Was ist der tragbare Perplexity-Computer? Wie Local-First-KI-Agenten Ihre Arbeit auf Ihrem PC halten

Perplexity Portable Computer ist weniger deshalb relevant, weil es ein 27B-Modell lokal ausführen kann, sondern weil es die Agentenlaufzeit selbst auf den Rechner des Nutzers verlagert. Perplexity zufolge laufen Orchestrator, Planer, Tool-Router, Scheduler, dauerhafte Aufgabenwarteschlange und lokaler Suchindex vollständig auf dem Gerät. Der Agent kann lokale Dateien lesen, Dokumente und Code durchsuchen, Aktionen auf dem Computer ausführen und lang laufende Aufgaben aktiv halten, ohne ein Cloud-Modell zur standardmäßigen Steuerungsebene zu machen.

Das verändert die Frage nach lokaler KI. Statt nur zu fragen, ob ein Modell in den RAM oder VRAM passt, wird die wichtigere Frage, wo die Dateien des Agenten, sein Suchindex, Aufgabenstatus, seine Tools, Berechtigungen und Arbeitsumgebung gespeichert sein sollten. Portable Computer ist außerdem Local-First statt ausschließlich lokal: Das System kann um Erlaubnis bitten, die Websuche, verbundene Apps oder modernste Cloud-Modelle zu nutzen, wenn eine Aufgabe Fähigkeiten erfordert, die der lokale Stack nicht bereitstellen kann. Das Ergebnis ist ein nützlicher Entwurf für eine hybride KI-Architektur, bei der der Nutzer die dauerhafte lokale Ebene besitzt, während Cloud-Intelligenz zu einer optionalen Ressource wird.

Was ist der Perplexity Portable Computer?

Perplexity Portable Computer ist eine Local-First-Version von Perplexity Computer, die am 25. August 2026 vorgestellt wurde. Statt jede Aufgabe über eine gehostete Agentenlaufzeit abzuwickeln, führt das System den zentralen Agenten-Stack auf einem lokalen Rechner aus.

In der offiziellen Ankündigung des Portable Computer beschreibt Perplexity ein System, das lokale Daten analysieren, Dateien zusammenführen, Workflows ausführen, lokale Inhalte durchsuchen und Aktionen auf dem Gerät ausführen kann, ohne standardmäßig auf eine Ausführung in der Cloud zu setzen.

Der Unterschied wird deutlicher, wenn man das Modell vom Agenten, der es umgibt, getrennt betrachtet.

Die entscheidende Veränderung besteht daher nicht einfach darin, dass ein LLM von einem Server auf einen Desktop verschoben wurde. Die Orchestrierungsschicht wurde mitverschoben.

Dadurch wird der Portable Computer eher zu einer lokalen Agenten-Betriebsumgebung als zu einem herkömmlichen lokalen Chatbot.

Was tatsächlich lokal im Portable Computer ausgeführt wird

Perplexity nennt ausdrücklich sechs zentrale Komponenten, die auf dem Gerät ausgeführt werden: Orchestrator, Planer, Tool-Router, Scheduler, dauerhafte Aufgabenwarteschlange und lokaler Suchindex. Diese Komponenten sind wichtig, weil ein Agent weit mehr tut, als nur das nächste Token zu generieren.

Der Orchestrator entscheidet, wie die gesamte Aufgabe ablaufen soll. Wenn ein Benutzer den Agenten bittet, einen Berichtsordner zu prüfen, ihn mit Projektnotizen zu vergleichen, eine Ausgabe vorzubereiten und später eine Zusammenfassung zu senden, können zwischen der Anfrage und dem Ergebnis zahlreiche einzelne Vorgänge liegen.

Der Planer zerlegt diese Aufgabe in überschaubare Schritte. Der Tool-Router entscheidet, ob ein Schritt Dateizugriff, lokale Suche, Codeausführung, einen Anwendungs-Connector oder eine andere Fähigkeit erfordert. Der Scheduler legt fest, wann Aufgaben ausgeführt werden sollen, während die dauerhafte Aufgabenwarteschlange länger laufenden Arbeiten einen Ort zur Speicherung bietet, anstatt davon auszugehen, dass jede Aufgabe mit einer einzigen Chat-Antwort endet.

Das ist der entscheidende Unterschied zwischen einem Agenten und einem Chatbot. Ein Chatbot kann auf die nächste Nachricht des Benutzers warten. Ein Agent kann weiterhin Dateien verarbeiten, auf den Abschluss einer weiteren Aktion warten, einen fehlgeschlagenen Tool-Aufruf wiederholen oder später zu einer Aufgabe zurückkehren.

