Sonar Pro Search er Perplexitys Pro Search-tilstand for Sonar Pro, udviklet til at besvare spørgsmål, der kræver flere trin med informationsindsamling. Den kan udføre gentagne websøgninger, hente sideindhold og samle resultaterne i et researchet svar. Tilstanden er adskilt fra den hurtigere søgevej og fra den særskilt navngivne Sonar Deep Research-model.
Producenten beskriver automatiseret orkestrering af websøgning og hentning af sider. I stedet for at brugeren selv skal omsætte hvert søgeresultat til den næste forespørgsel, kan søgeprocessen undersøge de mellemliggende spørgsmål, som svaret kræver. Den dokumenterede konfiguration tilbyder søgevalgene pro, fast og automatic; det automatiske valg klassificerer forespørgslen efter kompleksitet. Det er producentens søgeindstillinger og ikke navne på tre forskellige faste modelcheckpoints.
Perplexitys offentliggjorte Pro Search-arbejdsgang kræver streaming og viser ræsonnementsprocessen, mens søgningen udvikler sig. En klient, der modtager denne stream fra producenten, skal bevare rækkefølgen af statusopdateringer og svarindhold. Det færdige researchsvar er den nyttige leverance; en statusopdatering alene er ikke den færdige forklaring eller sammenligning, brugeren bad om.
Forbered spørgsmålet med den enhed, placering, periode og de beslutningskriterier, der er relevante. En teknologisammenligning kan for eksempel spørge, hvilke dokumenterede funktioner der opfylder et bestemt integrationskrav, hvilke betingelser der adskiller kandidaterne, og hvilket kildemateriale der underbygger forskellen. Et effektivt resultat rummer sammenligningen, det underbyggende kildemateriale og de uafklarede spørgsmål, der stadig påvirker valget.
For et spørgsmål med flere afhængigheder skal du angive det endelige mål og begrænsningerne samlet. En projektundersøgelse kan kræve, at den relevante produktdokumentation findes, at to implementeringsmetoder sammenlignes, og at de gældende offentliggjorte begrænsninger forklares. Bed om at få resultaterne organiseret efter det krav, de besvarer, så læseren kan spore konklusionen tilbage til det anvendte kildemateriale.
Gennemgå den returnerede research som et kildeunderbygget svar: skeln mellem en kildes udtrykkelige udsagn og modellens slutning, og lad modstridende eller ufuldstændige oplysninger forblive synlige. Modellens rolle er her søgning og syntese. Ændringer i et eksternt system eller udførelse af en foreslået implementering er fortsat handlinger, som den omgivende applikation skal udføre.
", "aboutText": "Sonar Pro Search er Perplexitys Pro Search-tilstand for Sonar Pro, udviklet til at besvare spørgsmål, der kræver flere trin med informationsindsamling. Den kan udføre gentagne websøgninger, hente sideindhold og samle resultaterne i et researchet svar. Tilstanden er adskilt fra den hurtigere søgevej og fra den særskilt navngivne Sonar Deep Research-model.\n\nProducenten beskriver automatiseret orkestrering af websøgning og hentning af sider. I stedet for at brugeren selv skal omsætte hvert søgeresultat til den næste forespørgsel, kan søgeprocessen undersøge de mellemliggende spørgsmål, som svaret kræver. Den dokumenterede konfiguration tilbyder søgevalgene pro, fast og automatic; det automatiske valg klassificerer forespørgslen efter kompleksitet. Det er producentens søgeindstillinger og ikke navne på tre forskellige faste modelcheckpoints.\n\nPerplexitys offentliggjorte Pro Search-arbejdsgang kræver streaming og viser ræsonnementsprocessen, mens søgningen udvikler sig. En klient, der modtager denne stream fra producenten, skal bevare rækkefølgen af statusopdateringer og svarindhold. Det færdige researchsvar er den nyttige leverance; en statusopdatering alene er ikke den færdige forklaring eller sammenligning, brugeren bad om.\n\nForbered spørgsmålet med den enhed, placering, periode og de beslutningskriterier, der er relevante. En teknologisammenligning kan for eksempel spørge, hvilke dokumenterede funktioner der opfylder et bestemt integrationskrav, hvilke betingelser der adskiller kandidaterne, og hvilket kildemateriale der underbygger forskellen. Et effektivt resultat rummer sammenligningen, det underbyggende kildemateriale og de uafklarede spørgsmål, der stadig påvirker valget.