What is Perplexica and how does it differ from Perplexity?

Perplexica is a self-hosted, open-source AI search engine you run locally or on a server, while Perplexity is a hosted service. With Perplexica, you choose providers and models, control privacy, and can use local LLMs via Ollama for zero per‑query cost.

How do I install Perplexica with Docker?

Clone the official repo, configure your `.env` with API keys and LLM settings, then run `docker compose up -d`. The web UI will be available at the configured port; see the GitHub readme for exact steps and updates.

Can Perplexica use local models like Llama 3 via Ollama?

Yes. Install Ollama, pull a model (e.g., `ollama pull llama3`), and point Perplexica’s LLM base URL to the Ollama endpoint. This enables private, local inference with no API usage fees.

Which search providers work with Perplexica?

Perplexica supports multiple providers such as Brave, Serper/SerpAPI, Bing, Tavily, and Google CSE, depending on your build. Add the corresponding API keys in your `.env` and select a default provider.

How can I improve answer quality in Perplexica?

Be specific with prompts (ask for citations, comparisons, constraints), choose a strong model, and enable more than one search provider for coverage. You can also limit scope to recent years and request structured outputs like tables or bullet points.

Perplexica ఎలా ఉపయోగించాలో: 2025 కోసం పూర్తి, నిర్లక్ష్య రహిత మార్గదర్శకం

మీకు Perplexity-స్టైల్ AI సమాధానాలు కావాలనుకుంటే కానీ పూర్తి నియంత్రణ కావలసినట్లయితే, Perplexica ఓపెన్-సోర్స్ మార్గం, ఇది స్వీయ హోస్ట్ చేయబడివుంటుంది, ప్రైవసీకు అనుకూలంగా ఉంటుంది, మరియు ఆశ్చర్యపరిచే విధంగా శక్తివంతంగా ఉంటుంది. ఈ గైడ్‌లో మేము Perplexica ఏమిటి, దానిని ఎలా ఇన్‌స్టాల్ చేయాలి, ప్రొవైడర్లు మరియు మోడల్స్‌ను ఎలా కాన్ఫిగర్ చేయాలి, మరియు దినచర్యలో పరిశోధన, కోడింగ్, మరియు కంటెంట్ డిస్కవరీ కోసం దానిని ఎలా ఉపయోగించాలో అడుగడుగునా వివరించబోతున్నాము.

ప్రాయోగికంగా మరియు పరిష్కార దృష్టితో ఉండేందుకు, మేము ప్రశ్న ఆధారిత నిర్మాణం ఉపయోగించి త్వరిత చిట్కాలు, ఉదాహరణ కమాండ్లు, మరియు సమస్య పరిష్కార సూచనలు అందిస్తాము.

దృష్టిలో పెట్టుకోండి: Perplexica సక్రియంగా అభివృద్ధి చెందుతోంది మరియు సాధారణంగా Docker తో నిర్వాహించబడుతుంది. అధికారిక GitHub రీడ్‌మి లో వేగవంతమైన మార్గం వివరించబడింది: Docker ఇన్‌స్టాల్ చేయండి, రిపోని క్లోన్ చేసుకోండి, మరియు Docker Compose ద్వారా రన్ చేయండి. Ollama తో Perplexica నడుపుతున్న శ్రేణి సమీక్ష కోసం, ఈ సేవాహోస్టింగ్ మార్గదర్శకాన్ని చూడండి. ఒక-కమాండు సెటప్ మరియు ప్రీబిల్ట్ ఇమేజులు గురించి చురుకైన డిస్కషన్ కూడా ఉందని గమనించండి.

Perplexica అంటే ఏమిటి?

Perplexica స్వీయ హోస్ట్ చేయగల, AI శక్తితో కూడిన సెర్చ్ ఇంజన్. ఇది వెబ్ సెర్చ్ మరియు LLMs ని కలిపి సంక్లిష్ట ప్రశ్నలకు సంక్షిప్త, మూలాధారాలతో కూడిన సమాధానాలను అందిస్తుంది. ఒక క్లిష్టమైన ప్రశ్న అడగండి, అది వెబ్‌ను శోధించి, అనేక మూలాలను చదవి స్పష్టమైన సమాధానం వివరాలతో ఇస్తుంది. ఇది Perplexity-స్టైల్ పరికరాలకు ఓపెన్ ప్రత్యామ్నాయం కాగా, మీరు దీన్ని స్థానికంగా లేదా మీ సర్వర్‌పై నడుపుతారు కాబట్టి పారదర్శకత మరియు నియంత్రణ ఉండుతుంది.

