Vad är Perplexity Portable Computer? Så håller lokalt prioriterade AI-agenter ditt arbete på din dator

Perplexity Portable Computer är mindre betydelsefull eftersom den kan köra en 27B-modell lokalt och mer eftersom den flyttar själva agentkörmiljön till användarens dator. Perplexity uppger att orkestratorn, planeraren, verktygsroutern, schemaläggaren, den beständiga uppgiftskön och det lokala sökindexet alla körs på enheten. Agenten kan läsa lokala filer, söka i dokument och kod, utföra åtgärder på datorn och hålla långvariga jobb igång utan att göra en molnmodell till standard för styrlagret.

Det förändrar frågan om lokal AI. I stället för att bara fråga om en modell får plats i RAM eller VRAM blir den viktigare frågan var agentens filer, sökindex, uppgiftstillstånd, verktyg, behörigheter och arbetsmiljö ska finnas. Portable Computer är också lokalfokuserad snarare än enbart lokal: den kan begära tillstånd att använda webbsökning, anslutna appar eller spjutspetsmodeller i molnet när en uppgift kräver funktioner som den lokala stacken inte kan tillhandahålla. Resultatet är en användbar ritning för en hybrid AI-arkitektur där användaren äger det beständiga lokala lagret medan intelligens i molnet blir en valfri resurs.

Vad är Perplexity Portable Computer?

Perplexity Portable Computer är en lokalfokuserad version av Perplexity Computer som introducerades den 25 augusti 2026. I stället för att skicka varje uppgift genom en agentkörmiljö i molnet körs det centrala agentsystemet på en lokal dator.

I det officiella tillkännagivandet av Portable Computer beskriver Perplexity ett system som kan analysera lokala data, sammanställa filer, köra arbetsflöden, söka i lokalt innehåll och utföra åtgärder på enheten utan att göra körning i molnet till standard.

Skillnaden blir tydligare om man skiljer modellen från agenten runt den.

Den avgörande förändringen är därför inte bara att en LLM flyttades från en server till en stationär dator. Orkestreringslagret följde med.

Det gör Portable Computer till något som mer liknar en lokal agentmiljö än en konventionell lokal chattbot.

Vad körs egentligen lokalt i Portable Computer?

Perplexity identifierar uttryckligen sex centrala komponenter som körs lokalt på enheten: orkestratorn, planeraren, verktygsroutern, schemaläggaren, den beständiga uppgiftskön och det lokala sökindexet. Dessa komponenter är viktiga eftersom en agent gör mycket mer än att generera nästa token.

Orkestreraren avgör hur det övergripande jobbet ska genomföras. Om en användare ber agenten granska en mapp med rapporter, jämföra dem med projektnoteringar, förbereda ett resultat och skicka en sammanfattning senare kan det finnas många enskilda operationer mellan förfrågan och resultatet.

Planeraren delar upp jobbet i hanterbara steg. Verktygsdirigeraren avgör om ett steg kräver filåtkomst, lokal sökning, kodkörning, en applikationsanslutning eller någon annan funktion. Schemaläggaren avgör när jobb ska köras, medan den beständiga uppgiftskön ger långvarigt arbete en plats att bevaras på, i stället för att anta att varje uppgift avslutas med ett enda chatsvar.

Detta är den viktigaste skillnaden mellan en agent och en chattbot. En chattbot kan vänta på användarens nästa meddelande. En agent kan fortfarande bearbeta filer, vänta på att en annan åtgärd ska slutföras, försöka igen efter ett misslyckat verktygsanrop eller återkomma till en uppgift senare.

Portable Computer stöder för närvarande Qwen3.8-27B och Perplexitys PPLX 27B på lanseringshårdvaran. Läsare som specifikt är intresserade av minneskraven för den underliggande Qwen-modellen kan använda vår guide om att köra Qwen3.8-27B på konsumenthårdvara.

Men modellen är bara en utbytbar komponent. Den viktigare arkitektoniska idén är att planering, dirigering, sökning, uppgiftsbeständighet och lokala åtgärder inte längre måste finnas bredvid en molnmodell.

Hur avgör Portable Computer när molnet ska användas?

