Perplexity要進軍企業RAG？

文 | 王智遠

昨天晚上查資料，由於國內AI搜索無法抓取到外部信息，我只能用Perplexity。這時，發現APP中新增一個功能，叫Spaces。

出於好奇，點進去看了一下，和Spaces一起推出的還有一個新功能，叫內部知識搜索。

什麼是內部知識搜索？什麼是Spaces？這個產品如何使用？它有哪些特點？難道Perplexity找到了廣告之外的新商業模式？

帶著種種疑惑，熬夜看完官方介紹文檔，並體驗一番，現在把心得總結分享給你。

01

Spaces 中文名字叫「空間」，它位於 Perplexity 的 APP 的左側，像往常一樣，放在發現功能的下面。

官方介紹說：Spaces 是一個專門為團隊協作設計的功能，主要提供一個「人工智能驅動的協作平台」，這個功能允許用戶創建定製的空間，來滿足團隊的特定需求。

在空間里，你可以邀請同事和朋友，一起共享文件，還可以使用包括偏好設置在內的人工智能模型，來定製助手的回應方式。

簡單講，這個空間主要特點有三個：

一，自定義 AI 助理。你可以設定空間內設定AI助理的指令；比如，定義它應該更專注於回答哪些話題，以及回答的深度。

二，通過空間把內部文件與空間連接起來，團隊成員就能方便地訪問和共享信息。還能與團隊協作，讓同事們一起處理某個文件、或者問題、甚至生成報告，提高效率。

三，隱私資料的保護。你自己可以控制誰可以看到這些文件，當然，Perplexity 保證不會用你的數據來訓練 AI。

看完後，我下意識覺得：

原來在Perplexity中，只有一個「歷史記錄的對話」框；通過歷史對話，能把文本生成網頁分享出去，現在，它只不過新增一個地方，可以用來處理深度問題或企業場景下的問題和文件，所有文件和問題都保存在其中，方便二次複用。

理解歸理解，很多東西手上體驗後才知道到底是什麼，於是，趕緊使用了一下，創建空間挺簡單，有四步走：

一，輸入一個名字，選個頭像；二，寫個描述，在描述里，寫上跟團隊協作項目的名字，就像設定一個主題。

三，選擇要用的 AI 大模型，如果不是 PRO 會員，模型是預設設置。四，給 AI 設置自定義指令，這一步決定了你想要輸出更結構化一點，還是更接近自然語言。

創建完後，我隨手從桌面上傳一本最近在讀的書：《利潤：沒有公司會因為盈利而破產》（True Profit! No Company Ever Went Broke Turning a Profit)。

這本書由靴文·西蒙（Hermann Simon）撰寫，主要討論利潤在企業生存和發展中的重要性，不過，是純英文，中文剛出版還沒有電子版，所以，索性給到它，讓他幫我學習下，再生成一個報告。

上傳後，我發現它多一個新功能，可以選擇答案的來源。也就是說，我可以選擇在網上搜索，也能在空間內的文件中查找。

這讓我想到了Kimi Chat的對話框，那裡也可以上傳文件進行總結，還能進行外部搜索。

註：（Perplexity在空間內提供網絡+空間尼雲件搜索）

我先測試了一下空間搜索，問了它第一個問題：你能為我做什麼？它回答說它是一個人工助手，可以幫我解答問題，協助完成各種任務，還可以做我的對話夥伴。

接著我又問：

這本書的第一部分，第一章寫了什麼？它像傳統的AI總結工具一樣，介紹了書中利潤的概念和定義。

還提到不同的利潤類型，比如EAT（稅後收益）、EBT（稅前收益）、EBIT（息稅前利潤）、EBITDA（息稅折舊攤銷前利潤）等，核心內容都是圍繞第一章展開的。

不過，這種回答不夠理想，因為我不喜歡結構化表達，個人覺得結構化會把各種過程性內容刪減掉。

於是，我又繼續問它，我說：不要結構化回答，聊聊第一部分，第二章寫了什麼？它說：

這部分主要討論了尋找利潤的過程，作者指出人們往往高估企業的利潤水平；然後舉了一些案例，討論了資本回報率這個重要指標。

作者通過比較和分析，揭示了影響企業利潤的各種因素，引導讀者思考如何在實踐中提高企業的盈利能力。這次的回答還算滿意。

02

體驗完總結兩點：首先，相比 ChatGPT o1-preview，它可以上傳文件，讓我與文件對話、進行總結，並把總結後的資料保存下來，生成報告，甚至發佈文章，這些 o1-preview 做不到的。

