文 | 王智远

昨天晚上查资料，由于国内AI搜索无法抓取到外部信息，我只能用Perplexity。这时，发现APP中新增一个功能，叫Spaces。

出于好奇，点进去看了一下，和Spaces一起推出的还有一个新功能，叫内部知识搜索。

什么是内部知识搜索？什么是Spaces？这个产品如何使用？它有哪些特点？难道Perplexity找到了广告之外的新商业模式？

带着种种疑惑，熬夜看完官方介绍文档，并体验一番，现在把心得总结分享给你。

01

Spaces 中文名字叫「空间」，它位于 Perplexity 的 APP 的左侧，像往常一样，放在发现功能的下面。

官方介绍说：Spaces 是一个专门为团队协作设计的功能，主要提供一个「人工智能驱动的协作平台」，这个功能允许用户创建定制的空间，来满足团队的特定需求。

在空间里，你可以邀请同事和朋友，一起共享文件，还可以使用包括偏好设置在内的人工智能模型，来定制助手的回应方式。

简单讲，这个空间主要特点有三个：

一，自定义 AI 助理。你可以设定空间内设定AI助理的指令；比如，定义它应该更专注于回答哪些话题，以及回答的深度。

二，通过空间把内部文件与空间连接起来，团队成员就能方便地访问和共享信息。还能与团队协作，让同事们一起处理某个文件、或者问题、甚至生成报告，提高效率。

三，隐私资料的保护。你自己可以控制谁可以看到这些文件，当然，Perplexity 保证不会用你的数据来训练 AI。

注：（Perplexity的空间在发现下面）

看完后，我下意识觉得：

原来在Perplexity中，只有一个“历史记录的对话”框；通过历史对话，能把文本生成网页分享出去，现在，它只不过新增一个地方，可以用来处理深度问题或企业场景下的问题和文件，所有文件和问题都保存在其中，方便二次复用。

理解归理解，很多东西手上体验后才知道到底是什么，于是，赶紧使用了一下，创建空间挺简单，有四步走：

一，输入一个名字，选个头像；二，写个描述，在描述里，写上跟团队协作项目的名字，就像设定一个主题。

三，选择要用的 AI 大模型，如果不是 PRO 会员，模型是默认设置。四，给 AI 设置自定义指令，这一步决定了你想要输出更结构化一点，还是更接近自然语言。

创建完后，我随手从桌面上传一本最近在读的书：《利润：没有公司会因为盈利而破产》（True Profit! No Company Ever Went Broke Turning a Profit)。

这本书由赫尔曼·西蒙（Hermann Simon）撰写，主要讨论利润在企业生存和发展中的重要性，不过，是纯英文，中文刚出版还没有电子版，所以，索性给到它，让他帮我学习下，再生成一个报告。

上传后，我发现它多一个新功能，可以选择答案的来源。也就是说，我可以选择在网上搜索，也能在空间内的文件中查找。

这让我想到了Kimi Chat的对话框，那里也可以上传文件进行总结，还能进行外部搜索。

注：（Perplexity在空间内提供网络+空间内文件搜索）

我先测试了一下空间搜索，问了它第一个问题：你能为我做什么？它回答说它是一个人工助手，可以帮我解答问题，协助完成各种任务，还可以做我的对话伙伴。

接着我又问：

这本书的第一部分，第一章写了什么？它像传统的AI总结工具一样，介绍了书中利润的概念和定义。

还提到不同的利润类型，比如EAT（税后收益）、EBT（税前收益）、EBIT（息税前利润）、EBITDA（息税折旧摊销前利润）等，核心内容都是围绕第一章展开的。

不过，这种回答不够理想，因为我不喜欢结构化表达，个人觉得结构化会把各种过程性内容删减掉。

于是，我又继续问它，我说：不要结构化回答，聊聊第一部分，第二章写了什么？它说：

这部分主要讨论了寻找利润的过程，作者指出人们往往高估企业的利润水平；然后举了一些案例，讨论了资本回报率这个重要指标。

作者通过比较和分析，揭示了影响企业利润的各种因素，引导读者思考如何在实践中提高企业的盈利能力。这次的回答还算满意。

02

体验完总结两点：首先，相比 ChatGPT o1-preview，它可以上传文件，让我与文件对话、进行总结，并把总结后的资料保存下来，生成报告，甚至发布文章，这些 o1-preview 做不到的。

