Chat with Wiki - WayToAGI

Perplexity AI 是一家专注于开发新一代 AI 搜索引擎的公司，由前 OpenAI 研究科学家 Aravind Srinivas 与前 Meta 研究科学家 Denis Yarats（Perplexity CTO）等合伙人于 2022 年 8 月共同创办。其优势包括： 1. 理解能力强，能够深入理解查询的语义，而非仅仅匹配关键词，从而提供更准确和相关的结果。 2. 生成式回答，可生成通顺的自然语言回答，而非简单返回网页链接和片段，使结果更易于理解和使用。 3. 个性化和上下文感知，能根据用户的历史查询和偏好个性化结果，提供更贴合需求的答复。劣势有： 1. 训练成本高，训练大型 LLM 模型需要大量计算资源和高质量训练数据。 2. 可解释性差，LLM 的工作原理较为黑箱，难以解释为何给出某个结果，缺乏透明度。 3. 潜在的偏差和不当内容，由于训练数据的局限性，LLM 可能产生偏见或不当内容。独特之处在于将 LLM 技术应用于搜索引擎领域，试图颠覆传统基于关键词匹配的搜索范式，为用户提供更自然和智能的搜索体验，还融合了个性化和上下文感知等功能，努力成为新一代的“智能助手”。总的来说，Perplexity 凭借 LLM 的强大语义理解能力，为搜索引擎带来了新的可能性，但也面临着一些技术和伦理挑战。在搜索领域，推荐算法存在精确推荐提高用户黏性和平台广告收益的优点，但也有导致信息茧房和信息过载等负面影响。搜索引擎采用以用户查询为导向的“拉取式”信息获取模式，极大改变了人们获取信息的方式，搜索广告因用户搜索往往携带着明确意图，点击转化率通常高于泛泛的推荐广告，在数字广告市场中长期占据重要份额。 AI 智能体中的检索增强生成（RAG）是当今大多数现代人工智能应用程序的标准架构。以 Sana 的企业搜索用例为例，其过程始于应用程序加载和转换无结构文件，将其转换为 LLM 可查询格式，分块成更小的文本块并作为向量嵌入存储在数据库中。当用户提出问题时，系统检索语义上最相关的上下文块，折叠到“元提示”中与检索到的信息一起馈送给 LLM，LLM 合成答复返回给用户。在生产中，AI 应用程序具有更复杂的流程，包含多个检索步骤和提示链，将结果综合生成最终输出。例如 Eve 法律研究的共同驾驭员，会将查询分解为独立提示链，运行每个提示链生成中间输出，并综合编写最终备忘录。