作者：Damian Player
編譯：Peggy，BlockBeats
本文圍繞著一個被反覆忽視的差異展開──為什麼同樣使用AI，有人只得到一段答案，有人卻直接拿到可以交付的成果。關鍵不在模型能力，而在使用方式：是把工具當作對話窗口，還是當作一個可以被指揮、被調度的執行系統。
以Perplexity Computer 為代表的新一類工具，將「任務」取代「提問」作為核心互動方式。從合約審核、競品分析，到資料清洗與報告生成，使用者不再描述問題，而是直接定義最終交付物。配合連結企業工具、固化個人背景與風格範例，此能力進一步從一次性輸出，演變為可重複使用、可自動運作的工作流程。
更重要的是，自動化的邊界正在被重新定義。它不再只是輔助完成某一步，而是可以持續運作、跨工具執行，甚至主動提出補充任務。這意味著，人與工具之間的關係，正在從「使用」，轉向「管理與委託」。
在這一變化下，真正的分水嶺不再是是否使用AI，而是是否已經開始用它「交付結果」。
以下為原文：
那些把這件事搞清楚的人，將會獲得一種不對稱的優勢。很快，所有人都會學會怎麼做。但在一切變得顯而易見之前，這裡是你可以提前開始的方式。
過去一年裡，開發者已經在後台運行著自治型AI 智能體（例如Claude Code、OpenClaw 等），它們可以自己做研究、建構產品、直接交付完整成果，不需要人反覆盯著或來回提示。但你其實一直用不上這套——除非你會用終端，就會寫程式碼。
而Perplexity Computer 改變了這一點。這是第一次，非開發者也能用同樣的能力。你只需要一個瀏覽器，以及一個可以交給它去完成的任務。
大多數人打開Perplexity，輸入一個問題，得到答案，然後關掉頁面。他們錯過了關鍵。 Perplexity Computer 不是用來回答問題的，它是用來執行任務的。
別再問問題了，開始把真正的工作交給它。
為什麼大多數人會失敗
財務長、律師、顧問顧問…他們打開工具，輸入一個問題，得到一個還不錯的答案，然後心想：「哦，一個更高級的Google。」接著繼續花90 分鐘去清理上週一剛清理過的那張表格。
問題不在工具，而在用法。他們把它當成了聊天機器人。
提問方式： 「這份合約有哪些風險？」
任務方式： 「審核這份合約。逐條核查所有表述是否有公開來源支持；標出措辭模糊、條款缺失以及可能帶來法律責任的部分；列出最關鍵的5 個風險點，並附具體條款引用；輸出一份帶修訂痕蹟的Word 文件。」
同一份合約。一種方式只給你一份清單，讓你自己去讀；另一種方式直接給你一份可以寄給客戶的成品。
只要10 分鐘，把這套系統搭起來
先把工具連上。點選側邊欄的connectors。 Perplexity 可以連接400 多個應用程式：Gmail、Google Drive、Slack、Salesforce、Notion、SharePoint……把你實際在使用的都接上。
然後讓它知道你是誰。輸入一次就夠：「我是某個職位，在某類公司工作。我會定期產出X、Y、Z 這些內容。請在每次會話中記住這些背景。」它會長期保留這些資訊。
再告訴它「什麼是好的」。找2–3 個你最滿意的成果，上傳並輸入：「這些是我最好的工作範例。請學習它們的格式和語氣，以後生成內容時以此為參考。」
這樣，它就不是在猜你的風格，而是在反向拆解你已經驗證過的成功路徑。
10 分鐘，先做這件事。
一個真實例子：那個不再耗費90 分鐘的星期一
一位金融分析師每週一都會收到一份資料匯出，150 行，格式混亂：重複資料、三種日期格式、評級用文字寫而不是數字。在開始分析之前，她每週都要花90 分鐘清洗資料。同一個問題，每週重複。
她只輸入了一條指令：清理這份文件，去重，統一日期格式，把文字評級轉成數字；在清洗後的數據上做分析；產生一個帶有篩選功能的交互式儀錶板並提供分享鏈接；輸出一份對比清洗前後的PDF 報告；所有文件保存到Drive 的“週一報告”文件夾。
4 分鐘後：乾淨的資料集、互動式儀表板、分享連結、PDF 報告——全部出現在她的Drive 裡。
然後她又問了一句：「有沒有我還沒問，但能讓這件事更有用的改進？」
系統建議了兩點：一是把這個任務設為每週一早上7 點自動運行；二是新增一個任務，根據表現不佳的板塊生成週二的管理層簡報。
她把兩項都設好，關掉頁面。
