Perplexity：诚实的用户概览
在过去六个月里，我一直将Perplexity作为主要研究工具，之前我在Google、Bing和ChatGPT之间切换进行深度查询。以下是我学到的内容，没有炒作。
它做得好的地方（附真实示例）
Perplexity是一个AI驱动的搜索引擎，能直接给出带来源的答案。与Google（给你一堆链接）或ChatGPT（经常编造引用）不同，Perplexity会显示它提取答案的具体段落。
示例1：事实核查。
我问：“FDA是否批准了一款后来被撤回的阿尔茨海默病药物？”
Perplexity回答：“是的，Aduhelm (aducanumab) 于2021年获批，但Biogen在2024年因Medicare覆盖限制和低销量而撤回。”
它引用了：一篇路透社文章（2024年）、一份FDA新闻稿和一项JAMA研究。每个来源都可点击访问。我可以在几秒钟内验证。Google会给我10页SEO优化的博客文章。ChatGPT会给出自信的答案，但无法核实。
示例2：技术对比。
我需要比较*“PostgreSQL vs. MongoDB 用于时序数据”*。
Perplexity给了我一个表格：可扩展性差异、索引限制和实际用例（例如，“MongoDB的时序集合更适合物联网传感器数据，但PostgreSQL的TimescaleDB扩展在基于SQL的分析方面更胜一筹”）。它从官方文档、Stack Overflow和一些工程博客中提取。我节省了30分钟的手动交叉参考时间。
示例3：用模糊问题进行研究。
我输入：“欧盟AI法案中开源模型的风险类别最新情况如何？”
Perplexity总结了四级体系（不可接受、高风险、有限风险、最小风险），指出开源模型除非用于高风险环境，否则属于“有限风险”，并链接到实际的欧盟立法文本（2024版）。没有废话。
局限性（现实问题）
幻觉仍然存在。
Perplexity比ChatGPT好，但并非免疫。我曾问：*“谁发明了第一辆电动汽车？”*它回答“托马斯·达文波特于1834年”（正确），但随后补充“第一辆量产电动汽车是1996年的GM EV1”（部分正确，但EV1是租用模式，并非在售量产车）。来源链接是一个维基百科片段，实际写着“有限生产”。总结过于泛化。务必双重检查。来源质量参差不齐。
对于小众话题（例如，“19世纪日本纺织品染料”），它经常从Reddit帖子、个人博客或过时的论坛帖子中提取。算法优先考虑任何包含相关文本的页面，而不一定是权威来源。您必须手动筛选。上下文窗口有限。
免费用户每次查询约3000个token。如果您粘贴20页的PDF或提出多部分问题，如*“比较瑞典、挪威和丹麦2000-2020年的经济政策”*，它会截断答案或遗漏细节。Pro用户获得5000个token，但对于大型文档仍不够。某些类别无实时更新。
股票价格、体育比分或突发新闻可能滞后几个小时。它会显示“最后更新”，但并不总是自动刷新。对于实时数据，请使用专门的新闻源。
关键工作流程
- **快速事实核查：**输入问题，扫描答案，点击来源验证。耗时10秒。
- **研究总结：**对于学术论文，我复制粘贴摘要或段落，要求Perplexity“用简单英语解释”或“列出关键发现”。它在保留引用方面比ChatGPT更好。
- **编程帮助：*我用它来调试错误消息或比较库。示例：“为什么我的Python脚本在加载10GB CSV时抛出MemoryError？”*它给了我分块策略（pandas.read_csv with chunksize）并链接到真实的Stack Overflow线程。
- **产品比较：**用于购买决策时（