Portable Computer är lokalbaserad, inte nödvändigtvis enbart offline. Den skillnaden är avgörande för att förstå produkten korrekt.

Perplexity säger att den lokala modellen är tränad för att slutföra så mycket som möjligt av en uppgift lokalt. När ett jobb kräver något som enheten inte har – till exempel aktuell webbinformation, webbläsaråtkomst, en ansluten applikation eller kraftfullare avancerat resonemang – kan den lokala orkestreraren eskalera den delen av arbetsflödet.

En förenklad beslutsväg ser ut så här:

Användaruppgift
   |
   v
Lokal orkestrerare
   |
   +-- Kan den lokala modellen + lokala verktyg slutföra det?
   |        |
   |        +-- Ja --> Slutför lokalt
   |
   +-- Nej
          |
          +-- Kräver aktuell webbinformation?
          +-- Kräver ansluten applikation?
          +-- Kräver webbläsaråtgärd?
          +-- Kräver avancerat resonemang?
                    |
                    v
             Be om tillstånd
                    |
                    v
          Använd godkänd molnfunktion
                    |
                    v
          Returnera resultatet till det lokala arbetsflödet

Perplexity säger att Portable Computer vid behov kan få tillgång till dess sökfunktioner, bred eller djup research, anslutna appar och fler än 15 avancerade modeller. De säger också att systemet först ber användaren om tillstånd när innehåll från enheten behöver skickas till en molntjänst.

Detta skapar en helt annan relation till molnbaserad AI.

Molnet blir en funktion som agenten kan begära, snarare än den miljö där agenten permanent befinner sig.

Den hybridmodellen är särskilt användbar för privat arbete. En lokal agent kan analysera konfidentiella dokument på enheten, men ändå be en molnbaserad söktjänst om aktuell marknadsinformation som inte kräver att själva det konfidentiella källmaterialet skickas iväg.

Hur använder Portable Computer lokala filer och sökning?

En användbar privat AI-agent behöver inte pressa in varje dokument i modellens kontextfönster. Den behöver kontrollerad åtkomst till filer samt ett sätt att hitta relevant information när en uppgift kräver det.

Portable Computer kan läsa lokala filer och söka igenom dokument och kod. Det lokala sökindexet finns också kvar på enheten. Den uppdelningen är viktig eftersom lokal AI blir mycket mer användbar när privata data behandlas som ett beständigt kunskapslager i stället för något som måste laddas upp manuellt inför varje konversation.

Ett förenklat lokalt kunskapsarbetsflöde ser ut så här:

Lokala filer
    |
    v
Lokal sökning / Index
    |
    v
Relevanta dokument
    |
    v
Lokal agent
    |
    v
Modellkontext
    |
    v
Svar / Åtgärd / Utdata

Modellen behöver därför inte ”komma ihåg” ett helt filsystem. Den kan hämta de filer eller textavsnitt som är relevanta för det aktuella arbetet.

Detta hänger nära samman med den arkitektur vi använder när vi diskuterar att separera lokal AI-beräkning från långsiktig NAS-lagring. Beräkningsdatorn hanterar aktiv inferens och agentarbete, medan beständiga dokument, embeddingar, utdata och säkerhetskopior kan lagras på ett lagringslager som är utformat för att förbli tillgängligt i många år.

Skillnaden blir viktigare när agenter skapar egna artefakter. Ett moget arbetsflöde kan innehålla källdokument, embeddingar, kodarkiv, utdatafiler, uppgiftsloggar, rapporter, bildresurser, transkript och ögonblicksbilder. AI-modellen är inte längre det enda som behöver lagring.

Var finns agentminnet i ett lokalt system?

Sökbara filer är en form av beständigt sammanhang, men långvariga agenter behöver så småningom något som mer liknar minne: information om tidigare arbete, projekthistorik, anteckningar, upptäckter, beslut och uppgiftsstatus som finns kvar längre än en enda prompt.

Portable Computers lansering bekräftar redan lokal sökning och en beständig uppgiftskö, men det är viktigt att inte påstå att varje komponent i Perplexitys bredare minnesarkitektur helt enkelt har flyttats till DGX Spark.

Separat har Perplexity publicerat detaljerat arbete om sin arkitektur för agentminne kallad Brain. Det systemet är användbart för att förstå vart företagets bredare tänkande är på väg.