之後每週一，它都會自動運作——無論她的電腦是否開啟。
這正是開發者過去一年所使用的能力。現在，你在瀏覽器裡就能用。
人們已經在用它做什麼
@gregisenberg 在@startupideaspod 播客中做了現場測試。
他只給了一個任務：找出在競品播客投放廣告的公司，識別真正負責贊助的人，並為每個人寫一封個人化郵件。
系統找到了Ramp 的成長副總裁，抓取了他兩週前參與的一期播客內容，寫出一封冷郵件，引用了他在節目中的具體發言，然後直接發送。 Greg 並沒有說「發送」，系統判斷任務完成並自行執行。
接著它又主動建議：監控競品播客，一旦有新品牌開始投放廣告，立刻提醒並附上對應聯絡人－「在預算剛啟動時就聯絡」。
最終，這個流程並行完成了96 個潛在客戶的調查，並安排了第3 天和第7 天的後續郵件。
在Marketing Against the Grain 節目中，團隊用它審計了整個HubSpot 產品頁面：自動爬取全站、按自訂標準評分、排序問題，並產生一個可分享的網站報告。本來需要團隊一週的工作，在錄製節目時就完成了。
這些都是現場完成的，不是演示，也不是預設腳本。
針對具體工作的用法
在金融領域，一位投資組合分析師在英偉達財報發布前只下達了一個任務。
回報結果是：一個即時互動式儀表板，包含1305 億美元營收、75% 毛利率、114.2% 成長率、完整利潤表，以及從2021 財年到2028 年預測的利潤率趨勢，全部支援篩選和分享連結。
沒有Excel，沒有手動找數據，5 分鐘完成。
Perplexity 可以直接呼叫SEC 揭露、FactSet、標普全球、PitchBook 等資料來源－不需要API key，也不需要額外授權，系統內建完成。
法律場景：
「審核這份合約。逐條核查所有表述是否有公開來源支持；標出措辭模糊、標準條款缺失，以及在[具體州] 合約法下可能產生法律責任的內容；列出最關鍵的5 個風險點，並附具體條款引用；輸出一份帶修訂痕蹟的Word 文件。」
有位審核人員曾上傳一份提案，聲稱某市場年增43%。 Perplexity Computer 查出真實數據只有4%，在簽約前就攔下了問題。
行銷場景：
「分析[競品1]、[競品2]、[競品3] 過去30 天表現最好的內容；找出互動最高的內容形式與主題；識別內容空白；基於這些空白生成一個30 天的內容日曆，並保存為Google Doc。」
把它設為定時任務。每週一自動產生最新競品分析，無需人工調查。
營運場景：
「這是我們Q1 的CSV 數據。請清洗數據；按區域和產品線分析收入；識別三個最大問題；生成一頁紙的行動建議；製作一頁匯報用PPT；所有文件保存到項目文件夾。」
五個交付物，一條指令。你在開會的時候，它就已經做完了。
模型評審（Model Council）：60 秒得到三種判斷
當你面臨一個有實際後果的決策時，只需輸入一次問題。 Perplexity 會同時呼叫Claude、ChatGPT 和Gemini，並由一個「綜合器」總結它們的共識與分歧。
·三者一致的部分：高置信結論
·存在分歧的部分：需要進一步判斷
有人問產品定價該選$297 還是$497。三個模型給出不同答案，但綜合器發現它們唯一一致的結論是：不要低於$297。決策就此完成。
很多公司會花錢請顧問公司把分析師關在會議室得出結論。
這裡，只需要一條指令。
真正的核心能力
想從Perplexity Computer 中獲得實際價值，80% 取決於一件事：你能否清楚描述「最終產出」。
不是技術配置。而是你是否夠清楚自己要交付什麼。不要描述步驟，要描述結果。
每次任務完成後，記得再問一句：「有沒有我還沒問，但能讓這個結果更有用的地方？」
它幾乎每次都會指出盲點。每次都用。
從這裡開始
開啟Perplexity（pro 版$20/月）。進入Computer 頁面，點選connectors，先連接Gmail 和Google Drive。
輸入你的三句背景介紹（只需一次）。上傳2–3 個你最好的工作範例，讓它學習你的風格。然後選一個你上週花了2 小時以上、且每次輸出都類似的任務：用「最終交付物」的方式描述它，發送。觀察執行過程。如果是重複任務，在關閉頁面前設為自動執行。
開發者已經用這套一年了。他們和其他人的產出差距，是真實存在的。
這，就是縮小差距的方法。
