Cara Menggunakan Perplexica: Panduan Lengkap Tanpa Belet-Belet untuk 2025
Jika anda telah mengintai jawapan AI ala Perplexity tetapi mahukan kawalan penuh, Perplexica adalah laluan sumber terbuka—dihoskan sendiri, mesra privasi, dan sangat berkemampuan. Dalam panduan ini, kita akan meneliti apa itu Perplexica, cara memasangnya, cara mengkonfigurasi penyedia dan model, dan cara menggunakannya dari hari ke hari untuk penyelidikan, pengekodan dan penemuan kandungan.
Untuk memastikan perkara praktikal dan berorientasikan penyelesaian, kita akan menggunakan struktur yang diterajui soalan dengan langkah pantas, contoh perintah, dan petua penyelesaian masalah.
By the way: Perplexica sedang giat dibangunkan dan biasanya digunakan dengan Docker. Readme GitHub rasmi menggariskan laluan terpantas: pasang Docker, klon repo, dan jalankan melalui Docker Compose. Untuk gambaran keseluruhan komuniti dan perkara penting pengehosan sendiri, lihat panduan ini tentang menjalankan Perplexica dengan Ollama. Terdapat juga thread pengehosan sendiri yang aktif membincangkan persediaan satu‑perintah dan imej prabina.
Apakah Itu Perplexica?
Perplexica ialah enjin carian berkuasa AI yang dihoskan sendiri yang menggabungkan carian web dengan model bahasa besar untuk menghasilkan jawapan yang ringkas dan berasaskan sumber. Bayangkan: tanya soalan yang kompleks, ia mencari di web, membaca berbilang sumber, dan mensintesis respons yang jelas dengan petikan. Ia diposisikan sebagai alternatif terbuka kepada alat ala Perplexity, tetapi anda menjalankannya secara tempatan atau pada pelayan anda sendiri untuk ketelusan dan kawalan.
Idea utama:
- Kawalan tempatan atau dihoskan sendiri dengan Docker
- Menggunakan pembekal carian/data pilihan anda (cth., Brave, SerpAPI, Google CSE—boleh dikonfigurasi)
- Berfungsi dengan LLM tempatan atau jauh (cth., melalui Ollama atau model berasaskan API)
- UI Web untuk pertanyaan semula jadi, serta "mod" yang difokuskan seperti Web/Scholar/YouTube bergantung pada konfigurasi
Untuk Siapakah Perplexica?
- Penyelidik yang mahukan ringkasan berbilang sumber yang dipetik
- Jurutera yang lebih suka LLM tempatan dengan perolehan web
- Pasukan yang memerlukan privasi dan kawalan kos
- Pengguna hebat menggantikan alat ala Perplexity dengan sesuatu yang dihoskan sendiri
Mula Pantas: Cara Terpantas untuk Menjalankan Perplexica
Berikut ialah aliran tipikal berdasarkan repositori rasmi:
- Docker dan Docker Compose dipasang
- Pilihan: Ollama dipasang jika anda ingin menggunakan model tempatan (cth.,
llama3, mistral, qwen)
- Konfigurasikan Pemboleh Ubah Persekitaran
- Salin fail persekitaran contoh jika disediakan (cth.,
.env.example → .env).
- Tambahkan sebarang kekunci carian/API (Brave, Serper, Tavily, Bing, Google CSE, dll.).
- Konfigurasikan pembekal LLM: titik akhir Ollama tempatan atau API (OpenAI/serasi) bergantung pada persediaan anda.
- Lancarkan dengan Docker Compose
- Ini memulakan perkhidmatan yang diperlukan. Selepas satu minit, UI web sepatutnya tersedia di port localhost yang dicetak (biasanya ` atau seperti yang dinyatakan dalam dokumen repo).
- Pilihan: Tarik Model Tempatan melalui Ollama
# Pasang Ollama (lihat ollama.com untuk OS anda)
ollama pull llama3
# atau model lain yang disokong
- Halakan konfigurasi LLM Perplexica ke titik akhir Ollama anda (selalunya
dari Docker pada macOS/Windows atau pada Linux). Panduan pengehosan sendiri menerangkan gandingan ini.
Lawatan Pertama Kali: Menggunakan UI Web Perplexica
Sebaik sahaja UI berfungsi, anda akan melihat kotak carian yang serupa dengan enjin carian AI moden.
- Ajukan soalan dalam bahasa semula jadi: “Apakah penanda aras terkini untuk pangkalan data vektor pada tahun 2025?”
- Pilih fokus/mod jika tersedia: Web, Akademik/Sarjana, YouTube, atau mod Penyelidikan yang lebih umum—binaan dan pembekal anda menentukan yang mana yang muncul.
- Tekan Enter. Perplexica akan mendapatkan sumber, membacanya, dan merangka ringkasan dengan petikan.
- Kembangkan petikan untuk memeriksa sumber dan mengesahkan kredibiliti.