o1-preview 主要是在面板上操作，雖然我也可以上傳文件給它讀，但整個過程不太流暢；另外，我還沒測試它的協作功能，不過據我所知，o1-preview 沒有這個功能的。

其次，與國內的產品 Kimi Chat 相比，用Kimi唯一的劣勢在於如果上傳一本書、一個PDF後，就無法聯網了，只能在聊天框內針對一個文件進行搜索，這很不方便。

Perplexity 解決了這個問題，它直接給出兩個選項，一，讓AI搜索跟文件對話、二，從外部搜索；不論是內部對話的內容，還是外部搜索的資料，我都放在面板上。

換句話說：

Perplexity 把自己能力融合成一個多功能的工具。

工具以搜索為基礎，提供了一個存儲空間，在空間內，用戶既可以聯網搜索，也可以上傳文件進行對話，還能與同事協同工作。

看來，Perplexity 正在嘗試將其產品能力結合起來，逐步進入協作空間，或者開始為小團隊提供服務。

我很好奇，為什麼要做這個能力，如此縫合怪的組合，背後動機是什麼？他們產品負責人如何思考的？

於是，查了一下相關信息發現，Perplexity 的企業產品主管 Frank te Pas 在接受科技媒體 VentureBeat 的採訪時提到一個重要需求。

什麼需求呢？

簡單來說，如何更好地把外部知識和內部知識結合起來，幫助企業提高信息效率。

舉個例子：以前寫報告時，要找外部信息，做內部調查，還要和很多人一起合作，整個過程非常麻煩。

現在，有了外部搜索、內部搜索和協作功能，你可以很方便地找到外部信息，把內部文件上傳到 Perplexity 的團隊空間，然後邀請團隊成員一起完成報告。

這樣不僅省了時間，還提高了工作的準確度和質量。

03

Frank te Pas原意，我理解後認為：

知識分為外部知識和內部知識，外部知識是指網上公開的內容，而內部知識是公司或團隊的 PDF、Excel 表格、Word 文檔等。

用戶不僅希望搜索互聯網上的公共內容，也希望查找公司內部的文件和知識庫，並把兩者結合起來進行高效處理，我們為此打造了一個空間，把這些資源整合在一起。

從內部來看，這樣可以專注於處理最重要、有價值的數據，避免浪費時間在不必要或低價值的文件上；從外部來看，搜索的信息可以與內部內容結合，提供更全面的答案。

很多客戶表示，他們更想接觸對自己真正有用的信息，這讓他們的數據變得更加寶貴。

外部知識對用戶的實際應用幫助可能有限，用戶更希望通過搜索功能，來構建和豐富自己的專屬知識庫，這個知識庫可以是針對某個主題或項目的研究。

通過上傳不同的文檔，把外部知識和內部知識結合起來，可以大大提高信息處理的效率。Perplexity AI 的聯合創始人 Srinivas 在一篇博客中也提到了這一點。

他說：

以前使用內部和外部信息是兩個獨立的過程，一個用於搜索互聯網，另一個用於訪問內部文檔和數據；現在，如果能夠在一個綜合平台上完成所有研究，無論是內部還是外部的數據源，都可以大大提升企業的生產力。

我覺得，這個想法和 GPT-4.0 with Canvas有相似之處。

04

GPT-4.0 with Canvas 解決了 Copilot 的問題，Copilot 是一個智能助手，可以幫忙完成各種任務，減輕工作負擔， Canvas 提供一個空間和麵板，用戶可以在面板上完成所有工作。

