| name | perplexity-research |
| description | 基于 Perplexity (通过 OpenRouter) 进行网络深度调研和实时搜索。支持快速搜索 (sonar-pro-search) 和深度研究 (sonar-deep-research) 两种模式,灵活切换。 |
| allowed-tools | Bash(python:*), Read, Write, Glob |
| model | sonnet |
Perplexity 调研工具
通过 OpenRouter 调用 Perplexity 模型,进行实时网络搜索和深度调研分析。
模型说明
| 模型 | ID | 适用场景 | 特点 |
|---|
| 快速搜索 | perplexity/sonar-pro-search | 简单问题、事实查询、快速验证 | 响应快、成本低 |
| 深度研究 | perplexity/sonar-deep-research | 复杂调研、多角度分析、综合报告 | 更全面、带引用 |
快速开始
基础用法
cd /Users/liuyishou/.claude/skills/perplexity-research/scripts
python perplexity_research.py --query "2024年AI领域最重要的突破是什么"
python perplexity_research.py --query "分析 Claude 和 GPT-4o 的技术差异" --deep
python perplexity_research.py --query "What is MCP in Claude" --lang en
保存结果
python perplexity_research.py --query "..." --output report.md
python perplexity_research.py --query "..." --output-json response.json
使用场景
1. 事实核查
python perplexity_research.py --query "DeepSeek R1的参数规模是多少"
2. 技术调研
python perplexity_research.py --query "2024年最流行的向量数据库对比" --deep
3. 市场分析
python perplexity_research.py --query "AI编程助手市场格局分析" --deep --lang zh
4. 竞品研究
python perplexity_research.py --query "Cursor vs Windsurf vs Claude Code 功能对比" --deep
5. 趋势追踪
python perplexity_research.py --query "2024年生成式AI的主要趋势"
参数说明
| 参数 | 说明 | 默认值 |
|---|
--query | 调研问题(必填) | - |
--deep | 使用深度研究模式 | False (使用快速搜索) |
--model | 手动指定模型 | 自动选择 |
--lang | 输出语言 (zh/en) | zh |
--output | 保存结果到 Markdown 文件 | - |
--output-json | 保存完整 JSON 响应 | - |
--temperature | 采样温度 | 0.2 |
--max-tokens | 最大输出 token | 4096 |
工作流建议
Step 1: 确定调研类型
询问用户:
- 问题类型:事实查询 / 对比分析 / 深度调研
- 输出语言:中文 / 英文
- 深度要求:快速回答 / 详细报告
Step 2: 选择模式
| 场景 | 推荐模式 | 原因 |
|---|
| 简单事实查询 | 快速搜索 | 响应快、够用 |
| 数据验证 | 快速搜索 | 效率优先 |
| 技术对比 | 深度研究 | 需要多角度 |
| 市场分析 | 深度研究 | 需要综合 |
| 投资调研 | 深度研究 | 需要引用 |
Step 3: 执行调研
cd /Users/liuyishou/.claude/skills/perplexity-research/scripts
python perplexity_research.py --query "..." [--deep] [--lang zh]
Step 4: 整理输出
根据用户需求格式化结果:
输出格式
默认输出
直接输出模型回答,包含引用来源(如有)
Markdown 报告
# 调研报告: [问题]
## 摘要
[核心发现]
## 详细分析
[模型回答]
## 来源
[引用列表]
---
模型: perplexity/sonar-deep-research
时间: 2024-01-26
与其他调研 skill 的区别
| Skill | 数据源 | 适用场景 |
|---|
| perplexity-research | 全网实时搜索 | 事实查询、技术调研、市场分析 |
| research-by-reddit | Reddit 社区 | 用户痛点、舆情、情绪分析 |
| pain-point-research | Reddit 深度 | 产品机会、竞品分析 |
依赖
pip install requests python-dotenv
环境配置
需要 OPENROUTER_API_KEY,已在全局 CLAUDE.md 中配置。
使用示例
示例1: 快速问答
用户:DeepSeek R1 是什么时候发布的?
Claude:
[调用 perplexity/sonar-pro-search]
DeepSeek R1 于 2024 年 11 月发布...
示例2: 深度调研
用户:帮我调研一下 AI 编程助手的市场现状
Claude:
[调用 perplexity/sonar-deep-research]
生成《AI 编程助手市场调研报告》
示例3: 技术对比
用户:Claude MCP 和 OpenAI Function Calling 有什么区别
Claude:
[调用 perplexity/sonar-deep-research --deep]
生成技术对比分析...
注意事项
- 实时性:Perplexity 可搜索最新网页,适合时效性强的问题
- 引用来源:深度研究模式会返回引用,便于验证
- 成本考虑:深度研究成本较高,简单问题用快速搜索即可
- 语言支持:中英文都支持,可通过 --lang 指定输出语言