How To Recreate Perplexity Computer In Langflow

guide2026-06-029 min read

Perplexity Computer 不是更强的搜索框，而是一个能规划任务、委派子任务、浏览网页、连接工具、生成产物、长期运行并保留审计轨迹的数字 worker。复刻它时，搜索层可以复用现有 Langflow Perplexity facade，真正要补的是 Computer orchestration runtime。

perplexity-computerlangflowagent-orchestrationbrowser-automation

Summary

Perplexity Computer 的核心不是单次回答，而是一个长期可运行的 agent runtime：接收目标，拆解工作，调用搜索、浏览器、代码、文件、连接器和报告生成子系统，最后产出可审阅结果。基于现有 Langflow 工具，最现实的路线是保留已经做好的 Perplexity-like search facade，把 Deep Research 升级成任务编排层，再接入 Browser Worker、Artifact Worker、Connector Worker 和审批安全层。这篇文章保留为独立 case study，因为它讨论的是 Computer-like runtime，而不是重新讲搜索、Deep Research 或 BrowserOS。搜索流水线见 Recreate Perplexity Search With LangFlow，研究循环见 Deep Research Is An Orchestration Loop，真实浏览器 MCP 自动化见用 BrowserOS MCP 做浏览器自动化。

What This Solves

你已经有很多 Perplexity-like 搜索能力在 Langflow 里复刻了，所以问题不是再造一个 web search node。问题是如何把这些能力组合成一个类似 Perplexity Computer 的系统：它能做研究，也能真正执行多步任务。普通 LLM 或普通搜索流通常是：

user question -> search -> answer with citations

Deep Research 是：

goal -> clarification -> research plan -> search/open-url loop -> findings -> final report

Computer-like agent 要再往上走一层：

goal
-> task planner
-> orchestrator
-> search worker
-> browser worker
-> connector worker
-> artifact worker
-> reviewer / verifier
-> deliverable
-> audit trail

Perplexity 官方对 Computer 的定位是 general-purpose digital worker，能操作人类使用的界面，并创建和执行可持续数小时甚至数月的 workflows。它的产品页把 Computer 描述成能 research、code、browse、build、monitor、schedule、create、write、edit、connect、automate 的 worker，而不是聊天回答器。

Who This Is For

这篇笔记是给未来要在 Langflow 里复刻 Perplexity Computer 的自己。前提是你已经有：

一个 LangFlow starter project，例如 $LANGFLOW_STARTER_DIR
一个 Perplexity-like facade service，例如 $PERPLEXITY_FACADE_URL
一个 Deep Research MVP module，例如 $DEEP_RESEARCH_MODULE
一个 LangFlow custom component，例如 DeepResearchComponent
已经做好的 search、reader、citation、rerank、quality、agent-run smoke tests 或等价验证

这意味着实现重点应从“怎么搜”转移到“怎么编排任务、执行网页动作、保存状态、校验结果、暴露进度”。

Prerequisites

一个可调用的 LLM provider，用于 planner、orchestrator、reporter、verifier。
现有 Perplexity facade，可提供 /v1/search、/v1/chat/completions、/v1/agent/runs。
Browser automation runtime，MVP 可选 Playwright 或 browser-use。
文件和 artifact workspace，用于保存截图、下载文件、报告、JSON trace。
安全边界：沙箱、域名策略、审批 gate、secret redaction、运行时限额。
Langflow 组件和 API 路由，用于在画布里调用 Computer run。

The Workflow

1. 把产品能力拆成系统模块

Perplexity Computer 的能力可以拆成七层：

Computer Orchestrator
Search / Evidence Worker
Browser Worker
Connector Worker
Artifact Worker
Verifier
Run Store + Event Stream