\n\nFor et spørgsmål med flere afhængigheder skal du angive det endelige mål og begrænsningerne samlet. En projektundersøgelse kan kræve, at den relevante produktdokumentation findes, at to implementeringsmetoder sammenlignes, og at de gældende offentliggjorte begrænsninger forklares. Bed om at få resultaterne organiseret efter det krav, de besvarer, så læseren kan spore konklusionen tilbage til det anvendte kildemateriale.\n\nGennemgå den returnerede research som et kildeunderbygget svar: skeln mellem en kildes udtrykkelige udsagn og modellens slutning, og lad modstridende eller ufuldstændige oplysninger forblive synlige. Modellens rolle er her søgning og syntese. Ændringer i et eksternt system eller udførelse af en foreslået implementering er fortsat handlinger, som den omgivende applikation skal udføre.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Synthesize a multi-source integration comparison\n\nUse these supplied documentation excerpts to compare storage choices. DOC-A: Product A supports daily snapshots and restore of an entire project. DOC-B: Product B supports hourly snapshots and restore of individual records. Our requirement is hourly recovery of one accidentally deleted record. Identify the relevant capabilities, recommend the better-documented fit and list unresolved retention and access questions.A requirement-led comparison citing DOC-A and DOC-B, a recommendation and explicit gaps in the supplied evidence.The answer links both snapshot frequency and restore granularity to the requirement and does not invent retention limits.perplexity/sonar-pro-searchPerplexitys Sonar Pro Search er Sonar Pros søgetilstand med flere trin. Den kombinerer gentagne websøgninger og hentning af sider med ræsonnement for at opbygge et researchet svar, med streamede statusopdateringer i producentens dokumenterede arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Sonar Pro Search er Perplexitys Pro Search-tilstand for Sonar Pro, udviklet til at besvare spørgsmål, der kræver flere trin med informationsindsamling. Den kan udføre gentagne websøgninger, hente sideindhold og samle resultaterne i et researchet svar. Tilstanden er adskilt fra den hurtigere søgevej og fra den særskilt navngivne Sonar Deep Research-model.
Producenten beskriver automatiseret orkestrering af websøgning og hentning af sider. I stedet for at brugeren selv skal omsætte hvert søgeresultat til den næste forespørgsel, kan søgeprocessen undersøge de mellemliggende spørgsmål, som svaret kræver. Den dokumenterede konfiguration tilbyder søgevalgene pro, fast og automatic; det automatiske valg klassificerer forespørgslen efter kompleksitet. Det er producentens søgeindstillinger og ikke navne på tre forskellige faste modelcheckpoints.
Perplexitys offentliggjorte Pro Search-arbejdsgang kræver streaming og viser ræsonnementsprocessen, mens søgningen udvikler sig. En klient, der modtager denne stream fra producenten, skal bevare rækkefølgen af statusopdateringer og svarindhold. Det færdige researchsvar er den nyttige leverance; en statusopdatering alene er ikke den færdige forklaring eller sammenligning, brugeren bad om.
Forbered spørgsmålet med den enhed, placering, periode og de beslutningskriterier, der er relevante. En teknologisammenligning kan for eksempel spørge, hvilke dokumenterede funktioner der opfylder et bestemt integrationskrav, hvilke betingelser der adskiller kandidaterne, og hvilket kildemateriale der underbygger forskellen. Et effektivt resultat rummer sammenligningen, det underbyggende kildemateriale og de uafklarede spørgsmål, der stadig påvirker valget.
For et spørgsmål med flere afhængigheder skal du angive det endelige mål og begrænsningerne samlet. En projektundersøgelse kan kræve, at den relevante produktdokumentation findes, at to implementeringsmetoder sammenlignes, og at de gældende offentliggjorte begrænsninger forklares. Bed om at få resultaterne organiseret efter det krav, de besvarer, så læseren kan spore konklusionen tilbage til det anvendte kildemateriale.
