正挣扎在盗用内容争议中的 Perplexity，「顶风」发布了最新的 Pro search 功能。

图片来自：Perplexity hub

不知道是不是受到争议的影响，这次的更新技术细节不多，亮点在于能够更好地处理数学计算问题、编程任务等。

当然，作为看家本领，检索和回答的能力也得到提高，采用多步推理来解决复杂提问，并且展示每一个环节，让用户看到每一个步骤。

两个关于 Pro search 的重要信息：

普通用户每四小时里可以使用 5 次 pro search，付费用户不限次数

为教育机构、政府机构、非盈利组织提供付费折扣

传送门👉🏻：https://www.perplexity.ai/

不过，到底有了多大提升，得试了才知道。

测试热身，考简答

为了了解 Pro search 的基本使用流程，我们先从简单的生活问题开始 —— 各地都进入了高温天气，夏天了有什么解暑方式？

Pro search 的启动键在输入框右下角，拨动变色，即代表开启。

开启后默认保留，即便结束了一个对话，另起一个新对话时，也默认在 Pro search 模式下进行，对于不限次数的付费用户来说就很方便了。

运行后，会渐次出现 Researching 下拉框，这是模型的「思考工作」，完成后可以点击右边展开键查看详情。

继续点开可以看到信息来源，算是集合了不少中文信源，来源也很多样。从回答上来看算是中规中矩，「多喝水」是怎么都不会出错的方法。

考数学，本轮更新重点项目

数学计算能力是本次更新的亮点，正好 Runway 更新了 Gen-3 模型，那么就让 Perplexity 来计算一下：

如果购买标准套餐，在账号里已经有 400 积分的情况下，能用 Gen-3 生成多少视频？

可以看到它摆开架势，列式子，做计算。不仅成功检索到标准套餐的费用、所提供的积分数量，也能完成加法和除法。

根据它的计算，总共能用 Gen-3 生成 102.5 秒视频，如果按 10 秒一条的顶格条件，是十支视频。那么，换算成真金白银呢，每生成十秒的视频，要花多少钱？

这里 Perplexity 出现了「断片」：它能提取自己之前的计算结果，也就是 102.5 秒。 可是，它却忘了第一轮计算时，套餐月费是按 12 美元 / 月计算的。

在这轮计算里，它错用了高级套餐，月费 25 美元 / 月，计算出 0.24 美元作为每秒成本。

这是个明显的失误，且不论第一轮计算时，明确指定了「标准套餐」，即便是高级套餐，有折扣的年付方式折合每月是 28 美元，无折扣的月付方式直接是 35 美元 —— 压根没有 25 美元这个数字。

在追问之下，它承认自己的确搞错了价格。

考专业，深度提问

数学考试算是有惊无险吧。Perplexity 一直以来主打深度，那么专业考试表现如何呢？

正好，昨天微软研究院开源了 GraphRAG，也是一项用于 AI 搜索的技术，这不就是 Perplexity 的「本专业」，那么来问问它好了。

从 searching 这一步来看，长问题会被分解成更小的问题（相比之下，上一个简单提问里，是靠变换近义词）。

第一个信源便是微软的开源页面，很即时。 回答方面，Perplexity 把问题拆分成了两个小问，做了平行回答：一是 GraphRAG 是什么，二是它自己在用的技术。

正想着追问细节之后，这一轮的免费次数已经耗尽了，得等四小时之后的刷新。

每四小时 5 次免费的额度，比每 24 小时刷新要大方。但说多也不多，必须要思考一下，怎么提问才能最有效地表达需求。倒逼用户提高自己的提问能力，这也是 AI 搜索的「传统艺能」了。

总体来说， Pro search 是一个在用户体验方面更贴心的升级。

不再是僵硬的「输入提问 - 得到回答」，而是能看到 Perplexity 处理问题的步骤，怎么拆分、怎么检索，调用了哪些信源。

AI 搜索的潜力股，或许是它

Perplexity 在有深度、专业性强的问题上，更能体现出实力。那么，深度提问时提到的「GraphRAG」，究竟是什么呢？

RAG 是 Retrieval（检索），Augmented（增强），Generation（生成）的缩写，是目前主流 AI 检索所使用的策略，也是 Perplexity 自己采用的方式。

局限性体现在，它像一个缝缝补补的「内容裁缝」。

比如，在深度提问里，「GraphRAG 是什么？Perplexity 是如何使用 RAG 做检索？」这两个小问，的确可以分开回答，但两者之间显然是有关联的。

传统 RAG 无法捕捉到信息之间的关联，只能僵板地罗列。对于简单提问，或许无伤大雅。但在深度提问上，在把问题分解成更小的子问题之后，却没法有机地展示这些子问题之间的联系。

GraphRAG 技术，就意在通过建立信息之间的联系。在接到问题、返送回答之间，多了一个步骤：建立知识图谱。

图片来自：微软研究院

人类的思考能力，体现在能够把自己所知道的、所掌握的，互相勾连，形成知识图谱。

对人工智能来说，为了做到这一点，除了要完成常规的数据提取、分割，还要完成对实体的识别、提取，并围绕实体，建立一个个「小圈子」。

「小圈子」本身的结构是自下而上，而它们之间又彼此相关，链接在一起，就能形成一个庞大的巨网。这让后续的回答生成环节，就有了更丰富的组成方式。

图片来自：微软研究院

上图中可以看到，右边基于 GraphRAG 机制，能够根据具不同的主题，进行内容整合。

这岂不是意味着 AI 又更有「人味儿」了吗？怎么 Perplexity 这次更新没有用上呢？

不着急，微软研究院 4 月时发布对于这项技术的研究，昨天才正式开源。更重要的是，这项技术，更适用于私有数据集。

例如，知乎最新发布的大模型产品「直答 AI」，就是以知乎站内回答为优先、网络内容为补充的形态，建立的数据集。

相比之下，Perplexity 不想把自己局限住，而是放眼整个互联网。凭借海量数据和大模型能力，Perplexity 一度是英伟达掌舵人黄仁勋最爱用的产品之一。

直到上周， Perplexity 陷入版权争议，接连被 福布斯、WIRED 点名道姓，指控它绕过媒体门户网站的反爬机制，硬是把内容抓进自己的语料库里。

AI 搜索领域，数据库「弹药充实」的确非常重要，不然 OpenAI 也不会接二连三地与各大媒体谈合作。

但另一方面，有效地理解、分析和使用搜集来的数据，将会起到越来越关键的作用。

归根到底，用户对 AI 搜索的期待，绝不仅仅是一个「更多、更快」的搜索引擎，而是「更强」。