每一层的职责要清楚：

Computer Orchestrator: 接收目标，拆任务，决定下一步，控制预算，判断是否完成。
Search / Evidence Worker: 复用你的 Perplexity facade，负责 search、reader、citation、claim validation。
Browser Worker: 打开网页，点击、输入、滚动、下载、截图、抽取页面结构。
Connector Worker: 对接 Gmail、Slack、Notion、Google Drive、Calendar、GitHub 等工具。
Artifact Worker: 生成报告、表格、Markdown、代码、网页、小应用、下载文件清单。
Verifier: 检查目标是否完成，验证页面状态、引用、文件存在性、输出格式。
Run Store + Event Stream: 保存 steps、screenshots、sources、artifacts、approvals、errors。

Computer 的关键不是每个 worker 都很聪明，而是每一步都有明确输入、输出、状态和失败恢复路径。

2. 复用已有 search facade，不要重新造搜索

假设你的 Perplexity-like facade 已经有这些能力：

/v1/search: provider fusion、Langflow Evidence Flow fallback、planner、domain policy、recency、filters。
/v1/chat/completions: providers-first grounded answer、extractive fallback、streaming metadata。
/v1/agent/runs: Perplexity Agent-like run object，包含 web_search、open_url、evidence_evaluation、final_answer step trace。
citation validation: 支持 source-level 和 chunk-level citations。
claim support validation: 本地检查回答中的 claim 是否被 source chunks 支持。
rerank、route policy、provider health、readiness、telemetry、related questions。

所以 Computer MVP 不应该从 DuckDuckGoInstantSearch 开始。Deep Research 里的默认 search tool 应改成 facade adapter：

class PerplexityFacadeSearch:
    def __init__(self, base_url: str, api_key: str | None = None) -> None:
        self.base_url = base_url.rstrip("/")
        self.api_key = api_key

    async def search(self, query: str, *, max_results: int = 5) -> list[Citation]:
        payload = {
            "query": query,
            "max_results": max_results,
            "search_backend": "providers-first",
            "use_search_planner": True,
            "return_related_questions": True,
        }
        data = await post_json(f"{self.base_url}/v1/search", payload, self.api_key)
        return [
            Citation(
                title=item.get("title") or item.get("url") or "Untitled",
                url=item.get("url") or "",
                source=item.get("provider") or item.get("source") or "perplexity-facade",
                snippet=item.get("snippet") or item.get("content") or "",
            )
            for item in data.get("results", [])
        ]

Then Deep Research should accept:

web_search = PerplexityFacadeSearch(PERPLEXITY_FACADE_URL)
internal_search = LangChainRetrieverSearch(retriever)
open_url = FacadeOpenURLOrJinaReader(...)

这样 Deep Research 的研究质量直接吃到你已有的 planner、rerank、reader、citation validation，而不是回退到弱搜索。

3. 把 Deep Research 升级成 Computer Orchestrator

当前 Deep Research MVP 已经有两层：

ClarificationAgent
PlanningAgent
OrchestratorAgent
ResearchAgent
FinalReportAgent

它适合做 research report，但 Computer 需要更多 action 类型。建议扩展 plan step schema：

{
  "objective": "Audit my blog notes and produce a publish plan",
  "steps": [
    {
      "id": "research_existing_notes",
      "type": "research",
      "question": "What topics already exist on the blog?",
      "tools": ["search", "open_url"]
    },
    {
      "id": "inspect_blog",
      "type": "browser",
      "goal": "Open the deployed blog and verify navigation pages",
      "tools": ["browser.open", "browser.extract", "browser.screenshot"]
    },
    {
      "id": "write_plan",
      "type": "artifact",
      "goal": "Create a Markdown editorial plan",
      "tools": ["artifact.write_file"]
    }
  ],
  "success_criteria": [
    "All cited notes have valid URLs",
    "The plan includes next actions",
    "Screenshots or logs prove the deployed page is reachable"
  ]
}