Petua:
- Gunakan gesaan khusus: tambahkan kekangan seperti “bandingkan pendekatan,” “senaraikan kebaikan/keburukan,” atau “berikan ringkasan 200‑perkataan dengan 3 takeaway utama poin.”
- Untuk topik pengekodan, minta coretan langkah demi langkah dan pautkan kembali ke dokumen asal.
- Untuk video (jika mod YouTube didayakan), minta “ringkaskan tutorial terkini saluran ini tentang X.”
Cara Mengkonfigurasi Pembekal Carian dan Kekunci API
Perplexica bergantung pada satu atau lebih pembekal web/carian. Pilihan biasa termasuk Brave Search, Serper/SerpAPI (hasil seperti Google), Bing Web Search, Tavily dan Google Custom Search Engine (CSE). Anda akan membekalkan kekunci API dalam fail .env anda.
Pemboleh ubah tipikal yang mungkin anda lihat dalam .env:
- BRAVE_API_KEY atau SERPER_API_KEY (atau SERPAPI_KEY)
- GOOGLE_CSE_ID dan GOOGLE_CSE_API_KEY
- OLLAMA_BASE_URL (untuk model tempatan)
- OPENAI_API_KEY atau OPENAI_COMPATIBLE_BASE_URL untuk model awan
Tetapkan hanya perkara yang anda perlukan. Ramai pengguna bermula dengan pembekal tunggal (cth., Brave atau Tavily) dan LLM tunggal (Ollama atau titik akhir serasi OpenAI), kemudian berkembang.
Memilih dan Menala Model Anda
Anda boleh menjalankan Perplexica dengan:
- Model tempatan melalui Ollama: Mesra privasi dan percuma setiap pertanyaan; kelajuan/kualiti bergantung pada GPU/CPU dan saiz model anda.
- Model awan melalui API: Biasanya lebih pantas dan lebih kuat untuk tugas yang kompleks tetapi menimbulkan kos penggunaan.
Syor:
- Perkakasan ringan:
mistral:7b atau llama3:8b melalui Ollama untuk S&J umum.
- Perkakasan sederhana/tinggi: varian
llama3:70b atau qwen2 jika anda memerlukan penaakulan yang lebih kuat.
- Disokong API: Pertimbangkan model serasi OpenAI untuk pertanyaan penyelidikan yang paling berat.
Dalam tetapan Perplexica atau .env, halakan model lalai ke LLM pilihan anda. Jika binaan anda menyokong berbilang model, anda boleh bertukar setiap sesi.
Gesaan Pintar untuk Jawapan yang Lebih Baik
Gunakan corak ini untuk meningkatkan output:
- Permintaan bukti: “Petik 3–5 sumber bereputasi dengan pautan. Ringkaskan perjanjian dan perselisihan.”
- Output berstruktur: “Kembalikan ringkasan 5‑poin diikuti dengan jadual perbandingan.”
- Kekangan: “Pastikan ia di bawah 150 patah perkataan. Kemudian tambahkan senarai semak 3‑item.”
- Kawalan skop: “Fokus hanya pada perkembangan 2024–2025 dan langkau sumber berbayar.”
Contoh Alur Kerja
- Gesaan: “Bandingkan Notion vs Obsidian untuk pasukan penyelidikan. Berikan kebaikan/keburukan, harga, dan kemas kini 2025 dengan petikan.”
- Hasil: Grid pertukaran yang ringkas dengan pautan ke sumber utama.
- Gesaan: “Cara menambahkan pengesanan OpenTelemetry dalam aplikasi FastAPI? Sertakan coretan kod dan pautkan ke dokumen rasmi.”
- Hasil: Kod langkah demi langkah serta rujukan rasmi.
- Gesaan: “Ringkaskan kemajuan pendorong ion (2023–2025). Sertakan 4 sumber semakan rakan sebaya dan catatkan masalah terbuka.”
- Hasil: Sintesis yang disokong kertas dengan soalan terbuka.
- Perlombongan Pengetahuan Video (Jika Didayakan)
- Gesaan: “Ringkaskan takeaway utama daripada video minggu lepas tentang 'Corak tak segerak Rust'. Sertakan cap masa jika tersedia.”
Petua Penyelesaian Masalah dan Prestasi
- Docker tidak dapat mencari model: Pastikan Ollama sedang berjalan dan URL asas boleh dicapai dari dalam Docker. Pada macOS/Windows, cuba
host.docker.internal dan bukannya localhost.
- Keputusan carian kosong: Sahkan kekunci API dan kuota pembekal. Cuba bertukar kepada pembekal lain atau dayakan yang kedua sebagai sandaran.
- Respons perlahan: Gunakan model tempatan yang lebih kecil; kurangkan bilangan halaman yang diambil; atau bertukar kepada model API untuk pertanyaan berat.
- Lonjakan memori: Hadkan tugas serentak atau kurangkan tetingkap konteks jika boleh dikonfigurasi.
- Petikan hilang: Ketatkan gesaan anda (“sertakan pautan sumber dengan tajuk”) atau sahkan mod menyokong pengekstrakan pautan.
