نحوه استفاده از Perplexica: راهنمای کامل و بدون حاشیه برای سال 2025
اگر به پاسخهای هوش مصنوعی به سبک Perplexity چشم دوختهاید اما کنترل کامل میخواهید، Perplexica یک مسیر متنباز است—خود میزبانی شده، دوستدار حریم خصوصی و به طرز شگفتانگیزی توانا. در این راهنما، بررسی خواهیم کرد که Perplexica چیست، چگونه آن را نصب کنیم، چگونه ارائهدهندگان و مدلها را پیکربندی کنیم، و چگونه در واقع از آن به صورت روزانه برای تحقیق، کدنویسی و کشف محتوا استفاده کنیم.
برای اینکه همه چیز عملی و راهحلمحور باشد، از یک ساختار پرسشمحور با مراحل سریع، دستورات نمونه و نکات عیبیابی استفاده خواهیم کرد.
راستی: Perplexica به طور فعال توسعه داده میشود و معمولاً با Docker مستقر میشود. فایل readme رسمی GitHub سریعترین مسیر را مشخص میکند: Docker را نصب کنید، repo را clone کنید و از طریق Docker Compose اجرا کنید. برای یک نمای کلی از انجمن و برداشتهای خود میزبانی، این walkthrough را در مورد اجرای Perplexica با Ollama ببینید. همچنین یک thread فعال خود میزبانی وجود دارد که در مورد راهاندازی یک دستوری و تصاویر از پیش ساخته شده بحث میکند.
Perplexica چیست؟
Perplexica یک موتور جستجوی خود میزبانی شده و مبتنی بر هوش مصنوعی است که جستجوی وب را با مدلهای زبانی بزرگ ترکیب میکند تا پاسخهای مختصر و مبتنی بر منبع تولید کند. فکر کنید: یک سوال پیچیده بپرسید، وب را جستجو میکند، منابع متعددی را میخواند و یک پاسخ واضح با استنادها ترکیب میکند. این به عنوان یک جایگزین باز برای ابزارهای سبک Perplexity قرار گرفته است، اما شما آن را به صورت محلی یا روی سرور خود برای شفافیت و کنترل اجرا میکنید.
ایدههای کلیدی:
- کنترل محلی یا خود میزبانی شده با Docker
- از ارائهدهندگان جستجو/داده ترجیحی شما استفاده میکند (به عنوان مثال، Brave، SerpAPI، Google CSE—قابل تنظیم)
- با LLM های محلی یا راه دور کار میکند (به عنوان مثال، از طریق Ollama یا مدلهای مبتنی بر API)
- رابط کاربری وب برای پرسشهای طبیعی، به علاوه «حالتهای» متمرکز مانند Web/Scholar/YouTube بسته به پیکربندی
Perplexica برای چه کسانی مناسب است؟
- محققانی که خلاصههای چند منبعی و دارای استناد میخواهند
- مهندسانی که LLM های محلی را با بازیابی وب ترجیح میدهند
- تیمهایی که به حریم خصوصی و کنترل هزینه نیاز دارند
- کاربران قدرتمندی که ابزارهای سبک Perplexity را با چیزی خود میزبانی شده جایگزین میکنند
شروع سریع: سریعترین راه برای اجرای Perplexica
در اینجا جریان معمولی بر اساس مخزن رسمی آمده است:
- Docker و Docker Compose نصب شده باشد
- اختیاری: Ollama نصب شده باشد اگر میخواهید از مدلهای محلی استفاده کنید (به عنوان مثال، {llama3}, {mistral}, {qwen})
{git clone}{cd Perplexica}
- در صورت ارائه، فایل محیطی نمونه را کپی کنید (به عنوان مثال، {.env.example} → {.env}).
- هر گونه کلید جستجو/API را اضافه کنید (Brave، Serper، Tavily، Bing، Google CSE و غیره).
- ارائهدهنده LLM را پیکربندی کنید: نقطه پایانی Ollama محلی یا API (سازگار با OpenAI) بسته به تنظیمات شما.
- راهاندازی با Docker Compose
- این سرویسهای ضروری را شروع میکند. پس از یک دقیقه، رابط کاربری وب باید در پورت localhost چاپ شده در دسترس باشد (معمولاً ` یا همانطور که در اسناد repo مشخص شده است).
