从一次失败的搜索开始

先说个昨天的事。我在写一篇关于 RAG（检索增强生成）的技术稿，需要确认 LlamaIndex 最新版本对 Qdrant 向量数据库的兼容性。老办法，打开 Google，翻了三页，看了五篇 2024 年的博客，信息全是过时的。切到 Perplexity，输入同样的问句，它直接给我拉出了 LlamaIndex v0.12.3 的官方 changelog，标注了 Qdrant 客户端的最低版本要求，还在下面附了一条 GitHub Issue 链接，正好是有人踩过的坑。整个过程不到 40 秒，比我翻搜索引擎快了三倍不止。这就是我写这篇教程的动机：Perplexity 的免费版（Perplexity 基础版，完全免费）已经足够好用，但你如果只会像用 Google 一样敲关键词，那确实浪费了它最强的能力——组合搜索和主动追问。这篇文章一共五段，从最基础的追问技巧讲到 Pro Search 和聚焦搜索的具体用法，全程都是我用真金白银换来的经验，希望对你有用。

第一层：别问「是什么」，要问「给我看证据」

很多人拿 Perplexity 当 Chat GPT 用，问「什么是 Kubernetes 的 Operator 模式」——它能答，而且答得不错。但这样你就失去了它最大的优势。Perplexity 的核心逻辑是「带引用的搜索答案」，所以你的问题里应该包含「在哪里」「什么版本」「哪个仓库」这类指向性信息。我举一个实际例子。你问「LangChain 的 LCEL 语法有什么坑」，它给你的回答会比较泛，引用来源可能是一篇 Medium 博客和一份官方文档，这还算能看。但你换一种问法：「LangChain v0.3 中 LCEL 的 batch 方法在并发调用时是否有已知的线程安全问题，参考 GitHub Issue 和官方文档」。同样的搜索，结果的质量提高了一个档次，因为 Perplexity 会把「GitHub Issue 和官方文档」作为搜索条件，优先索引这两个域名的内容，信息来源更权威、更直接。注意这里的关键点：它不只是搜索你的关键词，它会理解「参考 GitHub Issue」这个诉求，把搜索范围针对性地调整过去。日常使用中我还会加一个动作——追问。用「继续」「这个说法来源是哪里」「有没有反例」这些指令去挖掘更多层的信息。免费版每天大概有 20 到 30 次这种高质量搜索额度（具体次数会随服务器负载波动），你完全可以把它当成一个深度的信息检索工具，而不是一个聊天机器人。这个基础操作能帮你建立最关键的习惯：永远不要满足于它给你的答案，要看它的引用来源是否够硬，不够硬就追问。

第二层：Pro Search 的「推理模式」到底怎么用

Perplexity 在 2025 年 1 月发布了全新的 Pro Search 升级版，把付费版用户（Perplexity Pro，每月 20 美元，约合人民币 145 元）的搜索能力拉高了一大截。最核心的区别是它引入了「推理链」——AI 会在回答前先分析你的问题，拆解出子问题，然后自己制定搜索计划。这个功能你没用对，就是纯浪费钱。举个例子，我年初想比较三个开源 RAG 框架的性能：LlamaIndex、Haystack、LangChain。如果用普通搜索，它会给你三个框架各自的描述和简单的性能指标。而 Pro Search 会做什么？它会自己分三步走：第一步，搜索每个框架在 GitHub 上的 star 增速和最近 commit 活跃度；第二步，检索这三个框架在相同基准测试（比如 KILT 基准）上的输出；第三步，对比社区里关于「生产环境稳定性」的讨论帖。整个过程大约耗时 45 秒到 1 分半，比我手动搜索的效率高得多。但我要泼一盆冷水：Pro Search 不是万能的。它能帮你省时间，但不能替你判断。当它输出「LlamaIndex 更适合企业级应用」这类结论时，你要自己回到它引用的那篇文章里看作者的背景——那篇文章可能是一个 LlamaIndex 核心贡献者写的。另外提醒一点，Pro Search 有每天的使用次数上限（日常为 5 到 8 次，高峰期会更少），别把一些小问题都丢给 Pro Search 去慢吞吞地推理，太浪费了。我自己的习惯是：基础的事实查询用免费模式，复杂的比较分析类问题才动用 Pro Search。