Computer Orchestrator 的 loop 应该长这样：

while run.status not in ["ready", "failed", "needs_approval"]:
    state = load_run(run_id)
    next_step = planner_or_orchestrator.decide(state)
    if next_step.requires_approval:
        pause_for_approval(next_step)
    result = dispatch(next_step, workers)
    append_event(run_id, result)
    verification = verifier.check(state, result)
    if verification.failed and can_retry:
        append_repair_step()
    if success_criteria_met:
        finalize_artifacts()

实现时不要做无限 autonomous loop。先做 bounded loop：max_steps、max_minutes、max_browser_actions、max_cost_usd 都要硬限制。

4. 浏览器 worker 先做 browser-lite

复刻 Perplexity Computer 时，浏览器能力最容易变成不可控成本和不稳定来源。MVP 不要一上来做完整 desktop CUA，先做 browser-lite：

open_url
extract_page
click
fill
select
scroll
download
screenshot
validate_page

可选实现路线：

Playwright: 最稳，适合你自己写 deterministic actions。
browser-use: 快速搭出 browser agent，开源 README 也支持自定义 tools、persistent browser CLI、cloud browser。
Skyvern: 更偏 workflow automation，用 LLM + computer vision 执行网页动作，支持 natural language page commands。
OpenAI CUA sample app: 适合学习 Computer Using Agent runner、headful/headless 场景和 deterministic verification。
Anthropic computer-use-demo: 适合学习 Docker desktop sandbox、trajectory recording、工具定义、prompt caching。
trycua/cua: 更接近 full computer-use infrastructure，支持 sandbox、desktop screen、mouse、keyboard、benchmarks。

MVP 建议：

Langflow Computer Node
-> FastAPI /api/v1/computer/runs
-> Browser Worker service
-> Playwright persistent context
-> screenshot + DOM snapshot + extracted markdown
-> event stream back to Langflow

Browser Worker 的输出必须结构化：

{
  "step_id": "inspect_blog",
  "action": "browser.extract",
  "url": "https://blog.example.com/docs/notes/2026/06/...",
  "status": "completed",
  "extracted_text": "...",
  "screenshot_path": "artifacts/run_123/inspect_blog.png",
  "links": [
    {"text": "Deep Research Is an Orchestration Loop", "url": "..."}
  ],
  "warnings": []
}

浏览器 worker 不能把网页内容当成系统指令。网页文本、DOM、PDF、邮件内容都必须标记为 untrusted content，只能作为 evidence 或 page state。

5. 连接器优先使用 API，不要每次都靠浏览器点

Computer 的吸引力在于“连接工具”，但真实工程里，浏览器点击应该是最后手段。顺序应是：

official API / MCP connector
-> authenticated backend integration
-> browser automation
-> vision-based desktop control

例如：

GitHub: 用 GitHub API/MCP 查 issue、commit、repo。
Google Drive/Docs/Sheets: 用 connector 或 API。
Slack/Notion/Gmail: 用 connector，必要时加 human approval。
Blog/Vercel: 用 git、Mintlify check、Vercel CLI，而不是让浏览器点 dashboard。

在 Langflow 里可以把 connector 暴露成 Tool Component。Computer Orchestrator 只看到统一 tool contract：

{
  "name": "github.search_repos",
  "input_schema": {"query": "string"},
  "risk": "read_only",
  "requires_approval": false
}

高风险工具必须暂停：

{
  "name": "gmail.send_email",
  "risk": "external_side_effect",
  "requires_approval": true
}

6. 每一步都要有 verifier

Computer-like 系统失败通常不是因为模型不会说话，而是因为它不知道自己是否真的完成了动作。Verifier 应检查：

browser action 后页面是否到达期望状态
下载文件是否存在
表格/报告是否符合 schema
搜索答案是否有 citation support
任务是否满足 success criteria
是否需要 retry、refine query、ask user、stop

