AI エンジン企業 Perplexity は 2026 年 8 月 25 日、モデルとハーネスを共設計したローカルファーストのエージェント「Computer」を発表しました。このエージェントは、基本的な処理をデバイス上で完結させ、外部へのデータ送信を防ぎつつコストを抑える設計となっています。
デバイス上の処理が基本
Perplexity は 2026 年 8 月 25 日、モデルとハーネスを共設計したローカルファーストのエージェント「Computer」を発表しました。
このエージェントは、基本的な処理をデバイス上で完結させます。モデルや会話履歴など、全てのデータがユーザーの機械に保存されます。外部との連携が必要な場合でも、必要なときだけ呼び出され、必ずユーザーの許可を得てから実行されます。
これにより、機密性の高いデータが許可なく外部へ送出されることを防ぎます。また、ローカルで動作するモデルには推論費用がかからないため、システム全体のコスト削減にもつながります。
モデルとハーネスの共設計
効果的なローカルファーストのエージェントを実現するには、モデルとハーネスを一緒に設計する必要があります。
汎用的なハーネスは、長いコンテキストを処理できる最先端のモデルを前提としています。一方、ローカルの小規模モデルはそうした要求に耐えられない傾向があります。
Perplexity は、小さなモデルに大規模モデル用のハーネスを管理させるのではなく、両者を互いに合わせる形で設計しました。モデルの能力プロファイルに合わせてカスタマイズしたハーネスと、そのハーネスを効果的に使用するようにポストトレーニングされたモデルです。
限られたコンテキストの有効活用
ローカルの小規模モデルは、260K トークンのコンテキストウィンドウを提供する場合もありますが、100K トークンを過ぎると性能が低下する傾向が見られました。そのため、コアとなるハーネスを簡潔に保ちます。
不要な機能はモジュール化し、必要なときだけ読み込みます。これにより、限られた有効なコンテキスト範囲内でモデルを効果的に活用できます。また、会話が進んでコンテキストが長くなった場合でも、古い情報を要約して圧縮する機能も備えています。
外部連携の制限と検証
日常のナレッジワークでは、Gmail や GitHub などのコネクタが必要です。これらは通常 MCP サーバーとして公開されますが、その定義がコンテキストを大量に消費します。
Perplexity は主要な MCP をコンパクトなコマンドラインツールに変換し、限られたコンテキストをより効率的に使えるようにしました。また、エージェント自身が作業を検証する機能も導入しています。これにより、最終結果の品質が向上し、最先端モデルとの差が縮まるとしています。
実行環境の分離
ハーネスはユーザーのデバイス上で OS レベルのサンドボックス内でツールを実行します。これはプロセスやファイルシステムへのアクセスを制限し、誤ったコマンドの実行による影響を最小限に抑えます。
Perplexity はこの設計により、プライベート情報を守りながら、外部の検索機能やクラウド上のモデルが必要に応じて利用できるハイブリッドな運用を実現しています。