ప్రధాన అంశాలు:

Docker తో స్థానిక లేదా స్వీయ హోస్టెడ్ నియంత్రణ

మీ ఇష్టమైన సెర్చ్/డేటా ప్రొవైడర్లను ఉపయోగిస్తుంది (ఉదాహరణకి Brave, SerpAPI, Google CSE—కాన్ఫిగరబుల్)

స్థానిక లేదా రిమోట్ LLMs తో పనిచేస్తుంది (ఉదా: Ollama లేదా API ఆధారిత మోడల్స్ ద్వారా)

సహజ భాషా ప్రశ్నలకు వెబ్ UI, అలాగే కాన్ఫిగరేషన్ ఆధారంగా Web/Scholar/YouTube వంటి ప్రత్యేక “మోడ్‌లు”

Perplexica ఎవరికీ?

మూలాల్లో ఆధారపడి బహు-సోర్స్ సారాంశాలు కావాలనుకునే పరిశೋಧకులకు

స్థానిక LLMs తో వెబ్ రిట్రీవల్ ఇష్టపడే ఇంజనీర్‌లకు

ప్రైవసీ మరియు ఖర్చు నియంత్రణ అవసరమయ్యే టీమ్‌లకు

Perplexity-స్టైల్స్ టూల్స్‌ను స్వీయ హోస్టెడ్ పరికరాలతో మార్చాలనుకునే పవర్ యూజర్‌లకు

త్వరిత ప్రారంభం: Perplexica వేగంగా నడపడం

అధికారిక రిపాజిటరీపై కనీసం ఈ విధంగా పనిచేస్తుంది:

తయారీ అవసరాలు

Docker మరియు Docker Compose ఇన్‌స్టాల్ చేయబడాలి

Git ఇన్‌స్టాల్ చేయాలి

ఐచ్ఛికం: Ollama ఇన్‌స్టాల్ చేయాలి మీరు స్థానిక మోడల్స్ (ఉదా: llama3, mistral, qwen) ఉపయోగించాలనుకుంటే

రిపోజిటరీ క్లోన్ చేయండి

git clone
cd Perplexica

పరిసర వేరియబుల్స్ కాన్ఫిగర్ చేయండి

ఉదాహరణ కోసం ఉన్నenv ఫైల్ నకలుచేసుకోండి (ఉదా: .env.example నుండి .envకి).

ఏదైనా సెర్చ్/API కీస్ (Brave, Serper, Tavily, Bing, Google CSE) జోడించండి.

LLM ప్రొవైడర్‌ని కాన్ఫిగర్ చేయండి: స్థానిక Ollama ఎండ్పాయింట్ లేదా API (OpenAI/కాంపాటబుల్) మీ సెటప్ ఆధారంగా.

Docker Compose తో ప్రారంభించండి

docker compose up -d

అవసరమైన సేవలు ప్రారంభం అవుతాయి. ఒక నిమిషం అనంతరం, వెబ్ UI ప్రింట్ చేసిన లోకల్‌హోస్ట్ పోర్ట్ వద్ద (సాధారణంగా 3000 లేదా రిపో డాక్యుమెంటేషన్ ప్రకారం) అందుబాటులో ఉంటుంది.

ఐచ్ఛికం: Ollama ద్వారా స్థానిక మోడల్ పొందండి

# Ollama ఇన్‌స్టాల్ చేయండి (మీ OS కు ollama.com చూడండి)
ollama pull llama3
# లేదా మరొక మోడల్

Perplexica LLM కాన్ఫిగరేషన్‌ని మీ Ollama ఎండ్పాయింట్‌కి చూపించండి (ఇంతలో Docker పై macOS/Windows లో అయితే host.docker.internal, లినక్స్ లో మాత్రం ). స్వీయ హోస్టింగ్ మార్గదర్శకం ఈ జతను వివరించేది.

ప్రథమ-రన్ టూర్: Perplexica వెబ్ UI ఉపయోగించడం

UI అప్పుడే ఆన్ అయితే, మీరు ఆధునిక AI సెర్చ్ ఇంజిన్‌ల తరహాలో సెర్చ్ బాక్స్ చూస్తారు.