o1-preview 主要是在面板上操作，虽然我也可以上传文件给它读，但整个过程不太流畅；另外，我还没测试它的协作功能，不过据我所知，o1-preview 没有这个功能的。

其次，与国内的产品 Kimi Chat 相比，用Kimi唯一的劣势在于如果上传一本书、一个PDF后，就无法联网了，只能在聊天框内针对一个文件进行搜索，这很不方便。

Perplexity 解决了这个问题，它直接给出两个选项，一，让AI搜索跟文件对话、二，从外部搜索；不论是内部对话的内容，还是外部搜索的资料，我都放在面板上。

换句话说：

Perplexity 把自己能力融合成一个多功能的工具。

工具以搜索为基础，提供了一个存储空间，在空间内，用户既可以联网搜索，也可以上传文件进行对话，还能与同事协同工作。

看来，Perplexity 正在尝试将其产品能力结合起来，逐步进入协作空间，或者开始为小团队提供服务。

我很好奇，为什么要做这个能力，如此缝合怪的组合，背后动机是什么？他们产品负责人如何思考的？

于是，查了一下相关信息发现，Perplexity 的企业产品主管 Frank te Pas 在接受科技媒体 VentureBeat 的采访时提到一个重要需求。

什么需求呢？

简单来说，如何更好地把外部知识和内部知识结合起来，帮助企业提高信息效率。

举个例子：以前写报告时，要找外部信息，做内部调查，还要和很多人一起合作，整个过程非常麻烦。

现在，有了外部搜索、内部搜索和协作功能，你可以很方便地找到外部信息，把内部文件上传到 Perplexity 的团队空间，然后邀请团队成员一起完成报告。

这样不仅省了时间，还提高了工作的准确度和质量。

03

Frank te Pas原意，我理解后认为：

知识分为外部知识和内部知识，外部知识是指网上公开的内容，而内部知识是公司或团队的 PDF、Excel 表格、Word 文档等。

用户不仅希望搜索互联网上的公共内容，也希望查找公司内部的文件和知识库，并把两者结合起来进行高效处理，我们为此打造了一个空间，把这些资源整合在一起。

从内部来看，这样可以专注于处理最重要、有价值的数据，避免浪费时间在不必要或低价值的文件上；从外部来看，搜索的信息可以与内部内容结合，提供更全面的答案。

很多客户表示，他们更想接触对自己真正有用的信息，这让他们的数据变得更加宝贵。

外部知识对用户的实际应用帮助可能有限，用户更希望通过搜索功能，来构建和丰富自己的专属知识库，这个知识库可以是针对某个主题或项目的研究。

通过上传不同的文档，把外部知识和内部知识结合起来，可以大大提高信息处理的效率。Perplexity AI 的联合创始人 Srinivas 在一篇博客中也提到了这一点。

他说：

以前使用内部和外部信息是两个独立的过程，一个用于搜索互联网，另一个用于访问内部文档和数据；现在，如果能够在一个综合平台上完成所有研究，无论是内部还是外部的数据源，都可以大大提升企业的生产力。

我觉得，这个想法和 GPT-4.0 with Canvas有相似之处。

04

GPT-4.0 with Canvas 解决了 Copilot 的问题，Copilot 是一个智能助手，可以帮忙完成各种任务，减轻工作负担， Canvas 提供一个空间和面板，用户可以在面板上完成所有工作。