- اختیاری: دریافت یک مدل محلی از طریق Ollama
{# Install Ollama (see ollama.com for your OS)} {ollama pull llama3} {# or another supported model}
- پیکربندی LLM مربوط به Perplexica را به نقطه پایانی Ollama خود اشاره دهید (اغلب {from Docker on macOS/Windows or} در لینوکس). walkthrough خود میزبانی این جفت سازی را توضیح میدهد.
تور اولین اجرا: استفاده از رابط کاربری وب Perplexica
هنگامی که رابط کاربری بالا آمد، یک جعبه جستجو مشابه موتورهای جستجوی هوش مصنوعی مدرن خواهید دید.
- یک سوال را به زبان طبیعی بپرسید: «آخرین بنچمارکها برای پایگاههای داده برداری در سال 2025 چیست؟»
- در صورت وجود، یک focus/mode را انتخاب کنید: Web، Academic/Scholar، YouTube، یا یک حالت Research کلیتر—ساخت و ارائهدهندگان شما تعیین میکنند که کدام ظاهر شوند.
- Enter را بزنید. Perplexica منابع را دریافت میکند، آنها را میخواند و یک خلاصه با استنادها تهیه میکند.
- استنادها را گسترش دهید تا منابع را بررسی کرده و اعتبار را تأیید کنید.
نکات:
- از prompts خاص استفاده کنید: محدودیتهایی مانند «مقایسه رویکردها»، «لیست مزایا/معایب» یا «یک خلاصه 200 کلمهای با 3 نکته کلیدی گلولهای ارائه دهید» اضافه کنید.
- برای موضوعات کدنویسی، اسنیپتهای گام به گام را درخواست کنید و به اسناد اصلی پیوند دهید.
- برای فیلمها (اگر حالت YouTube فعال باشد)، درخواست کنید «آخرین آموزش این کانال در مورد X را خلاصه کنید».
نحوه پیکربندی ارائهدهندگان جستجو و کلیدهای API
Perplexica به یک یا چند ارائهدهنده وب/جستجو متکی است. گزینههای رایج عبارتند از Brave Search، Serper/SerpAPI (نتایج مشابه Google)، Bing Web Search، Tavily و Google Custom Search Engine (CSE). شما کلیدهای API را در فایل {.env} خود ارائه خواهید کرد.
متغیرهای معمولی که ممکن است در {.env} ببینید:
- BRAVE_API_KEY یا SERPER_API_KEY (یا SERPAPI_KEY)
- GOOGLE_CSE_ID و GOOGLE_CSE_API_KEY
- OLLAMA_BASE_URL (برای مدلهای محلی)
- OPENAI_API_KEY یا OPENAI_COMPATIBLE_BASE_URL برای مدلهای ابری
فقط آنچه را که نیاز دارید تنظیم کنید. بسیاری از کاربران با یک ارائهدهنده واحد (به عنوان مثال، Brave یا Tavily) و یک LLM واحد (Ollama یا یک نقطه پایانی سازگار با OpenAI) شروع میکنند، سپس آن را گسترش میدهند.
انتخاب و تنظیم مدل خود
میتوانید Perplexica را با:
- مدلهای محلی از طریق Ollama اجرا کنید: دوستدار حریم خصوصی و رایگان برای هر query; سرعت/کیفیت به GPU/CPU و اندازه مدل شما بستگی دارد.
- مدلهای ابری از طریق API: معمولاً برای کارهای پیچیده سریعتر و قویتر هستند اما هزینه استفاده را متحمل میشوند.
توصیهها:
- سختافزار سبک: {mistral:7b} یا {llama3:8b} از طریق Ollama برای پرسش و پاسخ عمومی.
- سختافزار متوسط/بالا: {llama3:70b} یا {qwen2} اگر به استدلال قویتری نیاز دارید.
- پشتیبانی شده توسط API: مدلهای سازگار با OpenAI را برای سنگینترین query های تحقیق در نظر بگیرید.
در تنظیمات Perplexica یا {.env}، مدل پیشفرض را به LLM انتخابی خود اشاره دهید. اگر ساخت شما از چندین مدل پشتیبانی میکند، میتوانید در هر جلسه جابجا شوید.
Prompting هوشمند برای پاسخهای بهتر
از این الگوها برای بهبود خروجی استفاده کنید:
- درخواست شواهد: «3–5 منبع معتبر با پیوند ذکر کنید. توافقات و اختلافات را خلاصه کنید.»
