Perplexity

AI 答案引擎（answer engine），把 RAG 模式做成 C 端消费产品。主张”以可溯源的答案替代蓝色链接列表”，是搜索范式从”导航 → 回答”迁移的代表样本。由 Aravind Srinivas（前 OpenAI / DeepMind）2022 年在旧金山创立。

产品画像

• 核心交付：自然语言问 → 自然语言答 + 引用源链接 + 后续追问建议（Related）。
• 底层模式：实时网页检索 + 排序 + LLM 总结生成；模型不固定（用户可在 GPT/Claude/Gemini/DeepSeek/自研 Sonar 间切换）。
• 关键 SKU：
  • 免费版：基础回答 + 每日少量 Pro 查询。
  • Pro：多模型切换、Pro Search（多轮深检索）、文件上传。
  • Spaces：将一组源 / 提示 / 共享笔记圈成”主题工作区”，团队协作。
  • Comet（2024–2025）：AI 浏览器 / 桌面端，把 Perplexity 当作浏览器默认搜索 + 上下文捕获工具。
  • Enterprise Pro + Perplexity API：把”答案 + 引用”作为基础设施卖给开发者 / 公司。

商业与资本

• 估值：2025–2026 已突破 90 亿美元；Nvidia、Jeff Bezos、IVP、NEA、SoftBank 等参与多轮融资。
• 模式：订阅（Pro）+ API + 企业版；与 Anthropic、OpenAI、DeepSeek 等模型提供方议价采购计算 / 推理。
• 营收口碑反差：用户增长极快但毛利低（搜索 + LLM 双成本）；持续被质疑长期单位经济模型。

与同类对比

• vs. ChatGPT Search / Bing Copilot：Perplexity 更聚焦”问答 + 引用”单一动作，UI 极简；ChatGPT 把搜索作为更宽 Agent 链路的一环。
• vs. Google AI Overviews：Google 的优势是搜索索引本身和分发；Perplexity 的优势是产品形态和品牌 narrative，但抗不过分发劣势。
• vs. DeepSeek / Kimi / 元宝：国内同类产品在中文垂直信源（微信、知乎、B站）上更强；Perplexity 在英文权威源（学术、新闻、文档）覆盖更好。

主要争议

• 抓取与版权：被 Forbes、New York Times、Wired、Wikimedia 等多次指控未授权抓取与抄袭式摘要。后续调整 robots.txt 遵守策略 + 推出”出版商收入分成计划”。
• 答案幻觉与引用错位：早期版本被多次发现”引用了源 A 但内容来自源 B 或纯生成”。属于 RAG 产品的通病——Perplexity 是被聚光的样板。
• 品牌过度承诺：CEO 频繁公开声称”取代 Google”，但分发与 ecosystem 差距客观仍大。

对 Rick 的价值

• AI 搜索范式的”教科书级案例”：Perplexity 把 RAG 从工程模式做成 C 端产品的完整路径——选源、排序、生成、引用、追问、记忆——每个环节都对应 m203 - RAG 生产环境：Embedding 与文档解析 / m204 - RAG 生产环境：Chunking 与范式演进 / m205 - RAG 生产环境：索引运维与评估体系 里的一个具体决策。是 Rick 评估”垂直答案产品”时的对照基线。
• 交互范式样本：Related Questions（追问推荐）、Spaces（主题工作区）、Comet（浏览器内嵌）共同构成”非对话框 AI 入口”的样本——对应 p302 - 七种 AI 交互设计模式 的多个模式。
• AI PM 商业模型的反面教材：Perplexity 同时演示了”产品形态领先 + 单位经济亏损”的张力，是 Rick 评估自己 AI 产品商业模式时常用的 pessimistic case。

关联节点

• 技术：RAG Embedding Function Calling c09 - RAG 架构
• 同类产品：ChatGPT Gemini Manus
• 交互议题：p302 - 七种 AI 交互设计模式 p306 - 数据飞轮与反馈回路设计
• 工程议题：m203 - RAG 生产环境：Embedding 与文档解析 m204 - RAG 生产环境：Chunking 与范式演进 m205 - RAG 生产环境：索引运维与评估体系

来源 / 证据池

• 公开来源：Perplexity 官方博客、Aravind Srinivas 公开访谈（Stratechery、Lex Fridman、Acquired）、版权争议报道（Forbes、NYT）