Perplexity Agent 开发：开启智能搜索新时代

一、传统搜索的局限性

在信息获取的过程中，传统搜索引擎虽然能提供海量信息，但面对需要连接多个概念或提取详细信息的复杂问题时，往往显得力不从心。例如，当用户搜索“武汉东湖比杭州西湖大多少？”这样的问题时，需要分别确认两个湖泊的面积，再计算差值，这一过程对于普通搜索引擎而言并不容易解决。这正是Perplexity Pro Search的优势所在。Perplexity的AI Agent能够分解多步骤问题，提供条理清晰的事实答案。用户无需翻阅大量搜索结果，即可获得最相关的信息概括。实际上，随着越来越多用户发现其快速高效解答复杂问题的新功能，Perplexity Pro Search的查询量在近几个月增长超过50%。

在这里插入图片描述

二、Perplexity Agent 的架构设计

1. 用户界面设计

Perplexity Pro的用户界面经过精心设计，强调用户体验。用户在提交查询时，AI会制定一个回答问题的分步计划，对于计划中的每一步，系统会生成并执行一系列搜索查询。这些步骤按顺序执行，前面步骤的结果会传递给后续步骤。搜索查询会返回一系列文档，这些文档经过分组后，筛选出最相关的内容。然后，这些高度相关的文档会被传递给LLM生成最终答案。这种分步执行的方法提高了问题解决的效率和准确性。

2. Agent 和 Chains

Perplexity Agent的核心是其Agent和Chains组件。这些组件负责预测下一步操作，理解用户查询，并决定是否需要进行网络搜索。通过这种方式，Perplexity Agent能够处理用户的复杂查询，提供智能化的响应。

在这里插入图片描述

三、提示工程的应用

Perplexity运用多种语言模型来处理网络搜索任务，使用户能够根据具体问题选择最适合的模型。考虑到每个语言模型对提示的处理和理解方式都不尽相同，Perplexity在后端为每个模型量身定制了专属提示词。为了更好的模型效果，Perplexity采用了少样本提示示例和思维链等技术。少样本示例有助于提高模型的推理行为。在构建少样本示例时，维持适当的提示长度至关重要。在制定语言模型应遵循的规则上，也经过了多轮迭代。

“对于模型来说，遵循过于复杂的提示指令较为困难。每次修改提示后，我们都需要进行查询测试，不仅要确保最终输出合理，中间步骤也必须合理。”通过保持系统提示规则的简单明确，Perplexity降低了模型理解任务和生成相关响应的认知负担。

四、产品智能程度的提升

在推出Pro Search升级版之前，Perplexity依靠答案质量指标和内部实践测试。团队通过对各类查询进行测试，并与其他AI产品的答案进行对比来进行人工评估。在向用户发布之前，检查中间步骤的能力对于识别常见错误起到了关键作用。为了扩大评估规模，Perplexity收集了大量问题，并使用LLM作为评判标准对答案进行排名。同时，团队还对用户进行了A/B测试，以评估他们对产品不同配置的倾向，比如在不同模型间权衡延迟和成本。当产品体验在答案质量和用户体验方面都令团队满意后，产品才正式发布。

五、优化用户体验

1. 设计更好的等待体验

用户体验是Perplexity Pro Search的核心竞争力之一。研究发现，如果产品能够显示中间进度，用户更愿意等待结果。这促使团队开发了一个展示计划逐步执行的交互式界面。他们改进了可展开的部分，允许用户点击单个步骤查看搜索详情。他们还引入了悬停查看引用功能，用户可以查看来源片段，并通过点击在新窗口中打开。

“在用户产生好奇心之前，不要过度展示信息。只有当他们真正感兴趣时，再满足他们的好奇心。”团队通过多次迭代，确保用户界面在简洁性和实用性之间达到最佳平衡。

2. 提供透明的交互界面

通过将复杂查询分解为可管理的步骤，并提供透明、交互式的界面，Perplexity创造了一个能够跟上用户好奇心节奏的强大工具。用户在使用过程中可以清晰地看到每一步的执行过程，大大增强了用户对系统的信任和满意度。

在这里插入图片描述

六、Perplexity Agent 开发的未来展望

Perplexity的Pro Search代表了AI驱动搜索和问答系统的重大进步。随着技术的不断发展，Perplexity团队将继续优化其AI Agent，提升搜索的智能化程度和用户体验。未来，Perplexity计划引入更多专业工具，如代码解释器和Wolfram Alpha等数学评估工具，使用户能够即时进行计算或文件分析。