Perplexity Computer 拆解：19个模型+沙箱矩阵如何撑起极速AI任务引擎

底层沙箱：E2B Firecracker 微虚拟机

沙箱隔离层采用 E2B 的 Firecracker 微虚拟机技术，专为 AI 代码执行设计，能在约 150-170 毫秒内启动一个轻量级虚拟机。据 Perplexity CTO Denis Yarats 透露，目前每月运行数百万个 E2B 沙箱。

每个沙箱实例具备三项核心能力：

• 真实文件系统：可像人类开发者一样读写文件、持久存储数据、代码和报告
• 真实浏览器实例：Comet 浏览器作为 AI 原生浏览器，支持自主浏览网页、提取数据、填写表单
• 数百个连接器：支持与 Gmail、Slack、Notion、GitHub、Jira 等主流工具集成

Firecracker 微虚拟机相比 Docker 容器拥有更强的安全隔离级别，同时保持毫秒级启动速度——这是传统虚拟机无法做到的。

多模型智能路由：让专业的模型做专业的事

系统编排着 19 个不同的 AI 模型，核心理念是"模型即服务"——每个前沿模型在不同任务上各有专长。具体路由策略如下：

Claude Opus 4.6 担任核心推理引擎，负责接收用户指令、构建结构化任务图，并将子任务委托给对应的 specialist 模型。系统内置一个 meta-router（元路由器），根据任务类型、复杂度和延迟要求动态选择最佳模型。用户也可以手动覆盖默认路由，为特定子任务指定模型或设置消费限额。

并行处理与异步协调：任务图的动态编排

这是实现极速执行的关键。系统将用户的宏观目标分解为结构化任务图（task graph），然后根据任务类型动态路由到矩阵中的不同沙箱：

• 一个沙箱用 Gemini 处理研究任务
• 另一个沙箱用 Nano Banana 生成图像
• 第三个沙箱用 Grok 部署代码

这些工作完全异步进行，用户可以同时运行数十个实例而不会相互阻塞。面对复杂任务时，系统快速横向扩展（scale out），动态创建新的沙箱实例来处理额外工作负载，无需串行等待。

持久内存系统：从数量到精度的转变

2026 年 2 月的内存引擎升级带来了关键改进：

• 相关交互回忆准确率从 77% 提升至约 95%
• 存储记忆数量减少一半——战略性地从数量转向精度
• 个性化上下文可跨模型跟随（通过 Model Council 功能）

沙箱支持跨会话持久内存，能记住用户偏好、历史上下文和已创建的文件，使长期项目无需每次从零开始。同时确保数据不会跨沙箱泄漏，维持严格的边界隔离。

安全隔离：多层防护机制

相比本地代理方案，Cloud Sandbox 模式解决了三个核心安全问题：

1. 安全失败范围：限制在短暂的沙箱内，不影响宿主环境
2. 提示注入风险：通过沙箱隔离缓解
3. 压缩错误风险：通过子任务委托降低

系统还内置人类检查点机制——执行不可逆操作前暂停等待人工审核。所有活动维护完整审计日志，记录任务执行、信用消耗和连接器使用情况。

对 Agent 搭建者的实践启示

Sandbox Matrix 的架构公式可以概括为：专业化分工 + 弹性伸缩 + 智能调度 = 高效执行。

对于正在搭建 AI Agent 或自动化工作流的开发者，有几点直接可用的经验：

• 多模型编排优于单模型万能：根据子任务特性选择最合适的模型，而非用一个模型处理所有事情
• 沙箱隔离是 Agent 安全执行的基础：E2B 等工具已将微虚拟机的启动时间压缩到毫秒级，值得在自己的 Agent 系统中采用
• 任务图 + 并行执行是提速关键：将复杂目标拆解为可并行的子任务图，是突破单线程执行瓶颈的核心方法
• 设计提示词时使用结构化框架：采用 Goal-Inputs-Outputs-Guardrails-Confirm 的结构化框架，可以显著提高任务首次通过率