Privasi dan Kawalan Kos
- Jalankan hanya model tempatan melalui Ollama untuk memastikan kandungan pada mesin anda.
- Pilih pembekal dengan harga yang berpatutan atau peringkat percuma (varian Brave/Tavily/Serper mungkin berbeza mengikut kuota).
- Cache keputusan jika Perplexica menyokongnya dalam binaan anda; anda akan mengurangkan panggilan duplikasi.
Mengemas kini Perplexica
- Tarik perubahan repositori terkini dan naikkan semula bekas anda:
git pull
docker compose pull
docker compose up -d --build
- Semak nota keluaran pada repo GitHub untuk perubahan yang melanggar atau pilihan pembekal baharu.
Pilihan Integrasi dan UI
- Ramai pengguna memasangkan Perplexica dengan Ollama untuk tindanan tempatan sepenuhnya. Lihat panduan pengehosan sendiri ini untuk pendawaian praktikal dan perangkap.
- Siaran komuniti selalunya berkongsi coretan Docker Compose, templat persekitaran dan imej prabina untuk persediaan satu‑perintah.
Bilakah Lebih Suka Perplexica Daripada Alternatif Terhos
- Anda memerlukan kebolehulangan, log tempatan dan konfigurasi telus
- Organisasi anda menyekat alat AI luaran
- Anda ingin bereksperimen dengan LLM atau tetapan perolehan yang berbeza
- Anda mengambil berat tentang kebolehramalan kos dan privasi
Perlu diingat: Menggunakan Sider.AI bersama Perplexica
Skor perkaitan: 8/10
Jika anda menghabiskan banyak masa untuk bertanya soalan penyelidikan dan kemudian menukar hasilnya menjadi kandungan (ringkasan, draf blog, nota slaid), memasangkan Perplexica dengan ruang kerja penulisan/analisis boleh mempercepatkan sesuatu. Perlu diingat: Sider.AI membolehkan anda merangka, mengedit dan membandingkan berbilang versi penemuan anda dengan cepat di dalam editor yang bersih. Selepas Perplexica memaparkan sumber dan ringkasan, tampal petikan dan biarkan Sider membantu dengan struktur, nada dan penggilapan—terutamanya untuk garis besar bentuk panjang atau ringkasan pihak berkepentingan.
Takeaway Utama
- Perplexica ialah enjin carian AI yang dihoskan sendiri yang mensintesis jawapan dengan petikan.
- Jalankannya dengan cepat dengan Docker; konfigurasikan pembekal dan model dalam
.env.
- Gunakan Ollama untuk inferens peribadi tempatan—atau model API untuk kelajuan/kualiti.
- Tingkatkan hasil dengan gesaan berstruktur dan mod yang difokuskan.
- Urus kos dengan memilih pembekal dengan berhati-hati dan menyimpan cache jika boleh.
Senarai Semak Pantas untuk Bermula
- Klon repo dan sediakan
.env
- Pilih pembekal carian dan LLM anda (Ollama atau API)
- Buka UI dan jalankan pertanyaan pertama anda
- Ulangi gesaan dan pilihan pembekal/model
Soalan Lazim
S1:Apakah Perplexica dan bagaimana ia berbeza daripada Perplexity?
Perplexica ialah enjin carian AI sumber terbuka yang dihoskan sendiri yang anda jalankan secara tempatan atau pada pelayan, manakala Perplexity ialah perkhidmatan yang dihoskan. Dengan Perplexica, anda memilih pembekal dan model, mengawal privasi dan boleh menggunakan LLM tempatan melalui Ollama untuk kos sifar setiap‑pertanyaan.
S2:Bagaimanakah cara saya memasang Perplexica dengan Docker?
Klon repo rasmi, konfigurasikan .env anda dengan kekunci API dan tetapan LLM, kemudian jalankan docker compose up -d. UI web akan tersedia di port yang dikonfigurasikan; lihat readme GitHub untuk langkah dan kemas kini yang tepat.
S3:Bolehkah Perplexica menggunakan model tempatan seperti Llama 3 melalui Ollama?
Ya. Pasang Ollama, tarik model (cth., ollama pull llama3), dan halakan URL asas LLM Perplexica ke titik akhir Ollama. Ini membolehkan inferens tempatan peribadi tanpa yuran penggunaan API.
S4:Pembekal carian manakah yang berfungsi dengan Perplexica?
Perplexica menyokong berbilang pembekal seperti Brave, Serper/SerpAPI, Bing, Tavily dan Google CSE, bergantung pada binaan anda. Tambahkan kekunci API yang sepadan dalam .env anda dan pilih pembekal lalai.
S5:Bagaimanakah cara saya boleh meningkatkan kualiti jawapan dalam Perplexica?
Jadilah khusus dengan gesaan (minta petikan, perbandingan, kekangan), pilih model yang kukuh dan dayakan lebih daripada satu pembekal carian untuk liputan. Anda juga boleh mengehadkan skop kepada tahun-tahun kebelakangan ini dan meminta output berstruktur seperti jadual atau poin perbincangan.