సహజ భాషలో ప్రశ్న అడగండి: “2025 లో వెక్టర్ డేటాబేసుల తాజా బెంచ్‌మార్క్‌లు ఏమిటి?”

అభిముఖ/మోడ్ ఎంచుకోండి: Web, Academic/Scholar, YouTube, లేదా సాధారణ Research మోడ్; మీ బిల్డ్ మరియు ప్రొవైడర్లు ఆధారంగా ఇవి కనిపిస్తాయి.

Enter నొక్కండి. Perplexica మూలాలను తీసుకొని చదివి, మూలాలతో స్పష్టమైన సారాంశాన్ని తయారుచేస్తుంది.

సిటేషన్లను విస్తరించండి, మూలాలను పరిశీలించి విశ్వాసనీయతను నిర్ధారించండి.

సూచనలు:

స్పష్టమైన ప్రాంప్ట్‌లు వాడండి: “పద్ధతుల مقابిలా చేయండి,” “ప్రోస్/కాన్స్ జాబితా చేయండి,” లేదా “3 క్లుప్త టేక్-అవేలు తో 200 పదాల సారాంశం ఇవ్వండి.” వంటి పరిమితులు జోడించండి.

కోడిング్ విషయాలకు స్టెప్-బై-స్టెప్ కోడ్‌ స్నిపెట్లు అడగండి మరియు అధికారిక డాక్యూమెంటేషన్ కి లింక్ చేయండి.

వీడియోలకు (YouTube మోడ్ ఎనేబుల్ అయితే) “ఈ ఛానెల్ చివరి ట్యుటోరియల్ X పై సారాంశం ఇవ్వండి.” అడగండి.

సెర్చ్ ప్రొవైడర్లు మరియు API కీలు ఎలా కాన్ఫిగర్ చేయాలి

Perplexica ఒకటి లేదా ఎక్కువ వెబ్/సెర్చ్ ప్రొవైడర్లపై ఆధారపడుతుంది. సాధారణ ఎంపికలలో Brave Search, Serper/SerpAPI (Google-లా ఫలితాలు), Bing Web Search, Tavily, మరియు Google Custom Search Engine (CSE) ఉంటాయి. మీరు API కీలు మీ .env ఫైల్‌లో జోడిస్తారు.

.envలో సాధారణ వేరియబుల్స్:

BRAVE_API_KEY లేదా SERPER_API_KEY (లేదా SERPAPI_KEY)

BING_API_KEY

TAVILY_API_KEY

GOOGLE_CSE_ID మరియు GOOGLE_CSE_API_KEY

OLLAMA_BASE_URL (స్థానిక మోడల్స్ కోసం)

OPENAI_API_KEY లేదా OPENAI_COMPATIBLE_BASE_URL క్లౌడ్ మోడల్స్ కోసం

మీకు కావాల్సినదే సెట్ చేయండి. చాలా యూజర్లు ఒకే ప్రొవైడర్‌తో (ఉదా: Brave లేదా Tavily) మరియు ఒకే LLM (Ollama లేదా OpenAI-పరిపాలించగల ఎండ్పాయింట్) తో ప్రారంభించి, తరువాత విస్తరించుకుంటారు.

మీ మోడల్ ఎంచుకోవడం మరియు ట్యూన్ చేయడం

మీరు Perplexica ఈ రకాలతో నడిపించవచ్చు:

Ollama ద్వారా స్థానిక మోడల్స్: ప్రైవసీ-అనుకూలం మరియు ప్రతి క్వెరీకు ఉచితం; వేగం/పాత్రత మీ GPU/CPU మరియు మోడల్ పరిమాణంపై ఆధారపడి ఉంటుంది.

API ద్వారా క్లౌడ్ మోడల్స్: సాధారణంగా క్లిష్టమైన పనులకి వేగవంతం మరియు బలమైన కానీ ఉపయోగం ఖర్చుతో కూడుకున్నవి.

సిఫార్సులు:

లైట్ హార్డ్వేర్: Ollama ద్వారా mistral:7b లేదా llama3:8b సాధారణ ప్రశ్నలకు.

మిడ్/హై హార్డ్వేర్: బలమైన తర్కం అవసరమైతే llama3:70b లేదా qwen2 వేరియంట్లు.

API-ఆధారిత: అధిక పరిశోధన ప్రశ్నల కోసం OpenAI-కాంపాటబుల్ మోడల్స్ పరిశీలించండి.