Portable Computer unterstützt auf seiner Start-Hardware derzeit Qwen3.8-27B und Perplexitys PPLX 27B. Leser, die sich speziell für die Speicheranforderungen des zugrunde liegenden Qwen-Modells interessieren, können unseren Leitfaden zum Ausführen von Qwen3.8-27B auf Consumer-Hardware nutzen.

Das Modell ist jedoch nur eine austauschbare Komponente. Die folgenreichere architektonische Idee besteht darin, dass Planung, Weiterleitung, Suche, Aufgabenpersistenz und lokale Aktionen nicht mehr neben einem Cloud-Modell angesiedelt sein müssen.

Wie entscheidet Portable Computer, wann die Cloud verwendet wird?

Portable Computer ist lokal ausgerichtet, aber nicht unbedingt ausschließlich offline. Dieser Unterschied ist entscheidend, um das Produkt korrekt zu verstehen.

Perplexity sagt, dass das lokale Modell darauf trainiert ist, möglichst große Teile einer Aufgabe lokal zu erledigen. Wenn eine Aufgabe etwas erfordert, das auf dem Gerät nicht verfügbar ist – etwa aktuelle Webinformationen, Browserzugriff, eine verbundene Anwendung oder leistungsfähigeres Schlussfolgern mit einem führenden Modell –, kann der lokale Orchestrator diesen Teil des Workflows auslagern.

Ein vereinfachter Entscheidungsweg sieht folgendermaßen aus:

Aufgabe des Benutzers
   |
   v
Lokaler Orchestrator
   |
   +-- Können lokales Modell und lokale Tools die Aufgabe abschließen?
   |        |
   |        +-- Ja --> Lokal abschließen
   |
   +-- Nein
          |
          +-- Werden aktuelle Webinformationen benötigt?
          +-- Ist eine verbundene Anwendung erforderlich?
          +-- Ist eine Browseraktion erforderlich?
          +-- Ist fortgeschrittenes Schlussfolgern erforderlich?
                    |
                    v
             Um Erlaubnis bitten
                    |
                    v
          Genehmigte Cloud-Funktion verwenden
                    |
                    v
          Ergebnis an den lokalen Workflow zurückgeben

Perplexity sagt, dass Portable Computer bei Bedarf auf seine Suchfunktionen, umfangreiche oder tiefgehende Recherchen, verbundene Apps und mehr als 15 führende Modelle zugreifen kann. Außerdem heißt es, dass das System zuerst um Erlaubnis bittet, wenn Inhalte vom Gerät an einen Cloud-Dienst gesendet werden müssen.

Dadurch entsteht ein völlig anderes Verhältnis zu Cloud-KI.

Die Cloud wird zu einer Fähigkeit, die der Agent anfordern kann, statt zu der Umgebung, in der der Agent dauerhaft lebt.

Dieses hybride Modell ist besonders für private Arbeiten nützlich. Ein lokaler Agent könnte vertrauliche Dokumente auf dem Gerät analysieren und dennoch einen Cloud-Suchdienst nach aktuellen Marktinformationen fragen, für die das vertrauliche Ausgangsmaterial selbst nicht gesendet werden muss.

Wie nutzt der Portable Computer lokale Dateien und die Suche?

Ein nützlicher privater KI-Agent muss nicht jedes Dokument in das Kontextfenster des Modells zwängen. Er benötigt kontrollierten Zugriff auf Dateien sowie eine Möglichkeit, relevante Informationen zu finden, wenn eine Aufgabe dies erfordert.

Der Portable Computer kann lokale Dateien lesen und Dokumente sowie Code durchsuchen. Sein lokaler Suchindex bleibt ebenfalls auf dem Gerät. Diese Trennung ist wichtig, weil lokale KI wesentlich nützlicher wird, sobald private Daten als dauerhafte Wissensebene behandelt werden, anstatt sie für jedes Gespräch manuell hochzuladen.

Ein vereinfachter lokaler Wissens-Workflow sieht folgendermaßen aus:

Lokale Dateien
    |
    v
Lokale Suche / Index
    |
    v
Relevante Dokumente
    |
    v
Lokaler Agent
    |
    v
Modellkontext
    |
    v
Antwort / Aktion / Ausgabe

Das Modell muss sich daher nicht an ein gesamtes Dateisystem „erinnern“. Es kann die für die aktuelle Aufgabe relevanten Dateien oder Textpassagen abrufen.