- خروجی ساختاریافته: «یک خلاصه 5 نکتهای به دنبال آن یک جدول مقایسه برگردانید.»
- محدودیتها: «آن را زیر 150 کلمه نگه دارید. سپس یک چک لیست 3 موردی اضافه کنید.»
- کنترل دامنه: «فقط بر روی تحولات 2024–2025 تمرکز کنید و از منابع دارای paywall صرف نظر کنید.»
گردش کار نمونه
- Prompt: «Notion در مقابل Obsidian را برای تیمهای تحقیق مقایسه کنید. مزایا/معایب، قیمتگذاری و بهروزرسانیهای 2025 را با استنادها ارائه دهید.»
- نتیجه: یک شبکه مختصر از تبادلات با پیوند به منابع اصلی.
- Prompt: «چگونه ردیابی OpenTelemetry را در یک برنامه FastAPI اضافه کنیم؟ اسنیپتهای کد را شامل کنید و به اسناد رسمی پیوند دهید.»
- نتیجه: کد گام به گام به همراه مراجع رسمی.
- Prompt: «پیشرفتهای رانشگر یونی (2023–2025) را خلاصه کنید. 4 منبع بررسی شده توسط همتایان را شامل کنید و مشکلات باز را ذکر کنید.»
- نتیجه: ترکیب پشتیبانی شده توسط مقاله با سوالات باز.
- دانش کاوی ویدیو (در صورت فعال بودن)
- Prompt: «نکات کلیدی ویدیوهای هفته گذشته در مورد «الگوهای غیر همزمان Rust» را خلاصه کنید. در صورت وجود، timestamp ها را درج کنید.»
عیبیابی و نکات عملکرد
- Docker نمیتواند مدل را پیدا کند: اطمینان حاصل کنید که Ollama در حال اجرا است و URL پایه از داخل Docker قابل دسترسی است. در macOS/Windows، به جای {localhost}، {host.docker.internal} را امتحان کنید.
- نتایج جستجوی خالی: کلید API و سهمیه ارائهدهنده را تأیید کنید. سعی کنید به یک ارائهدهنده دیگر تغییر دهید یا یک ارائهدهنده دوم را به عنوان fallback فعال کنید.
- پاسخهای کند: از یک مدل محلی کوچکتر استفاده کنید. تعداد صفحات بازیابی شده را کاهش دهید. یا برای query های سنگین به یک مدل API تغییر دهید.
- افزایش حافظه: وظایف همزمان را محدود کنید یا در صورت قابل تنظیم بودن، پنجره context را کاهش دهید.
- استنادها missing هستند: prompt خود را محکم کنید («پیوندهای منبع را با عنوان درج کنید») یا تأیید کنید که حالت از استخراج پیوند پشتیبانی میکند.
کنترلهای حریم خصوصی و هزینه
- فقط مدلهای محلی را از طریق Ollama اجرا کنید تا محتوا را در دستگاه خود نگه دارید.
- ارائهدهندگانی را با قیمتگذاری مقرون به صرفه یا سطوح رایگان انتخاب کنید (انواع Brave/Tavily/Serper ممکن است بر اساس سهمیه متفاوت باشند).
- در صورت پشتیبانی Perplexica در ساخت شما، نتایج را cache کنید. تماسهای تکراری را کاهش خواهید داد.
به روز رسانی Perplexica
- آخرین تغییرات repository را دریافت کنید و containers خود را دوباره بالا ببرید:
{git pull} {docker compose pull} {docker compose up -d --build}
- برای تغییرات اساسی یا گزینههای ارائهدهنده جدید، یادداشتهای انتشار را در repo GitHub بررسی کنید.
ادغامها و گزینههای UI
- بسیاری از کاربران Perplexica را با Ollama برای یک پشته کاملاً محلی جفت میکنند. این walkthrough خود میزبانی را برای سیمکشی عملی و خطرات ببینید.
- پستهای انجمن اغلب snippets Docker Compose، الگوهای محیطی و تصاویر از پیش ساخته شده را برای راهاندازی یک دستوری به اشتراک میگذارند.