Perplexica సెట్టింగ్స్ లేదా .env లో డిఫాల్ట్ మోడల్ ని మీ ఎంచుకున్న LLM కు పాయింట్ చేయండి. మీ బిల్డ్ అనుమతిస్తే, సeshన్ల మధ్య మోడల్స్ మార్చుకోవచ్చు.

మంచి సమాధానాల కోసం స్మార్ట్ ప్రాంప్టింగ్

ఫలితాలను మెరుగుపర్చేందుకు ఈ నమూనాలు ఉపయోగించండి:

సాక్ష్యాంశాలు అడగండి: “3-5 నమ్మకమయ్యే మూలాలకు లింక్లు ఇవ్వండి. ఒప్పందాలు మరియు భేదాలు సారాంశం చేయండి.”

సంఘటిత అవుట్‌పుట్: “5-పాయింట్ల సారాంశం ఇవ్వండి, తరువాత తులనా పట్టిక.”

పరిమితులు: “150 పదాల కింద ఉంచండి. అపై 3 అంశాల చెక్లిస్ట్ జత చేయండి.”

పరిమితి నియంత్రణ: “కేవలం 2024-2025 అభివృద్ధులపై దృష్టి పెట్టండి, మరియు పే-వాల్ మూలాలు తప్పించండి.”

ఉదాహరణ వర్క్‌ఫ్లోలు

పోటీ తీర్చడం

ప్రాంప్ట్: “పరిశోధనా టీమ్‌ల కోసం Notion vs Obsidian పోల్చండి. ప్రోస్/కాన్స్, ధరలు, మరియు 2025 నవీకరణలతో మూలాలతో.”

ఫలితం: ప్రాథమిక మూలాల లింకులతో కూడిన సంక్షిప్త తులన పట్టిక.

డెవలపర్ గైడ్

ప్రాంప్ట్: “FastAPI యాప్లో OpenTelemetry ట్రేసింగ్ ఎలా జోడించాలి? కోడ్ స్నిపెట్లు మరియు అధికారిక డాక్స్ లింకులు‌తో.”

ఫలితం: స్టెప్-బై-స్టెప్ కోడ్ మరియు అధికారిక సూచనలు.

విజ్ఞాన నేపథ్యం

ప్రాంప్ట్: “ion thruster అభివృద్ధుల సారాంశం (2023-2025). peer-reviewed 4 మూలాలు చేర్చండి మరియు తెరిచి ఉన్న సమస్యలు గూర్చి చెప్పండి.”

ఫలితం: పేపర్ ఆధారిత సమగ్ర విశ్లేషణ మరియు తెరిచి ఉన్న ప్రశ్నలు.

వీడియా నోలేజీ మైనింగ్ (ఎనేబుల్ అయితే)

ప్రాంప్ట్: “గత వారం ‘Rust async patterns’ వీడియోల ముఖ్య విషయాలకు సారాంశం ఇవ్వండి. టైంస్టాంప్స్ ఉంటే జత చేయండి.”

సమస్యలు పరిష్కరించడం మరియు పనితీరు చిట్కాలు

Docker మోడల్ కనబడటం లేదు: Ollama నడుస్తున్నదిగా నిర్ధారించండి మరియు బేస్ URL Docker లోపల చేరుకోగలదనిపరిశీలించండి. macOS/Windows పై host.docker.internal ఉపయోగించండి localhost బదులు.

శూడు సెర్చ్ ఫలితాలు: ప్రొవైడర్ API కీ మరియు క్వోటా తనిఖీ చేయండి. మరో ప్రొవైడర్ కు మారండి లేదా fallback కోసం రెండో ప్రొవైడర్ ఎనేబుల్ చేయండి.

మందగతి సమాధానాలు: చిన్న స్థానిక మోడల్ ఉపయోగించండి; తీసుకునే పేజీలు తగ్గించండి; భారమైన ప్రశ్నలకు API మోడల్ కు మారండి.

మెమరీ స్పైక్స్: సమాంతర పనుల పరిమితి పెట్టండి లేదా కాన్ఫిగర్పుల్ అయితే కాంటెక్స్ట్ విండో తగ్గించండి.

