原贴链接

我真的被它的良好运行效果震撼到了！查看GitHub仓库https://github.com/rashadphz/farfalle，使用Docker和Ollama进行所有设置非常简单。我还针对Perplexity AI进行了一些测试搜索，这个（克隆版）表现相当不错。你们在搜索增强型AI查询时是否使用类似的东西呢？

讨论总结

原帖作者分享了一个很棒的Perplexity AI克隆版，提到其设置简单且在测试搜索中表现不错。评论者们的讨论主要围绕类似的工具展开，包括分享更多类似工具的链接、比较不同项目的优劣、探讨工具的功能能否达到Perplexity Pro的标准、在使用过程中遇到的技术问题（如Ollama设置时的报错）以及对原帖提到的工具表示认可等。总体氛围比较积极，大家都对这类AI工具表现出浓厚的兴趣。

主要观点

  1. 👍 存在更多类似原帖提到的工具，可通过链接查看。
    • 支持理由：评论者Felladrin提供了一个包含更多类似工具的链接。
    • 反对声音：无
  2. 🔥 对这些工具存在疑问，想知道哪个最好。
    • 正方观点：多个评论者对这些工具存在好奇，想知道哪个功能更优。
    • 反方观点：无
  3. 💡 质疑这些工具能否实现Perplexity Pro的功能。
    • 解释：部分评论者关心这些类似工具是否能像Perplexity Pro一样执行特定功能。
  4. 🤔 提出自己构建类似功能的步骤设想。
    • 解释：有评论者考虑自己构建类似功能并分享了初步设想。
  5. 💪 针对构建步骤提出优化建议。
    • 解释：有的评论者根据自己的经验对构建类似功能提出优化建议。

金句与有趣评论

  1. “😂 Felladrin：[Here](https://felladrin.github.io/awesome - ai - web - search) you can find a few more like this!”
    • 亮点：直接提供了更多类似工具的资源链接。
  2. “🤔 GhostInThePudding：Do you know of any that actually do what Perplexity Pro does, specifically coming up with several different searches and using them on multiple search engines, then combining all the data together to answer the original question?”
    • 亮点：详细阐述了Perplexity Pro的功能并询问类似工具能否做到。
  3. “👀 Sky_Linx: I tried it, but Farfalle seems to produce better responses.”
    • 亮点：对两个类似项目进行了使用体验的比较。
  4. “😎 我喜欢它，但我如何设置它来使用ollama呢，它告诉我没有openai api密钥变量。我如何确保它使用Ollama？”
    • 亮点：提出了在使用Ollama时遇到的具体技术问题。
  5. “👍 Nice, it works with vLLM!”
    • 亮点：指出工具与vLLM的兼容性。

情感分析

总体情感倾向是积极的，大多数评论者对原帖提到的Perplexity AI克隆版持肯定态度，如表示“Sweet”“great”等。主要分歧点较少，主要集中在对不同类似工具功能的比较上，可能是因为大家对这类AI工具都抱有期待，希望能找到功能更强大、使用更方便的工具。

趋势与预测

  • 新兴话题：寻求适用于Windows系统且无诸多问题的Perplexity AI克隆产品可能会引发后续讨论。
  • 潜在影响：如果能找到更多适合不同系统（如Windows）的类似工具，可能会推动这些AI工具在更多用户群体中的普及，对AI相关领域的发展有一定的促进作用。

详细内容：

标题：关于一款出色的 Perplexity AI 克隆的热门讨论

最近，Reddit 上有一个关于发现一款出色的 Perplexity AI 克隆的帖子引起了广泛关注。该帖子介绍了一款表现出色的克隆产品，还提供了其 GitHub 仓库的链接（https://github.com/rashadphz/farfalle），并表示通过 Docker 和 Ollama 进行设置非常简单。帖子获得了众多点赞和大量评论。

主要的讨论方向集中在对这款克隆产品的功能分析、与其他类似产品的比较，以及如何优化相关技术。有人询问是否有能真正做到像 Perplexity Pro 那样，通过多种搜索并整合数据来回答问题的产品。还有人提到 perplexica 使用能聚合多个搜索引擎的 searchxng。

有人分享了自己的见解，认为当前的克隆产品大多只是模仿了用户体验，将搜索字符串传递给 SearXNG 等，然后将结果交给 LLM 处理。还有人详细阐述了自己尝试整合类似功能的步骤，包括使用特定的 LLM 重新措辞搜索查询、选择特定的搜索引擎以节省时间、利用模型对结果进行排序等。同时，也有人提出了一系列优化建议，如使用较小的 LLM 重新措辞查询、选择为 LLM 专门设计的搜索引擎、更智能地进行内容抓取等。

有人分享个人经历，表示这款产品加上背后的编程和 Spaces 功能，使其难以被超越，是目前唯一值得每月付费的服务。还有人提供了更多类似产品的链接，引发了关于哪一款最好的讨论。有人尝试后表示 Farfalle 似乎能产生更好的响应。

在这场讨论中，大家对于如何进一步提升这类产品的性能和实用性各抒己见，既有对现有产品的肯定，也有对其改进方向的深入探讨。不过，也有人提出诸如大多数这类产品使用的 searxng 对 Windows 不友好，是否有适合 Windows 的克隆产品列表等问题。

这场关于 Perplexity AI 克隆的讨论，充分展现了大家对人工智能搜索技术的热情和期待，也为相关技术的发展提供了丰富的思路和方向。