第三层：聚焦搜索——几乎没人用的隐藏神器

现在聊聊 Perplexity 最被低估的功能：聚焦搜索（Focus Search）。2024 年底的版本更新后，Perplexity 的搜索框下面多了一排小图标，包括「全网」「学术」「视频」「社交」「论坛」这几个维度。大多数人从来没点过它们，默认用「全网」——所以说实话，这部分功能基本是浪费的。但我告诉你，这一个简单的点选操作，能彻底改变搜索结果的质量。举个例子。我想查「某知名 AI 公司的员工裁员的内部真实情况」，全网搜索给的结果都是新闻稿套话。但如果我点「社交」模式，Perplexity 会优先索引 Reddit、Twitter/X 和 Blind 上的讨论帖，搜出来的就是你想要的内部员工吐槽，内容翔实、有具体部门名和离职补偿方案。同样，「学术」模式的价值也很大，它会把搜索范围限制在 arXiv、PubMed、IEEE Xplore 等学术数据库里。我查论文时，习惯在学术模式下搜「Chain-of-Thought 的局限性 2025」，能直接看到论文原文的摘要和核心图表解读，而不是博客文章的二次转述。这个模式最适合两类人：研究生和每天需要看论文的工程师，可以这么说，用好这个功能，你相当于变相拥有了一个学术搜索引擎。当然，聚焦搜索也有它的短板。比如「视频」模式只获取 YouTube 视频的文字转录，播放量和点踩信息不一定准确；「论坛」模式对国内中文社区（像 V2EX）的覆盖不够全面。但瑕不掩瑜，这个免费功能我个人觉得是 Perplexity 整个产品里性价比最高的部分，因为绝大多数用户完全不知道它的存在，知道怎么用就已经超过了 99% 的用户。

第四层：用收藏夹和资料库构建你自己的知识库

进入第四层，你应该已经不满足于「搜了就忘」，而是想让 AI 搜索为你沉淀知识资产了。Perplexity 有一个「收藏夹」（Collections）功能，你可以把任意一条搜索结果和对话保存进去，并且可以和同一个主题下的多条搜索结果整理在一起。我的做法是：为我的每个技术方向建一个收藏夹，比如叫「RAG实战笔记」和「LLM推理优化」，每看到一条有价值的搜索结果就一键收藏进去，同时给它加标签。一个多月下来，「RAG实战笔记」里存了 47 条搜索结果，涵盖了从向量数据库选型到混合检索调优的方方面面。这还不是最实用的场景。真正有杀伤力的是它的资料库（Library）功能，可以让你上传自己的 PDF、网页链接和文本笔记，Perplexity 会基于这些文档内容回答你的问题。你只需要把之前收藏的 PDF 文档和一些有价值的网页链接丢进去，之后问问题的时候，它的答案就会优先基于你这个个人数据库来生成，而不是从全网随便抓一堆内容来怼给你。这一点在写技术方案的时候特别管用。有一次我要评审一个文档解析方案，把飞书上的会议纪要、竞品分析报告和之前踩坑的复盘文档全部传进去，然后问它「综合这些材料，这个方案的三个主要风险点是什么」，它给出的答案比我组里的实习生总结得还全面。这个功能免费用户也有使用权，但有存储上限（免费版 100MB 左右，Pro 版 300MB 以上），你的大文件别都塞进去，挑重点来存。

💬 你用过哪些AI工具？

啰里啰嗦写了这么多，其实就是想分享一句话：Perplexity 是一款被大多数人当成 Chat GPT 替代品、但实际上完全不是一个物种的工具，它应该是你的信息猎狗，不是你的百科词典。我很好奇，你们平时真正日常在用的 AI 工具是什么？是 Chat GPT Plus、Claude Pro，还是国内的 Kimi、通义千问？或者你已经把 Perplexity 当作主力搜索入口了？如果有你自己的独特用法或者不同观点，欢迎在评论区聊聊。另外，如果你正拿不准换哪个 AI 服务，可以去 AI House 排行榜（aibunkhouse.com/rankings/）看看最新的模型投票数据，上面有全球用户基于真实体验的评分和排名，包括智能水平、响应速度、性价比这些维度，也许能帮你少走点弯路。顺手给那些真正好用的模型投一票，也算是对认真做产品的团队一点支持。好了，这期分享就到这里，下次再聊其他工具。