సిటేషన్లు లేకపోవడం: మీ ప్రాంప్ట్ ఎడ్జెస్ట్ చేయండి (“మూలాల లింకులు తో టైటిల్స్ చేర్చండి”) లేదా మోడ్ లింక్లు తీసుకురావడాన్ని మద్దతు చేస్తున్నదో చూడండి.

ప్రైవసీ మరియు ఖర్చు నియంత్రణ

కంటెంట్ మీ మెషీన్ లోనే ఉంచేందుకు కేవలం Ollama ద్వారా స్థానిక మోడల్స్ నడపండి.

సులభ ధరల లేదా ఉచిత తగిలించుకోవచ్చు (Brave/Tavily/Serper వేరియంట్లు క్వోటా ప్రకారం మారవచ్చు) ఉండే ప్రొవైడర్లను ఎంచుకోండి.

Perplexica మీ బిల్డ్ లో సహాయం చేస్తే ఫలితాలను క్యాచ్ చేయండి; పునరావృత API కాల్స్ తగ్గుతాయి.

Perplexica అప్డేట్ చేయడం

తాజా రిపో మార్పులు డ్రా చేసి కంటైనర్లు మళ్లీ పుట్టించండి:

git pull
docker compose pull
docker compose up -d --build

పగుళ్ళు లేదా కొత్త ప్రొవైడర్ ఎంపికల కోసం GitHub రిపో విడుదల నోట్లు చూడండి.

ఇంటిగ్రేషన్లు మరియు UI ఎంపికలు

అనేక వినియోగదారులు పూర్తి స్థానిక స్టాక్ కోసం Perplexica ని Ollama తో జతచేస్తున్నారు. ప్రాక్టికల్ వైరిం మరియు జాగ్రత్తల కోసం ఈ స్వీయ-హోస్టింగ్ మార్గదర్శకం చూడండి.

సమూహ పోస్టులు తరచుగా Docker Compose స్నిపెట్లు, ఎన్విరాన్‌మెంట్ టెంప్లేట్లు, మరియు ఒక-కమాండు సెటప్ కోసం ప్రీబిల్ట్ ఇమేజులను పంచుకుంటాయి.

ఎప్పుడైతే Perplexica ని హోస్టెడ్ ప్రత్యామ్నాయాలతో పోల్చితే ప్రాధాన్యత ఇవ్వాలి?

మీకు పునరుత్పాదన, స్థానిక లాగ్స్, మరియు పారదర్శక కాన్ఫిగరేషన్లు అవసరం ఉన్నప్పుడు

మీ సంస్థ బాహ్య AI సాధనాలను నిరోధించినప్పుడు

వేరే LLMs లేదా రిట్రీవల్ సెట్టింగ్‌లతో ప్రయోగాలు చేయాలనుకునేటప్పుడు

మీకు ఖర్చు ఊహించదగిన విధంగా ఉండాలి మరియు ప్రైవసీ ముఖ్యం అయినప్పుడు

గమనించదగిన విషయం: Perplexica తో పాటు Sider.AI ఉపయోగించడం

సంబంధిత స్కోరు: 8/10

మీరు పరిశోధనా ప్రశ్నలు అడిగి వాటిని కంటెంట్ (బ్రీఫ్స్, బ్లాగ్ డ్రాఫ్ట్స్, స్లైడ్ నోట్స్) గా మార్చడానికి చాల సమయం ఉపయోగిస్తే, Perplexica ని రైటింగ్/విశ్లేషణ వర్క్‌స్పేస్ తో జతచేస్తే వేగవంతం అవుతుంది. గమనించదగినది: Sider.AI మీ కనుగొన్న విషయాలను బాగా నిర్మించడానికి, టోన్ ని మెరుగుపరచడానికి, మరియు పలువురు వెర్షన్లు సమీక్షించడానికి క్లీనైన ఎడిటార్ లో త్వరిత గుండ్లుగా సహాయం చేస్తుంది. Perplexica మూలాల సారాంశాలు ఇస్తే, సిటేషన్లు పేస్ట్ చేసి Sider తో చొరవ చూపండి, దీర్ఘ ఫార్మాట్ అవుట్‌లైన్లు లేదా స్టేక్‌హోల్డర్ సారాంశాల కోసం.

ముఖ్య సంగ్రహాలు

Perplexica ఒక స్వీయ-హోస్ట్ AI సెర్చ్ ఇంజిన్, ఇది మూలాలతో కూడిన సమాధానాలను తయారు చేస్తుంది.