Dies steht in engem Zusammenhang mit der Architektur, die wir bei der Diskussion über die Trennung lokaler KI-Berechnungen von langfristigem NAS-Speicher verwenden. Der Computer übernimmt die aktive Inferenz und Agentenaufgaben, während dauerhafte Dokumente, Embeddings, Ausgaben und Backups auf einer Speicherebene liegen können, die darauf ausgelegt ist, über Jahre verfügbar zu bleiben.

Die Unterscheidung wird wichtiger, sobald Agenten ihre eigenen Artefakte erzeugen. Ein ausgereifter Workflow kann Quelldokumente, Embeddings, Code-Repositories, Ausgabedateien, Aufgabenprotokolle, Berichte, Bilddateien, Transkripte und Snapshots enthalten. Das KI-Modell ist nicht mehr das Einzige, was Speicher benötigt.

Wo befindet sich der Agentenspeicher in einem Local-First-System?

Durchsuchbare Dateien sind eine Form von dauerhaftem Kontext. Lang laufende Agenten benötigen jedoch irgendwann etwas, das eher einem Gedächtnis entspricht: Aufzeichnungen früherer Arbeiten, Projekthistorie, Notizen, Entdeckungen, Entscheidungen und Aufgabenstatus, die über eine einzelne Eingabeaufforderung hinaus erhalten bleiben.

Der Start des Portable Computer bestätigt bereits die lokale Suche und eine robuste Aufgabenwarteschlange. Dennoch sollte man nicht behaupten, dass jede Komponente der umfassenderen Speicherarchitektur von Perplexity einfach auf den DGX Spark übertragen wurde.

Separat dazu hat Perplexity ausführliche Arbeiten zur Agent-Speicherarchitektur namens Brain veröffentlicht. Dieses System hilft dabei zu verstehen, in welche Richtung sich die umfassenderen Überlegungen des Unternehmens entwickeln.

Brain behandelt den persistenten Kontext von Agents als Dateisystem, anstatt zu versuchen, den gesamten Verlauf eines Benutzers in jeden Prompt zu zwingen. Seine Speicherstruktur umfasst:

Die übergeordnete Erkenntnis ist wichtiger als die genaue Verzeichnisstruktur: Der Speicher eines Agents wird zu dauerhaften Daten.

Modelle können aktualisiert werden. Ein lokales Qwen-Modell könnte sechs Monate später durch ein anderes Open-Source-Modell ersetzt werden. Die GPU kann ausgetauscht werden. Sogar das Agent-Framework kann sich ändern. Projektdokumente, Aufgabenverlauf, erlernter Kontext, indizierte Dateien und frühere Ausgaben müssen jedoch möglicherweise all diese Änderungen überdauern.

Dadurch wird die persistente Datenschicht in der lokalen KI-Architektur zunehmend wichtiger.

Wie sorgt Portable Computer dafür, dass Aktionen lokaler Agents sicherer bleiben?

Die lokale Ausführung eines Agents macht ihn nicht automatisch sicher. Tatsächlich kann ein leistungsfähiger lokaler Agent Zugriff auf mehr nützliche – und dadurch gefährlichere – Ressourcen haben als ein einfacher Cloud-Chatbot.

Ein Agent, der Dateien lesen, Tools ausführen, Code bearbeiten, Anwendungen aufrufen oder Befehle ausführen kann, benötigt Grenzen dafür, worauf er zugreifen darf. Perplexity zufolge werden Code- und Tool-Ausführung in Portable Computer in isolierten Sandbox-Umgebungen mit kontrolliertem Zugriff auf Dateien und verbundene Apps ausgeführt.

Ein praktisches Sicherheitsmodell für lokale Agents benötigt mehrere Ebenen:

Das sicherste Muster besteht im Allgemeinen darin, Agents weitreichende Möglichkeiten zum Analysieren, aber engere Befugnisse zum Handeln zu geben. Dasselbe Prinzip verwenden wir in unserem Leitfaden zur Verwendung von Genehmigungsschranken für lokale KI-Agents: Entwürfe, Zusammenfassungen, Überwachung und Empfehlungen können oft automatisch erstellt bzw. ausgeführt werden, während das Löschen von Dateien, das Senden von Nachrichten, das Tätigen von Käufen oder das Ändern von Berechtigungen eine stärkere Bestätigung verdient.