Brain behandlar beständig agentkontext som ett filsystem i stället för att försöka tvinga in en användares hela historik i varje prompt. Minnesstrukturen omfattar:

Den övergripande lärdomen är viktigare än den exakta katalogstrukturen: agentminne håller på att bli beständiga data.

Modeller kan uppgraderas. En lokal Qwen-modell kan ersättas av en annan öppen modell sex månader senare. GPU:n kan bytas ut. Även agentramverket kan förändras. Men projektdokument, uppgiftshistorik, inlärd kontext, indexerade filer och tidigare resultat kan behöva överleva alla dessa förändringar.

Det gör lagret för beständiga data allt viktigare i lokal AI-arkitektur.

Hur gör Portable Computer lokala agentåtgärder säkrare?

Att köra en agent lokalt gör den inte automatiskt säker. Faktum är att en kapabel lokal agent kan ha åtkomst till fler användbara – och därför farligare – resurser än en enkel molnchattbot.

En agent som kan läsa filer, köra verktyg, redigera kod, anropa program eller köra kommandon behöver gränser för vad den får komma åt. Perplexity uppger att kod- och verktygskörning i Portable Computer sker i isolerade sandlåde­miljöer med kontrollerad åtkomst till filer och anslutna appar.

En praktisk säkerhetsmodell för lokala agenter behöver flera lager:

Det säkraste mönstret är i allmänhet att ge agenter stora möjligheter att analysera och mer begränsad behörighet att agera. Vi använder samma princip i vår guide till att använda godkännandegrindar för lokala AI-agenter: utkast, sammanfattningar, övervakning och rekommendationer kan ofta köras automatiskt, medan radering av filer, meddelanden, köp eller ändring av behörigheter kräver starkare bekräftelse.

Perplexitys bredare forskning om långvariga agent-sandlådor förklarar också varför agentkörningsmiljöer skiljer sig från vanliga kortlivade containerjobb. En agent kan samla på sig ett arbetsfilsystem, körande processer och tillstånd under timmar eller dagar, vilket gör både isolering och återställning viktigt.

Den forskningen bör inte tolkas som ett bevis på att varje exakt implementeringsdetalj i molnets SPACE återskapas identiskt i Portable Computer. Den visar däremot vilket infrastrukturproblem lokala agenter i allt högre grad måste lösa: kraftfull körning måste samexistera med kontrollerad åtkomst och beständigt tillstånd.

Vilken hårdvara behöver Perplexity Portable Computer?

Vid lanseringen är Portable Computer tillgänglig på NVIDIA DGX Spark för Perplexity Pro- och Max-prenumeranter. Den första versionen stöder Linux, medan stöd för Windows har meddelats komma senare. Perplexity uppger också att stöd för NVIDIA RTX GPU-datorer kommer.

DGX Spark bygger på NVIDIAs Grace Blackwell GB10-plattform med en 20-kärnig Arm-processor, NVIDIA GPU och 128 GB delat minne. Den stora gemensamma minnespoolen gör den lämplig för att köra omfattande lokala modeller samtidigt som det finns kapacitet kvar för agentkörningen och andra arbetsbelastningar.

Portable Computer erbjuder för närvarande Qwen3.8-27B och PPLX 27B, en Perplexity-eftertränad version av Qwen-modellen. NVIDIA Nemotron 3.5 Lightning listas också som kommande i modellväljaren.

Detta betyder inte att en DGX Spark är ett universellt minimikrav på hårdvara för den underliggande 27B-modellen. Qwen3.8-27B kan i sig köras på betydligt mer konventionell hårdvara vid kvantisering. Systemet med 128 GB ger Perplexity utrymme att leverera en integrerad lokal agentmiljö, snarare än att bara demonstrera att basmodellen kan generera tokens.

Minskar AI med lokal prioritet verkligen molnkostnaderna?

Perplexity uppger att arbete som slutförs av Portable Computers lokala modell inte förbrukar krediter. Det förändrar ekonomin för agentarbetsbelastningar, eftersom agenter kan använda betydligt mer inferens än vanlig chatt.