你的现有 facade 已经有 evidence evaluation、citation validation、claim support validation。这些可以直接成为 Search Worker 和 Report Worker 的 verifier。 Browser Worker 需要新增：

validate_page(prompt) -> bool + evidence
validate_file(path, expected_schema) -> pass/fail
validate_download(filename_pattern) -> pass/fail
validate_form_state(expected_fields) -> pass/fail

7. 用 run store 和 SSE 做长期任务

Perplexity Computer 的一个特点是任务可以后台跑很久，甚至按计划反复运行。因此 API 不应该只返回一次性 answer。建议新增：

POST /api/v1/computer/runs
GET  /api/v1/computer/runs
GET  /api/v1/computer/runs/{run_id}
POST /api/v1/computer/runs/{run_id}/approve
POST /api/v1/computer/runs/{run_id}/cancel
GET  /api/v1/computer/runs/{run_id}/events

Run state:

{
  "id": "computer_run_123",
  "status": "running",
  "goal": "Research agent orchestration repos and draft a blog note",
  "plan": [],
  "events": [],
  "steps": [],
  "artifacts": [],
  "approvals": [],
  "sources": [],
  "warnings": [],
  "budget": {
    "max_steps": 30,
    "max_minutes": 20,
    "max_browser_actions": 80
  }
}

Langflow UI 里可以先做一个 Computer Run Component，输入 goal、预算、是否允许浏览器、是否允许 connectors，输出 final artifact、event trace、sources、screenshots。

8. 给 Langflow 画布的最小组件设计

先做四个组件就够：

Computer Planner
Computer Run
Perplexity Facade Search
Browser Worker Tool

实际画布可以是：

Chat Input
-> Computer Planner
-> Computer Run
   -> Perplexity Facade Search
   -> Deep Research Engine
   -> Browser Worker Tool
   -> Artifact Writer
-> Chat Output / File Output

也可以先把大部分逻辑放在 backend API，Langflow 组件只是薄 wrapper：

class ComputerRunComponent(Component):
    display_name = "Computer Run"

    async def run(self) -> Data:
        response = await post_json(
            f"{self.base_url}/api/v1/computer/runs",
            {
                "goal": self.goal,
                "max_steps": self.max_steps,
                "enable_browser": self.enable_browser,
                "enable_connectors": self.enable_connectors,
            },
        )
        return Data(data=response)

MVP 阶段应该让 Langflow 节点保持薄。复杂状态机放 backend；画布负责组合、配置和展示。

9. 先做三个可验收场景

不要用“像 Perplexity Computer 一样什么都能做”作为验收。先做三个固定场景：

Research-to-report

Goal: 调查某个技术主题，搜索资料，打开来源，生成带引用报告。
Expected: final_report + citations + source trace。

Browser inspection

Goal: 打开一个部署页面，检查导航、标题、链接、截图。
Expected: screenshot + extracted links + pass/fail verifier。

Publish workflow assistant

Goal: 根据研究结果生成博客 MDX，更新导航，运行校验，给出部署状态。
Expected: artifact files + validation logs + preview URL。

这三个场景正好覆盖一套个人 AI infrastructure：Perplexity-like facade、Deep Research、blog/takenotes、Vercel deployment、browser verification。

Common Failure Modes

不要把 Computer 当作“一个更长的 prompt”。如果没有 run store、event trace、approval gate、artifact workspace 和 verifier，它只是一个更难调试的 agent chat。

不要让 browser worker 直接处理所有任务。能用 API/MCP/connector 的地方优先用结构化工具。浏览器适合没有 API、需要视觉验证、需要交互式页面状态的任务。

不要让网页内容覆盖系统指令。浏览器抽取到的内容必须作为 untrusted evidence，不能直接拼进 developer/system prompt。

不要默认允许外部副作用。发邮件、下单、提交表单、写入远程系统、删除文件、改 DNS、部署生产环境，都应该需要 human approval。

不要忽略成本和时间预算。Computer 任务天然会变长，必须有 max_steps、max_browser_actions、timeout_seconds、max_cost 和 cancel API。