Die weiterführende Forschung von Perplexity zu langlebigen Agenten-Sandboxes erklärt außerdem, warum sich Agentenausführungsumgebungen von gewöhnlichen kurzlebigen Container-Jobs unterscheiden. Ein Agent kann über Stunden oder Tage ein Arbeitsdateisystem, laufende Prozesse und Status ansammeln, wodurch sowohl Isolation als auch Wiederherstellung wichtig werden.

Diese Untersuchung sollte nicht als Beleg dafür verstanden werden, dass jedes exakte Detail der Cloud-SPACE-Implementierung auf Portable Computer identisch reproduziert wird. Sie zeigt jedoch, welches Infrastrukturproblem lokale Agenten zunehmend lösen müssen: Leistungsstarke Ausführung muss mit kontrolliertem Zugriff und dauerhaftem Status koexistieren.

Welche Hardware benötigt Perplexity Portable Computer?

Zum Start ist Portable Computer auf dem NVIDIA DGX Spark für Abonnenten von Perplexity Pro und Max verfügbar. Die erste Version unterstützt Linux; Windows-Unterstützung wurde für einen späteren Zeitpunkt angekündigt. Perplexity sagt außerdem, dass die Unterstützung für NVIDIA-RTX-GPU-PCs folgen wird.

Der DGX Spark basiert auf der NVIDIA-Grace-Blackwell-GB10-Plattform mit einer 20-Kern-Arm-CPU, einer NVIDIA-GPU und 128 GB gemeinsamem Speicher. Dieser große gemeinsame Speicherpool eignet sich für die Ausführung umfangreicher lokaler Modelle und lässt gleichzeitig Kapazität für die Agentenlaufzeitumgebung und andere Workloads.

Portable Computer bietet derzeit Qwen3.8-27B und PPLX 27B an, eine von Perplexity nachtrainierte Version des Qwen-Modells. NVIDIA Nemotron 3.5 Lightning ist ebenfalls als bald im Modellauswahlmenü verfügbar aufgeführt.

Das bedeutet nicht, dass ein DGX Spark eine universelle Mindesthardwareanforderung für das zugrunde liegende 27B-Modell ist. Qwen3.8-27B selbst kann quantisiert auf deutlich konventionellerer Hardware ausgeführt werden. Das 128-GB-System gibt Perplexity den nötigen Spielraum, eine integrierte lokale Agentenumgebung bereitzustellen, anstatt lediglich zu demonstrieren, dass das Basismodell Tokens erzeugen kann.

Senkt KI mit lokalem Vorrang tatsächlich die Cloud-Kosten?

Perplexity sagt, dass die vom lokalen Modell des Portable Computer ausgeführte Arbeit keine Credits verbraucht. Das verändert die Wirtschaftlichkeit von Agent-Workloads, da Agenten deutlich mehr Inferenz verbrauchen können als gewöhnliche Chats.

Eine einzelne Chatbot-Frage kann einen Prompt und eine Antwort umfassen. Ein Agent kann stattdessen:

eine Aufgabe planen, Dateien prüfen, Tools aufrufen, ein Ergebnis bewerten, eine fehlgeschlagene Aktion wiederholen, zusätzliche Informationen recherchieren, einen weiteren Worker aufrufen, Erkenntnisse zusammenfassen und anschließend die endgültige Ausgabe erzeugen.

Jede Schleife erzeugt weitere Inferenzvorgänge. Wenn dieselbe Automatisierung jeden Morgen ausgeführt wird, Hunderte von Dokumenten verarbeitet oder kontinuierlich eine Codebasis bearbeitet, können sich nutzungsabhängige Kosten wesentlich schneller summieren als bei gelegentlichen Chats.

Lokale Inferenz verändert diese Kostenstruktur. Sie ersetzt einen Teil der nutzungsabhängigen Cloud-Ausgaben durch Fixkosten wie Hardware, Strom, Speicher und Wartung.

Das macht lokale KI nicht kostenlos. Der sinnvollere Vergleich ist der Kostenvergleich zwischen lokaler und Cloud-KI.

Portable Computer formalisiert im Grunde die hybride Antwort: Behalten Sie umfangreiche oder sensible Aufgaben auf der Hardware, die Sie bereits besitzen, und nutzen Sie Cloud-Ressourcen gezielt dort, wo sie einen klaren Fähigkeitsvorteil bieten.

Warum benötigen lokale KI-Agenten möglicherweise einen Server oder ein NAS, selbst wenn die Inferenz anderswo ausgeführt wird?

