技能。Pro 和 Max 订阅者今天就能用，效果立竿见影。
一次低调却关键的架构手术
很多人对 Perplexity 的印象还停留在"那个会回答问题的搜索引擎"。但从 Computer 这个项目开始，这家公司已经在往 Agent 操作系统方向走，而这次集成则是这条路上一次相当克制的版本推进——不大张旗鼓，但动到了根。
从独立产品到原生技能
Deep Research 最早是 Perplexity 单独发布的能力，面向那些需要多轮搜索、跨源比对、最终输出一份结构化报告的用户。它的工作方式很典型：拆解问题→批量检索→综合整理→给出带引用的长文。单独用没问题，但放进更宏大的 Agent 工作流里，它一直是个"外部插件"。现在这层关系反过来了，Deep Research 直接挂在驱动 Computer 的智能体框架下，调用方式从"切窗口"变成"发指令"。
Agent 框架才是真正的底牌
Perplexity 在公告里特意强调了"连接到驱动 Computer 的智能体框架"。这才是重点。Computer 这个 Agent 框架本身已经接入了搜索即代码生成、长时运行沙箱、连接器、授权数据等基础设施。Deep Research 嵌进去之后，相当于给整个 Agent 配了一台"研究引擎"——它不再只会写代码、跑脚本，还能主动出去搜信息、做交叉验证、整理出可被后续步骤引用的知识资产。整条链路的颗粒度从"会干活"升级到"会调研之后再干活"。
Pro 用户当下能感受到什么
对已经订阅 Pro 或 Max 的用户来说，这次更新意味着几件事。你不需要再为深度研究单独付费或切换工具，它已经包含在既有订阅里；Agent 任务的上下文可以带上研究产出，跨步骤引用不再是手动复制粘贴；最关键的，长时沙箱和深度研究的组合让一些原本需要人在回路里盯着的调研-分析循环可以更彻底地交给机器。
研究-执行链路的闭环
以前用 Perplexity 做深度研究，拿到报告后还得自己把结论塞进工作流。现在 Computer 的 Agent 可以一句话调度：先去研究 X，再基于结论做 Y。这种"调研→决策→执行"的串行链路一旦打通，AI Agent 的实用性会上一个台阶，而不是只停留在演示视频里。
授权数据加持下的真实场景
Computer 自带连接器和授权数据访问能力。叠加 Deep Research 之后，Agent 不只能搜公网信息，还能把你公司内部文档、协作工具、知识库里的内容纳入研究范围。这等同于把内网搜索+外网检索+结构化输出打包成一项 Agent 原生技能。
为什么说这步棋比表面更重要
把 Deep Research 做成 Computer 的原生组件，本质上是 Perplexity 在押注一个判断：未来 AI 产品的护城河不在单一模型能力，而在 Agent 框架对各种技能的编排深度。谁能把搜索、代码、长时任务、外部工具整合得更顺，谁就能在下一波 Agent 浪潮里占住位置。
竞争维度被悄悄拉高
Cursor、Devin、Manus 这一类工具最近都在卷"Agent 能干多少事"。Perplexity 这波更新等于在说，光比谁能让 Agent 写代码还不够，得比谁能给 Agent 装上一颗真正会研究的脑子。研究能力一旦成为 Agent 的底层模块，自主代理的门槛就会被重新定义。
留给开发者的窗口期
对需要大量调研的开发者或产品人来说，这是个效率飞轮：同一个 Agent 现在能完成"找资料→做对比→形成方案→写代码验证"的全流程，不必在多个工具之间反复横跳。但也别太兴奋，目前 Computer 还在内测和逐步放量阶段，Pro 用户虽然已经能用，能力边界和稳定性仍需要时间检验。先跑通自己的高频场景，再考虑把它推到核心工作流里，是更稳妥的姿势。