Gennemgå den returnerede research som et kildeunderbygget svar: skeln mellem en kildes udtrykkelige udsagn og modellens slutning, og lad modstridende eller ufuldstændige oplysninger forblive synlige. Modellens rolle er her søgning og syntese. Ændringer i et eksternt system eller udførelse af en foreslået implementering er fortsat handlinger, som den omgivende applikation skal udføre.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/sonar-pro-search | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Afregnet mængde | Beløb |
|---|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Afregnet mængde— | Beløb Input · Inputtokens $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Afregnet mængde— | Beløb Input · Inputtokens $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationPr. forespørgsel | Takstplan— | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Afregnet mængdeén forespørgsel | Beløb Input $0.036 pr. anmodning |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "perplexity/sonar-pro-search", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='perplexity/sonar-pro-search',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='perplexity/sonar-pro-search',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra perplexity/sonar-pro-search
Brug metodestierne vist ovenfor.
perplexity/sonar-pro-searchPerplexitys Sonar Pro Search er Sonar Pros søgetilstand med flere trin. Den kombinerer gentagne websøgninger og hentning af sider med ræsonnement for at opbygge et researchet svar, med streamede statusopdateringer i producentens dokumenterede arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Sonar Pro Search er Perplexitys Pro Search-tilstand for Sonar Pro, udviklet til at besvare spørgsmål, der kræver flere trin med informationsindsamling. Den kan udføre gentagne websøgninger, hente sideindhold og samle resultaterne i et researchet svar. Tilstanden er adskilt fra den hurtigere søgevej og fra den særskilt navngivne Sonar Deep Research-model.
Producenten beskriver automatiseret orkestrering af websøgning og hentning af sider. I stedet for at brugeren selv skal omsætte hvert søgeresultat til den næste forespørgsel, kan søgeprocessen undersøge de mellemliggende spørgsmål, som svaret kræver. Den dokumenterede konfiguration tilbyder søgevalgene pro, fast og automatic; det automatiske valg klassificerer forespørgslen efter kompleksitet. Det er producentens søgeindstillinger og ikke navne på tre forskellige faste modelcheckpoints.
Perplexitys offentliggjorte Pro Search-arbejdsgang kræver streaming og viser ræsonnementsprocessen, mens søgningen udvikler sig. En klient, der modtager denne stream fra producenten, skal bevare rækkefølgen af statusopdateringer og svarindhold. Det færdige researchsvar er den nyttige leverance; en statusopdatering alene er ikke den færdige forklaring eller sammenligning, brugeren bad om.
Forbered spørgsmålet med den enhed, placering, periode og de beslutningskriterier, der er relevante. En teknologisammenligning kan for eksempel spørge, hvilke dokumenterede funktioner der opfylder et bestemt integrationskrav, hvilke betingelser der adskiller kandidaterne, og hvilket kildemateriale der underbygger forskellen. Et effektivt resultat rummer sammenligningen, det underbyggende kildemateriale og de uafklarede spørgsmål, der stadig påvirker valget.
For et spørgsmål med flere afhængigheder skal du angive det endelige mål og begrænsningerne samlet. En projektundersøgelse kan kræve, at den relevante produktdokumentation findes, at to implementeringsmetoder sammenlignes, og at de gældende offentliggjorte begrænsninger forklares. Bed om at få resultaterne organiseret efter det krav, de besvarer, så læseren kan spore konklusionen tilbage til det anvendte kildemateriale.
Gennemgå den returnerede research som et kildeunderbygget svar: skeln mellem en kildes udtrykkelige udsagn og modellens slutning, og lad modstridende eller ufuldstændige oplysninger forblive synlige. Modellens rolle er her søgning og syntese. Ændringer i et eksternt system eller udførelse af en foreslået implementering er fortsat handlinger, som den omgivende applikation skal udføre.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/sonar-pro-search | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Afregnet mængde | Beløb |
|---|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Afregnet mængde— | Beløb Input · Inputtokens $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Afregnet mængde— | Beløb Input · Inputtokens $0.006 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationPr. forespørgsel | Takstplan— | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Afregnet mængdeén forespørgsel | Beløb Input $0.036 pr. anmodning |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "perplexity/sonar-pro-search",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'perplexity/sonar-pro-search', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'perplexity/sonar-pro-search', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra perplexity/sonar-pro-search
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Synthesize a multi-source integration comparison\n\nUse these supplied documentation excerpts to compare storage choices. DOC-A: Product A supports daily snapshots and restore of an entire project. DOC-B: Product B supports hourly snapshots and restore of individual records. Our requirement is hourly recovery of one accidentally deleted record. Identify the relevant capabilities, recommend the better-documented fit and list unresolved retention and access questions.A requirement-led comparison citing DOC-A and DOC-B, a recommendation and explicit gaps in the supplied evidence.The answer links both snapshot frequency and restore granularity to the requirement and does not invent retention limits.