Perplexity 的 Deep Research 功能，好用吗？

它会不会是 OpenAI Deep Research 的强悍平替呢？

兴奋

昨天晚上，我在刷社交媒体的时候，看到有些用户已经可以用上 Perplexity 的 "Deep Research" 模式了。我猜这功能应该是逐步开放的，就赶紧打开自己的 Perplexity 看了看，结果还没有这个新模式。当时心里还真有点小失落。

Perplexity 官方宣称，这个「深度研究」模式生成的结果非常厉害，仅次于 OpenAI 的 Deep Research。

虽然性能上排第二，但对咱们大多数人来说，Perplexity 这新功能太有吸引力了。为什么？关键在于价格差异啊。

不交钱的用户，每天还能免费用 Perplexity Deep Research 几次；如果你愿意付费（每月 20 美金），那就能每天不限次数地使用了。

你可能也知道，要想高频率使用 OpenAI 的 Deep Research 功能，现在得订阅 OpenAI Pro 账号 —— 每个月 200 美金，这可不是一笔小数目。

不过，几家深度研究应用统一命名，这也挺有趣的。我看到赵赛坡先生转发的这张图，真是乐不可支。

现在至少有三家大模型应用提供商都用了相同的名词（深度研究）来描述这个功能。确实有点 「泛滥」 了。但对咱们普通用户来说，这意味着更多选择嘛，而且说不定很快就会有压力，迫使某些服务订阅费用下降，或者在相同价格下提供更多功能。这难道不是好事吗？

今天早上我一睁眼，惊喜地发现我的 Perplexity 已经支持 Deep Research 新模式了。

我特别开心，马上就在知识星球「玉树芝兰」里跟大家分享了这个好消息。有位星友立刻建议我赶紧测试一下。

下面，我就来和你分享一下，我的测试过程和结果。

测试

我测试的题目是这样的：

deepseek R1 模型的创新之处有哪些？有什么实际应用场景？调研的时候使用的资料优先级为：先英文后中文；先同行评议学术论文，后其他网络来源。用大一新生能听懂的语言来讲述，越细致越好。

你看，这其实是我最近在折腾 DeepSeek 不同 API 来源和搜索功能时，总结出的一套提示词。我的目的是找到高质量的信息来源，因为只有这样才能避免 「garbage in, garbage out」（垃圾进，垃圾出） 的结果，对吧？

Perplexity Deep Research 模式开始工作了。