而 Perplexity 的空間在建立時，就提供了 AI 模型和自定義指令，也就是說，這個小助手會按照你的要求來工作。

同樣作為空間，GPT-4.0 with Canvas 的空間可能在完成任務後就不再使用，更注重個人體驗。

而 Perplexity 的空間不僅注重個人體驗，還能與外部協作，不同之處在於，Canvas 可以自由創作，而 Perplexity 的空間沒有面板功能，自由度相對較低。

所以，從產品需求角度出發，他們都發現了用戶需要一個能夠結合外部和內部信息的空間（平台、或是面板），以此更高效的完成工作。

那麼，這個產品目前有哪些企業在使用呢？

我查了一下，官方指出，從 2024 年 10 月 17 日開始，Perplexity 開始向 Nvidia、Databricks（大數據分析公司）、Dell（技術解決方案公司）、Bridgewater（對衝基金公司公司）、Latham & Watkins（國際律師事務所）、Fortune （媒體公司）和 Lambda（線上編程數據科學教育的公司）等客戶開放這一功能。

早期測試階段，客戶使用內部搜索功能結合研究筆記和網絡新聞來進行盡職調查，還會結合舊的銷售材料和最新的見解來準備提案。

Perplexity 還會標註數據來源，讓用戶知道信息是來自網站還是上傳的文件，方便後續的深入研究，簡單來說，這些企業主要用它來進行信息整合和協作。

在我看來，雖然 Perplexity 目前流量很大，但在新業務開拓和客戶選擇方面，還需要進一步評估。說白了，這個產品未必適合大企業，更適合做「調研」的第三方公司。

國外產品、生態競爭卷的程度非常高，而且非常成熟，像Glean 和 Elastic從去年開始，就在做這件事，這意味著，Perplexity要和他們直面競爭。

註：（Glean是智能搜索和信息發現平台，Elastic 是幫助企業從外部獲取信息，然後分析後，再用到實際場景中）。

那麼，國內AI搜索產品走企業級 RAG可行嗎？

所謂 RAG，是從外部檢索相關知識，將其作為提示輸入大型語言模型（LLMs），然後用於問答、文本總結和內容生成，並應用於實際工作中。

目前，大多數中小企業依靠釘釘、飛書等協同軟件來實現信息化，這些平台方也在積極幫助企業完成信息化升級。

比如：

前段時間釘釘推出了端內搜索功能，讓用戶可以直接搜索文件和聊天記錄，甚至在搜索後自動生成總結，這顯然在幫助企業向 RAG（檢索增強生成）方向發展。

但也不能說完全沒需求，畢竟很多應用場景是具體的。

類似做報告，如果你想在釘釘、飛書上做一份報告，確實需要花費一定的時間成本，而且協作效果未必理想。

相比之下，我也看到一些 AI 搜索產品嘗試進入「市場研究」領域，比如秘塔 AI，但感覺方向不太對，似乎沒有真正把協作、搜索、再生成的功能開放給用戶，是而更多地考慮自己如何實現實現商業化。

我認為，現在已經進入了「完全協同」的時代，不能單兵作戰了。

提到商業化，很多人把 AI 搜索和生態綁定在一起，認為搜索是其中一個環節，如果換個角度，從 AI 搜索單一產品來思考，我覺得這是一種新的思維方式。

在其他新聞中，Perplexity AI 如何盈利，一直是大家關注的焦點，同時，它還面臨著與媒體公司版權的問題，一些媒體公司甚至明確表示不允許 Perplexity 抓取其內容用於訓練。

這些種種問題，使得它不得以「搜索為起點」，沒有任何依靠的探索廣告意外的商業模式；而「空間 + 協同 + 搜索」的組合，何嚐不是一種新的嘗試呢？

或許，這也為國內 AI 搜索提供一個新的樣本啟發。

總結

RAG未必是好生意，但是一種探索。

探索作為起點，總能挖掘到增量部分，現在做產品過了大流量時代，為特定群體提供服務，也許是未來方向。