Portable Computer läuft derzeit auf einem KI-Rechensystem, nicht auf einem NAS. Es gibt keinen Grund, daraus die unbelegte Behauptung abzuleiten, dass das vollständige Produkt auf einem Speicherserver installiert werden sollte.

Die interessantere Verbindung ist architektonischer Natur.

Je persistenter Agenten werden, desto mehr Daten sammeln sie an, die deutlich länger bestehen als eine einzelne Inferenzsitzung:

• Quelldokumente und private Dateien,
• Code-Repositories und Projektdateien,
• Suchindizes und Embeddings,
• Aufgabenverläufe und Agentenprotokolle,
• generierte Berichte und Artefakte,
• Speicherdateien und Wissensdatenbanken,
• Workflow-Konfigurationen,
• Snapshots und Backups.

Nicht alle diese Daten gehören dauerhaft auf die interne SSD des Rechners, der die Inferenz ausführt.

Eine ausgereifte Local-First-Architektur kann drei Ressourcenebenen voneinander trennen:

Das NAS muss nicht so tun, als wäre es GPU-Speicher. Seine Aufgabe ist eine andere: Es bietet einen stabilen, erweiterbaren und zugriffsgesteuerten Speicherort für die dauerhaften Daten des Agenten.

Dies ist derselbe Grund, warum eine private KI-Datenschicht auf einem NAS verbleiben kann, während die Inferenz anderswo ausgeführt wird. Die Hardware für die Berechnung kann ausgetauscht werden, ohne dass die gesamte Wissensbasis mit umziehen muss.

Diese Trennung wird in einer Umgebung mit mehreren Geräten besonders nützlich. Eine Workstation könnte tagsüber ein leistungsfähiges lokales Modell ausführen, ein anderes Gerät könnte leichtere KI-Aufgaben übernehmen, und ein aufgerüstetes GPU-System könnte später beide ersetzen. Eine persistente Speicherebene kann während dieser Veränderungen weiterhin dieselben Projektdateien, Embeddings, Ausgaben, den Agentenverlauf und Backups enthalten.

Mit anderen Worten: Der langfristige Vermögenswert ist möglicherweise nicht das Modell. Es könnte der Zustand rund um das Modell sein.

Ist Portable Computer die Zukunft persönlicher KI-Agenten?

Portable Computer ist noch zu neu, um zu beweisen, dass jeder persönliche KI-Agent genau dieselbe Architektur übernehmen wird. Es macht jedoch mehrere übergeordnete Trends deutlich sichtbarer.

Erstens entwickeln sich leistungsfähige lokale Modelle über private Chats hinaus. Ein 27B-Modell kann inzwischen in einem Agenten-Framework ausgeführt werden, das Aufgaben plant, Dateien durchsucht, Tools ausführt und die Arbeit fortsetzt.

Zweitens wird das Agenten-Framework zunehmend ebenso wichtig wie das Modell. Orchestrierung, dauerhafte Aufgaben, Abruf, Berechtigungen, Sandboxes, Konnektoren und Speicher bestimmen, was das Modell tatsächlich leisten kann.

Drittens sind rein lokale und rein cloudbasierte KI nicht die einzigen Optionen. Portable Computer zeigt einen praktischeren Mittelweg: Routinemäßige Ausführung kann auf dem Gerät verbleiben, während der Agent gezielt externe Informationen oder leistungsfähigeres Schlussfolgern anfordert.

Es gibt weiterhin wichtige Einschränkungen. Der Start konzentriert sich auf die spezialisierte DGX-Spark-Hardware. Die Unterstützung für RTX-PCs wird noch ausgebaut. Windows wurde bei der ersten Veröffentlichung nicht unterstützt. Lokale Modelle werden bei schwierigen Aufgaben zum logischen Schlussfolgern nicht immer leistungsfähiger sein als führende Cloud-Modelle, und vernetzte Anwendungen greifen weiterhin auf externe Dienste zurück.

Die lokale Ausführung überträgt dem Nutzer auch mehr Verantwortung. Hardwarekapazität, Speicher, Berechtigungen, Backups, Softwareupdates und die Sicherheit von Agenten werden zu Bestandteilen des Systems statt unsichtbarer Cloud-Infrastruktur.

Die Richtung ist jedoch bedeutsam. Der wichtige Wandel besteht nicht einfach im Übergang von Cloud-KI zu lokaler KI. Es geht um den Übergang von cloudverwalteten Arbeitsabläufen zu einer nutzereigenen KI-Infrastruktur, die bei Bedarf gezielt auf Cloud-Intelligenz zurückgreifen kann.