Open Source References

Perplexity Computer: 官方产品页强调 Computer 是 general-purpose digital worker，能执行长期 workflows。
browser-use: 开源 browser agent，适合快速做 browser worker；支持自定义 tools、persistent browser CLI、cloud browser。
OpenAI CUA sample app: 学习 Computer Using Agent runner、多环境和 deterministic verification。
Anthropic computer-use-demo: 学习 Docker desktop sandbox、X11/VNC、trajectory recording、工具定义。
trycua/cua: open-source infrastructure for Computer-Use Agents，支持 sandboxes、desktop control、benchmarks。
Skyvern: 用 LLM 和 computer vision 自动化 browser workflows，适合参考 workflow automation 和 AI-augmented Playwright。

Final Checklist

Deep Research 的默认 web search 从 DuckDuckGo fallback 替换为 Perplexity facade adapter。
新增 /api/v1/computer/runs，返回 run id、status、plan、steps、artifacts、sources。
新增 SSE event stream，前端或 Langflow 组件能看到每一步状态。
Browser Worker 支持 open、extract、click、fill、download、screenshot、validate。
所有高风险 connector 和 browser action 都有 approval gate。
每个 worker 输出结构化 JSON，不把网页内容当作 trusted instruction。
Verifier 能检查 evidence、citations、page state、file existence、schema。
三个 MVP 场景能跑通：research report、browser inspection、publish assistant。
smoke tests 覆盖 planner、search adapter、browser worker fake、approval pause、artifact output。

What To Remember

Perplexity-like search 已经是你的现有资产，不要重复造。要复刻 Perplexity Computer，下一步要做的是把 search/evidence 变成一个 worker，把 Deep Research 变成 Computer Orchestrator，再加 browser worker、artifact worker、connector worker、verifier、run store 和 approval gate。最小可行版本不是“全能电脑代理”，而是：

bounded orchestration loop
+ your existing Perplexity facade
+ browser-lite worker
+ artifacts
+ verifier
+ event stream
+ approval gates

做到这一步，Langflow 里就不只是有 Perplexity-style answer，而是有一个可追踪、可暂停、可验收的 Computer-like workflow runtime。

Metadata

Quick Reference

Typeguide

Statuspublished

Date2026-06-02

Retrieval Tags

perplexity-computerlangflowagent-orchestrationbrowser-automationdeep-research

Recreate Perplexity Search With LangFlowDeep Research Is An Orchestration LoopBrowserOS MCP

​How To Recreate Perplexity Computer In Langflow

​Summary

​What This Solves

​Who This Is For

​Prerequisites

​The Workflow

​1. 把产品能力拆成系统模块

​2. 复用已有 search facade，不要重新造搜索

​3. 把 Deep Research 升级成 Computer Orchestrator

​4. 浏览器 worker 先做 browser-lite

​5. 连接器优先使用 API，不要每次都靠浏览器点

​6. 每一步都要有 verifier

​7. 用 run store 和 SSE 做长期任务

​8. 给 Langflow 画布的最小组件设计

​9. 先做三个可验收场景

​Common Failure Modes

​Open Source References

​Final Checklist

​What To Remember

​Metadata

Quick Reference

Retrieval Tags

How To Recreate Perplexity Computer In Langflow

Summary

What This Solves

Who This Is For

Prerequisites

The Workflow

1. 把产品能力拆成系统模块

2. 复用已有 search facade，不要重新造搜索

3. 把 Deep Research 升级成 Computer Orchestrator

4. 浏览器 worker 先做 browser-lite

5. 连接器优先使用 API，不要每次都靠浏览器点

6. 每一步都要有 verifier

7. 用 run store 和 SSE 做长期任务

8. 给 Langflow 画布的最小组件设计

9. 先做三个可验收场景

Common Failure Modes

Open Source References

Final Checklist

What To Remember

Metadata