چه زمانی Perplexica را به جای جایگزینهای میزبانی شده ترجیح دهیم
- شما به قابلیت تکرار، گزارشهای محلی و configs شفاف نیاز دارید
- سازمان شما ابزارهای هوش مصنوعی خارجی را مسدود میکند
- شما میخواهید با LLM های مختلف یا تنظیمات بازیابی آزمایش کنید
- شما به پیشبینیپذیری هزینه و حریم خصوصی اهمیت میدهید
شایان ذکر است: استفاده از Sider.AI در کنار Perplexica
امتیاز مرتبط بودن: 8/10
اگر زمان زیادی را صرف پرسیدن سوالات تحقیق و سپس تبدیل نتایج به محتوا میکنید (خلاصهها، پیشنویسهای وبلاگ، یادداشتهای اسلاید)، جفت کردن Perplexica با یک فضای کاری نوشتن/تحلیل میتواند سرعت کارها را افزایش دهد. شایان ذکر است: Sider.AI به شما امکان میدهد چندین نسخه از یافتههای خود را به سرعت در یک ویرایشگر تمیز پیشنویس، ویرایش و مقایسه کنید. پس از اینکه Perplexica منابع و خلاصهها را نشان داد، استنادها را paste کنید و اجازه دهید Sider به ساختار، لحن و پرداخت کمک کند—به خصوص برای طرحهای کلی طولانی یا خلاصههای ذینفعان.
نکات کلیدی
- Perplexica یک موتور جستجوی هوش مصنوعی خود میزبانی شده است که پاسخها را با استنادها ترکیب میکند.
- آن را به سرعت با Docker اجرا کنید; ارائهدهندگان و مدلها را در {.env} پیکربندی کنید.
- از Ollama برای استنتاج محلی و خصوصی—یا مدلهای API برای سرعت/کیفیت استفاده کنید.
- نتایج را با prompts ساختاریافته و حالتهای متمرکز بهبود بخشید.
- هزینهها را با انتخاب دقیق ارائهدهندگان و caching در صورت امکان مدیریت کنید.
چک لیست سریع برای شروع
- repo را Clone کنید و {.env} را تنظیم کنید
- ارائهدهنده جستجو و LLM خود را انتخاب کنید (Ollama یا API)
- UI را باز کنید و اولین query خود را اجرا کنید
- بر روی prompts و انتخابهای ارائهدهنده/مدل تکرار کنید
سوالات متداول
{Q1: Perplexica چیست و چه تفاوتی با Perplexity دارد؟ Perplexica یک موتور جستجوی هوش مصنوعی خود میزبانی شده و متنباز است که به صورت محلی یا روی یک سرور اجرا میکنید، در حالی که Perplexity یک سرویس میزبانی شده است. با Perplexica، شما ارائهدهندگان و مدلها را انتخاب میکنید، حریم خصوصی را کنترل میکنید و میتوانید از LLM های محلی از طریق Ollama برای هزینه صفر در هر query استفاده کنید.}{Q2: چگونه Perplexica را با Docker نصب کنم؟ repo رسمی را Clone کنید، {.env} خود را با کلیدهای API و تنظیمات LLM پیکربندی کنید، سپس {docker compose up -d} را اجرا کنید. رابط کاربری وب در پورت پیکربندی شده در دسترس خواهد بود; برای مراحل و بهروزرسانیهای دقیق، فایل readme GitHub را ببینید.}{Q3: آیا Perplexica میتواند از مدلهای محلی مانند Llama 3 از طریق Ollama استفاده کند؟ بله. Ollama را نصب کنید، یک مدل را دریافت کنید (به عنوان مثال، {ollama pull llama3})، و URL پایه LLM مربوط به Perplexica را به نقطه پایانی Ollama اشاره دهید. این استنتاج خصوصی و محلی را بدون هزینههای استفاده از API امکانپذیر میکند.}{Q4: کدام ارائهدهندگان جستجو با Perplexica کار میکنند؟ Perplexica از چندین ارائهدهنده مانند Brave، Serper/SerpAPI، Bing، Tavily و Google CSE بسته به ساخت شما پشتیبانی میکند. کلیدهای API مربوطه را در {.env} خود اضافه کنید و یک ارائهدهنده پیشفرض را انتخاب کنید.}{Q5: چگونه میتوانم کیفیت پاسخ را در Perplexica بهبود بخشم؟ با prompts خاص باشید (درخواست استناد، مقایسه، محدودیت)، یک مدل قوی را انتخاب کنید و بیش از یک ارائهدهنده جستجو را برای پوشش فعال کنید. همچنین میتوانید دامنه را به سالهای اخیر محدود کنید و خروجیهای ساختاریافته مانند جداول یا bullet point ها را درخواست کنید.}