Docker తో త్వరగ నడుపండి; ప్రొవైడర్లు మరియు మోడల్స్‌ను .envలో కాన్ఫిగర్ చేయండి.

ప్రైవేట్ మరియు స్థానిక సూచన కోసం Ollama వాడండి లేదా వేగం మరియు నాణ్యత కోసం API మోడల్స్ వాడండి.

సంఘటిత ప్రాంప్ట్‌లు మరియు ఫోకస్డ్ మోడ్‌లతో ఫలితాలు మెరుగుపరుచండి.

ప్రొవైడర్లను జాగ్రత్తగా ఎంచుకుని, క్యాషింగ్ ద్వారా ఖర్చులు తగ్గించుకోండి.

శరవేగChecklist ప్రారంభించడానికి

Docker మరియు Git ఇన్‌స్టాల్ చేయండి

రిపో క్లోన్ చేసి .env సెటప్ చేయండి

మీ సెర్చ్ ప్రొవైడర్ మరియు LLM ఎంచుకోండి (Ollama లేదా API)

docker compose up -d

UI ఓపెన్ చేసి మీ మొదటి క్వెరీ నడిపించండి

ప్రాంప్ట్‌లు మరియు ప్రొవైడర్/మోడల్ ఎంపికలపై చింతించండి

ప్రశ్నలు (FAQ)

Q1:Perplexica అంటే ఏమిటి మరియు Perplexity నుంచి భేదం ఏంటి? Perplexica స్వీయ-హోస్ట్ అయిన ఓపెన్-సోర్స్ AI సెర్చ్ ఇంజన్. మీరు దీన్ని స్థానికంగా లేదా సర్వర్‌పై నడుపుతారు, Perplexity ఒక హోస్టెడ్ సేవ. Perplexicaలో మీరు ప్రొవైడర్లు, మోడల్స్ ఎంచుకొని ప్రైవసీ నియంత్రించవచ్చు. Ollama ద్వారా స్థానిక LLMs వాడటం క్వెరీకి ఖర్చు లేకుండా సాధ్యమే.

Q2:Docker తో Perplexica ను ఎలా ఇన్‌స్టాల్ చేయాలి? అధికారిక రిపో క్లోన్ చేసి, .envలో API కీలు, LLM సెట్టింగ్స్ సెటప్ చేసి, docker compose up -d ను అమలు చేయండి. వెబ్ UI కాన్ఫిగర్ చేసిన పోర్ట్ వద్ద అందుబాటులో ఉంటుంది; GitHub రీడ్‌మి లో పూర్తి స్టెప్స్ ఉన్నవి.

Q3:Perplexica Ollama ద్వారా Llama 3 వంటి స్థానిక మోడల్స్ ఉపయోగించగలదా? అవును. Ollama ఇన్‌స్టాల్ చేసి, మోడల్ పుల్ చేయండి (ఉదా: ollama pull llama3) మరియు Perplexica LLM బేస్ URL Ollama ఎండ్పాయింట్ కు పాయింట్ చేయండి. ఇది ప్రైవేట్, స్థానిక సూచనను API ఖర్చు లేకుండా అందిస్తుంది.

Q4:Perplexica తో ఏ సెర్చ్ ప్రొవైడర్లు పనిచేస్తాయి? Perplexica Brave, Serper/SerpAPI, Bing, Tavily, Google CSE వంటి అనేక ప్రొవైడర్లు మద్దతు ఇస్తుంది, మీ బిల్డ్ ఆధారంగా. సంబంధిత API కీలు .envలో జోడించి, డిఫాల్ట్ ప్రొవైడర్ ఎంచుకోండి.

Q5:Perplexica లో సమాధానాల నాణ్యత ఎలా మెరుగుపరచాలి? ప్రాంప్ట్‌లలో స్పష్టత ఉంచండి (సిటేషన్లు, తులనలు, పరిమితులు అడగండి), బలమైన మోడల్ ఎంచుకోండి, మరియు మంచి కవరేజ్ కోసం ఒక కంటే ఎక్కువ సెర్చ్ ప్రొవైడర్ ఎనేబుల్ చేయండి. కేవలం తాజా సంవత్సరాల మీద కేంద్రీకరించండి మరియు పట్టికలు లేదా బుల్లెట్ పాయింట్లు వంటి సంఘటిత అవుట్‌పుట్ అడగండి.