Sobald das geschieht, ist die Maschine, auf der das Modell ausgeführt wird, nur noch ein Teil des Systems. Dateien, Indizes, Speicher, Berechtigungen, Aufgabenstatus, Ausgaben und Backups werden zu zentralen Bestandteilen der persönlichen KI-Infrastruktur – und genau diese Ebenen machen Local-First-Agenten noch lange nach dem Austausch des heutigen Modells nützlich.

FAQ: Tragbarer Perplexity-Computer und Local-First-KI

Was ist der tragbare Perplexity-Computer?

Perplexity Portable Computer ist eine local-first-Version von Perplexity Computer, die das Modell, den Orchestrator, den Planer, den Tool-Router, den Scheduler, die dauerhafte Aufgabenwarteschlange und den lokalen Suchindex des Agenten auf dem Gerät des Nutzers ausführt. Lokale Dateien und Workflows können verarbeitet werden, ohne dass die Ausführung in der Cloud zum Standard wird.

Funktioniert Perplexity Portable Computer vollständig offline?

Es kann viele Aufgaben lokal ausführen, wird aber treffender als „local-first“ und nicht als „local-only“ beschrieben. Der Agent kann bei Bedarf die Cloud-Suche, verbundene Anwendungen, Browserfunktionen oder besonders leistungsfähige Modelle nutzen. Perplexity zufolge bittet er um Erlaubnis, bevor Inhalte vom Gerät an einen Cloud-Dienst gesendet werden.

Welches Modell verwendet Portable Computer?

Zum Start unterstützt Portable Computer Qwen3.8-27B und PPLX 27B, das Perplexity als nachtrainierte Version des Qwen-Modells beschreibt. NVIDIA Nemotron 3.5 Lightning ist ebenfalls für die Modellauswahl vorgesehen.

Sendet Portable Computer private Dateien in die Cloud?

Perplexity zufolge können private Daten auf dem Gerät verbleiben, und das System bittet um Erlaubnis, wenn eine Aufgabe das Senden von Inhalten vom Gerät an einen Cloud-Dienst erfordert. Nutzer sollten verbundene Apps und genehmigte Cloud-Eskalationen dennoch als externe Datenflüsse betrachten, statt anzunehmen, dass das System dauerhaft offline ist.

Kann Portable Computer auf einem RTX-PC ausgeführt werden?

Perplexity hat Portable Computer zunächst auf NVIDIA DGX Spark eingeführt und erklärt, dass die Unterstützung für NVIDIA-RTX-GPU-PCs bevorsteht. Die genauen Hardware- und Softwareanforderungen für eine breitere RTX-Bereitstellung können sich im Zuge dieser Einführung noch ändern.

Benötigt Portable Computer einen DGX Spark?

Die anfängliche Bereitstellung im September 2026 basiert auf DGX Spark, aber Perplexity hat bereits eine Erweiterung auf RTX-GPU-PCs angekündigt. Das zugrunde liegende Modell Qwen3.8-27B kann mit geeigneter Quantisierung und ausreichendem Speicher auch unabhängig auf anderer lokaler Hardware ausgeführt werden.

Ist Perplexity Portable Computer dasselbe wie Ollama?

Nein. Ollama ist in erster Linie eine lokale Laufzeitumgebung für Modelle und eine API-Schicht. Portable Computer ist ein umfassenderes Agentensystem, das ein lokales Modell mit Orchestrierung, Planung, dauerhafter Aufgabenverwaltung, lokaler Suche, Tools, Geräteaktionen, Sandboxing, Konnektoren und optionaler Eskalation in die Cloud kombiniert. Ollama hilft beim Ausführen eines Modells; Portable Computer ist dafür ausgelegt, einen fortlaufenden Agenten-Workflow rund um ein Modell auszuführen.

Warum benötigt ein lokaler KI-Agent persistenten Speicher?

Persistente Agenten erstellen und verwenden weit mehr als nur Modellgewichte. Sie können von Quelldateien, Suchindizes, Embeddings, Speicher, Aufgabenverläufen, Arbeitsbereichen, generierten Ausgaben, Protokollen und Sicherungskopien abhängen. Wenn diese Daten in einer dauerhaften Speicherschicht liegen, lässt sich die Rechenmaschine leichter ersetzen oder aufrüsten, ohne die gesamte Arbeitsumgebung des Agenten neu erstellen zu müssen.