En enskild chatbotfråga kan bestå av en prompt och ett svar. En agent kan i stället:

planera en uppgift, granska filer, anropa verktyg, utvärdera ett resultat, försöka igen efter en misslyckad åtgärd, söka ytterligare information, anropa en annan arbetare, sammanfatta resultaten och sedan skapa det slutliga resultatet.

Varje loop skapar mer inferens. När samma automatisering körs varje morgon, behandlar hundratals dokument eller kontinuerligt arbetar med en kodbas kan avgiftsbelagd användning ackumuleras mycket snabbare än vid tillfälliga chattar.

Lokal inferens förändrar den kostnadsstrukturen. Vissa löpande molnkostnader per användning ersätts med fasta kostnader för exempelvis hårdvara, el, lagring och underhåll.

Det gör inte lokal AI gratis. Den mer användbara jämförelsen är kostnadsavvägningen mellan lokal AI och moln-AI.

Portable Computer formaliserar i praktiken det hybrida svaret: behåll volymrika eller känsliga arbetsuppgifter på den hårdvara du redan äger och använd sedan molnresurser selektivt där de ger en tydlig kapacitetsfördel.

Varför kan lokala AI-agenter behöva en server eller NAS även när inferensen körs någon annanstans?

Portable Computer körs för närvarande på ett AI-beräkningssystem, inte på en NAS. Det finns ingen anledning att göra detta till ett obestyrkt påstående om att hela produkten bör installeras på en lagringsserver.

Den mer intressanta kopplingen är arkitektonisk.

När agenter blir beständiga samlar de på sig data som finns kvar långt längre än en enskild inferenssession:

• källdokument och privata filer,
• kodarkiv och projekttillgångar,
• sökindex och inbäddningar,
• uppgiftshistorik och agentloggar,
• genererade rapporter och artefakter,
• minnesfiler och kunskapsbaser,
• arbetsflödeskonfigurationer,
• ögonblicksbilder och säkerhetskopior.

All den datan hör inte permanent hemma på den interna SSD:n i maskinen som utför inferensen.

En mogen lokal-först-arkitektur kan separera tre resurslager:

NAS-enheten behöver inte låtsas vara GPU-minne. Dess roll är en annan: att tillhandahålla en stabil, utbyggbar och behörighetsstyrd plats för agentens beständiga data.

Detta är samma anledning till att ett privat AI-datalager kan förbli på en NAS medan inferensen körs någon annanstans. Beräkningshårdvaran kan bytas ut utan att hela kunskapsbasen måste flyttas med.

Den åtskillnaden blir särskilt användbar i en miljö med flera enheter. En arbetsstation kan köra en kraftfull lokal modell under dagen, en annan enhet kan hantera enklare AI-uppgifter och ett uppgraderat GPU-system kan senare ersätta båda. Ett beständigt lagringslager kan fortsätta att innehålla samma projektfiler, embeddingar, resultat, agenthistorik och säkerhetskopior genom alla dessa förändringar.

Med andra ord kanske den långsiktiga tillgången inte är modellen. Den kan vara tillståndet runt modellen.

Är Portable Computer framtiden för personliga AI-agenter?

Portable Computer är för nytt för att bevisa att alla personliga AI-agenter kommer att använda exakt samma arkitektur. Däremot gör det flera bredare trender mycket lättare att se.

För det första börjar kraftfulla lokala modeller gå längre än privata chattar. En 27B-modell kan nu ingå i ett agentramverk som planerar uppgifter, söker igenom filer, kör verktyg och håller arbetet igång.

För det andra blir agentramverket allt viktigare – i lika hög grad som modellen. Orkestrering, bestående uppgifter, informationshämtning, behörigheter, sandlådor, anslutningar och minne avgör vad modellen faktiskt kan åstadkomma.

För det tredje är helt lokal och helt molnbaserad AI inte de enda alternativen. Portable Computer visar en mer praktisk mellanväg: rutinmässig körning kan ske på enheten, medan agenten selektivt kan be om extern information eller mer avancerade resonemang.

