输入的是垃圾，输出的自然也是。
我以前对Garbage in的认识很片面，理解成是输入单一方面的低质量信息。今天ChatGPT让我意识到，如果不先对多来源途径的原始数据进行清洗和整理，而是直接使用，那么如此混乱的信息，也可以称之为“垃圾”。（所以，不见得是输入的越多就会越好）
起初，我对Perplexity的运营模式很好奇，它更像一个 带引用来源的 AI 搜索引擎，可以替代浏览器使用。并且，它内嵌了市面上的主流AI模型，比如：GPT、Gemini、Claude等等。
我的问题是，既然我可以在ChatGPT中直接使用它的最新模型，那我为什么还要给Perplexity充值后再去使用这个最新模型呢？有点多此一举的感觉。
事实上，我的这个想法有误，主要是我对Perplexity的运行流程不熟悉。
ChatGPT和Perplexity都有对源数据加工整理的功能，这部分能力毫无差别，因为调用的都是同一个AI模型。
本质区别在于两者是如何得到这个数据源本身的。即使AI能力是一样的，投喂数据的质量不同，输出的结果也不一样。
也就是说，Perplexity有自己的搜索引擎、自己的网页索引、有自己反复优化，维护的 Prompt、自己的引用系统，这些能力能整理出高质量可靠的数据，最后再借用GPT模型来作为回答引擎。
举例：美国饮料市场竞争局面的现状分析？
我们在Perplexity中输入这个问题，实际上Perplexity会在这个问题上添加很多”隐藏提示”，比如：先搜索互联网找最近一年资料、每段必须引用来源、优先官方和权威媒体、如果多个来源冲突，请说明原因、输出不要超过多少字……
这些 Prompt 是 Perplexity花了大量时间优化的，而这些prompt本身又是它工作流的一部分。
我们看下它的工作流：
用户问题—>拆解搜索关键词—>搜索 Bing / 自建索引—>网页去重—>网页排序—>抽取重点—>压缩 Token—>数据喂给 GPT—>检查引用—>重新排版。
所以，Perplexity 的优势不仅仅在于 Prompt 更有价值，而在于它拥有一整套围绕搜索构建的上下文工程（Context Engineering）和工作流（Workflow）。Prompt 是其中的一部分，但真正形成竞争壁垒的是整套系统如何为模型准备上下文、调用工具、验证结果并组织输出。
这也是为什么 OpenAI 现在越来越重视 ChatGPT 产品。
近两年 OpenAI 投入越来越多精力在：
- Memory（记忆）
- Deep Research（深度研究）
- Connectors（连接 Gmail、Google Drive 等）
- Agent（智能代理）
- 文件分析
- 图像生成
这些都不是在提升 GPT 本身，而是在提升 GPT 工作前后的整个系统。
那如何选择ChatGPT和Perplexity呢？
Perplexity适合每天高频做研究的人，比如大量查新闻、论文、竞品、行业报告，需要更多搜索额度搭配更强的模型。它的整个产品，就是围绕搜索去做优化的。
而ChatGPT则有“记忆”，长上下文背景，能跨对话框聊天、擅长长期协作。
当前AI公司的竞争格局？
真正的竞争已经悄然发生了变化，从最开始的“谁家模型最聪明”，到现在的“谁更会使用这些模型”。AI模型是发动机，重点在于如何使用发动机。
提示词工程很重要，但现在上下文工程显然更重要。
所以，未来 AI 产品竞争最重要的方向：越来越多的价值，会从“模型能力”转移到“模型编排能力（Orchestration）”。
Perplexity、Cursor 这类产品的核心竞争力，并不是它们比 ChatGPT 更会思考，而是它们围绕特定场景（搜索、编程等）构建了更高质量的信息获取、筛选、组织和上下文编排系统，从而让底层模型能够在更优质的输入上进行推理。
先把真实结构看懂，再行动。直接行动的话，那就是昨晚ChatGPT“戏耍我”的场景。Perplexity 的价值不是管理信息，而是管理”问题求解过程”。
另外，先看懂结构本身就是一种约束，在限定范围内做事。
约束，是一个很好的概念，社会生活中处处有约束，只是我一般很少能察觉到。找什么样的工作？找什么样的对象？买什么样的房子？想在哪个城市定居？
约束条件越具体，结果就越易显化。否则，就都是漫无目的的尝试。
我们可以做一个有边界感的人，可以自建约束。
PS：
这篇文章是由我和ChatGPT共同完成的，里面有我自己的思想，也借鉴了我和ChatGPT之间聊天的内容。（越来越让我意识到，自己能独立思考的重要性）
让我真正觉得有价值的地方在于，我们可以去承担“分析问题、信息搜集、清洗、整理”的过程，把“高质量的信息”交付给用户，这本身就是一种商业模式。
如果还能做的像Perplexity那样足够好，这就是护城河。