而 Perplexity 的空间在建立时，就提供了 AI 模型和自定义指令，也就是说，这个小助手会按照你的要求来工作。

同样作为空间，GPT-4.0 with Canvas 的空间可能在完成任务后就不再使用，更注重个人体验。

而 Perplexity 的空间不仅注重个人体验，还能与外部协作，不同之处在于，Canvas 可以自由创作，而 Perplexity 的空间没有面板功能，自由度相对较低。

所以，从产品需求角度出发，他们都发现了用户需要一个能够结合外部和内部信息的空间（平台、或是面板），以此更高效的完成工作。

那么，这个产品目前有哪些企业在使用呢？

我查了一下，官方指出，从 2024 年 10 月 17 日开始，Perplexity 开始向 Nvidia、Databricks（大数据分析公司）、Dell（技术解决方案公司）、Bridgewater（对冲基金公司公司）、Latham & Watkins（国际律师事务所）、Fortune （媒体公司）和 Lambda（线上编程数据科学教育的公司）等客户开放这一功能。

早期测试阶段，客户使用内部搜索功能结合研究笔记和网络新闻来进行尽职调查，还会结合旧的销售材料和最新的见解来准备提案。

Perplexity 还会标注数据来源，让用户知道信息是来自网站还是上传的文件，方便后续的深入研究，简单来说，这些企业主要用它来进行信息整合和协作。

在我看来，虽然 Perplexity 目前流量很大，但在新业务开拓和客户选择方面，还需要进一步评估。说白了，这个产品未必适合大企业，更适合做“调研”的第三方公司。

国外产品、生态竞争卷的程度非常高，而且非常成熟，像Glean 和 Elastic从去年开始，就在做这件事，这意味着，Perplexity要和他们直面竞争。

注：（Glean是智能搜索和信息发现平台，Elastic 是帮助企业从外部获取信息，然后分析后，再用到实际场景中）。

那么，国内AI搜索产品走企业级 RAG可行吗？

所谓 RAG，是从外部检索相关知识，将其作为提示输入大型语言模型（LLMs），然后用于问答、文本总结和内容生成，并应用于实际工作中。

目前，大多数中小企业依靠钉钉、飞书等协同软件来实现信息化，这些平台方也在积极帮助企业完成信息化升级。

比如：

前段时间钉钉推出了端内搜索功能，让用户可以直接搜索文件和聊天记录，甚至在搜索后自动生成总结，这显然在帮助企业向 RAG（检索增强生成）方向发展。

但也不能说完全没需求，毕竟很多应用场景是具体的。

类似做报告，如果你想在钉钉、飞书上做一份报告，确实需要花费一定的时间成本，而且协作效果未必理想。

相比之下，我也看到一些 AI 搜索产品尝试进入“市场研究”领域，比如秘塔 AI，但感觉方向不太对，似乎没有真正把协作、搜索、再生成的功能开放给用户，是而更多地考虑自己如何实现实现商业化。

我认为，现在已经进入了“完全协同”的时代，不能单兵作战了。

提到商业化，很多人把 AI 搜索和生态绑定在一起，认为搜索是其中一个环节，如果换个角度，从 AI 搜索单一产品来思考，我觉得这是一种新的思维方式。

在其他新闻中，Perplexity AI 如何盈利，一直是大家关注的焦点，同时，它还面临着与媒体公司版权的问题，一些媒体公司甚至明确表示不允许 Perplexity 抓取其内容用于训练。

这些种种问题，使得它不得以「搜索为起点」，没有任何依靠的探索广告意外的商业模式；而“空间 + 协同 + 搜索”的组合，何尝不是一种新的尝试呢？

或许，这也为国内 AI 搜索提供一个新的样本启发。

总结

RAG未必是好生意，但是一种探索。

探索作为起点，总能挖掘到增量部分，现在做产品过了大流量时代，为特定群体提供服务，也许是未来方向。