Det finns fortfarande viktiga begränsningar. Lanseringen är inriktad på specialiserad DGX Spark-hårdvara. Stödet för RTX-datorer byggs fortfarande ut. Windows-stöd ingick inte i den första versionen. Lokala modeller kommer inte att överträffa de mest avancerade molnmodellerna i alla svåra resonemangsproblem, och anslutna program omfattar fortfarande externa tjänster.

Lokal körning överför också mer ansvar till användaren. Hårdvarukapacitet, lagring, behörigheter, säkerhetskopiering, programuppdateringar och agentsäkerhet blir alla delar av systemet i stället för osynlig molninfrastruktur.

Men riktningen är betydelsefull. Den viktiga förändringen går inte bara från moln-AI till lokal AI. Den går från molnägarstyrda arbetsflöden mot användarägd AI-infrastruktur som selektivt kan låna molnintelligens när det är användbart.

När det händer är maskinen som kör modellen bara en del av systemet. Filer, index, minne, behörigheter, uppgiftstillstånd, resultat och säkerhetskopior blir centrala delar av den personliga AI-infrastrukturen – och det är just dessa lager som gör lokal-först-agenter användbara långt efter att dagens modell har ersatts.

Vanliga frågor: Perplexity Portable Computer och lokal-först-AI

Vad är Perplexity Portable Computer?

Perplexity Portable Computer är en lokalprioriterad version av Perplexity Computer som kör agentens modell, orkestrerare, planerare, verktygsrouter, schemaläggare, beständiga uppgiftskö och lokala sökindex på användarens dator. Den kan bearbeta lokala filer och arbetsflöden utan att molnkörning är standard.

Körs Perplexity Portable Computer helt offline?

Det kan utföra många uppgifter lokalt, men beskrivs bättre som lokalprioriterat än som enbart lokalt. Agenten kan använda molnsökning, anslutna applikationer, webbläsarfunktioner eller ledande modeller när det behövs. Perplexity uppger att den ber om tillstånd innan innehåll från enheten skickas till en molntjänst.

Vilken modell använder Portable Computer?

Vid lanseringen stöder Portable Computer Qwen3.8-27B och PPLX 27B, som Perplexity beskriver som en eftertränad version av Qwen-modellen. NVIDIA Nemotron 3.5 Lightning är också planerad att läggas till i modellväljaren.

Skickar Portable Computer privata filer till molnet?

Perplexity uppger att privata data kan förbli på enheten och att systemet ber om tillstånd när en uppgift behöver skicka innehåll från enheten till en molntjänst. Användare bör ändå betrakta anslutna appar och godkänd molneskalering som externa dataflöden, snarare än att anta att systemet alltid är offline.

Kan Portable Computer köras på en RTX-dator?

Perplexity lanserade Portable Computer först på NVIDIA DGX Spark och uppger att stöd för NVIDIA RTX GPU-datorer kommer. De exakta maskinvaru- och programvarukraven för en bredare RTX-distribution kan ändras i takt med att lanseringen utvecklas.

Kräver Portable Computer en DGX Spark?

Den första driftsättningen i september 2026 är byggd kring DGX Spark, men Perplexity har redan tillkännagett en utökning till RTX GPU-datorer. Den underliggande modellen Qwen3.8-27B kan också köras separat på annan lokal maskinvara med lämplig kvantisering och tillräckligt med minne.

Är Perplexity Portable Computer samma sak som Ollama?

Nej. Ollama är främst en lokal modellkörningsmiljö och ett API-lager. Portable Computer är ett mer omfattande agentsystem som kombinerar en lokal modell med orkestrering, planering, beständig lagring av uppgifter, lokal sökning, verktyg, enhetsåtgärder, sandboxning, anslutningar och valfri eskalering till molnet. Ollama hjälper till att köra en modell; Portable Computer är utformat för att köra ett kontinuerligt agentarbetsflöde kring en modell.

Varför behöver en lokal AI-agent beständig lagring?

Bestående agenter skapar och återanvänder betydligt mer än bara modellvikter. De kan vara beroende av källfiler, sökindex, inbäddningar, minne, uppgiftshistorik, arbetsytor, genererade resultat, loggar och säkerhetskopior. Genom att lagra dessa data i ett beständigt lagringslager blir det enklare att byta ut eller uppgradera beräkningsdatorn utan att behöva bygga om agentens hela arbetsmiljö.