Sonar Pro er Perplexitys avancerede Sonar-variant til researchspørgsmål og opslag, der kræver aktuelle oplysninger. Producenten beskriver den som velegnet til daglig research og lettere undersøgelser i flere trin. Den producerer et tekstsvar med afsæt i de oplysninger, der er indsamlet til spørgsmålet, og er samtidig adskilt fra Pro Search-tilstanden og Sonar Deep Research.
Forbered en opgave med udgangspunkt i den beslutning, researchen skal belyse. Navngiv organisationen, produktet eller emnet præcist, og angiv periode, placering og sammenligningskriterier. Ved en produktundersøgelse skal du bede om den dokumenterede funktion, de betingelser, der påvirker brugen, og det kildemateriale, der underbygger hvert resultat. Outputtet kan blive til et sammenligningsnotat, en kravkontrol eller en kortfattet briefing.
Når flere kilder beskriver samme emne, skal du bede modellen om at sammenligne deres udsagn i stedet for at slå dem sammen til én udokumenteret konklusion. Angiv, hvilken kilde der er den oprindelige specifikation eller meddelelse, hvilken der er en fortolkning, og om udsagnene gælder samme udgave. Et resultat organiseret efter påstand og underbyggende kildemateriale er lettere at gennemgå og opdatere end en generel oversigt.
Opfølgende spørgsmål kan indsnævre undersøgelsen til en uafklaret betingelse. Efter en sammenligning af funktioner kan du for eksempel spørge, hvilket krav der ændrer valget, eller hvilken undtagelse der er relevant for en bestemt arbejdsgang. Medtag de tidligere resultater og den nye begrænsning, så modellen har konteksten til det næste svar. En kort, velafgrænset opfølgning kan gøre researchen mere nyttig end at gentage det oprindelige brede spørgsmål.
Sonar-familien kombinerer svargenerering med websøgning. Producentens dokumenterede Sonar-svar adskiller selve svaret fra kildehenvisninger og oplysninger om søgeresultater. Bevar disse forbindelser, når en applikation præsenterer researchen: Den passage, læseren ser, skal fortsat være knyttet til det underbyggende resultat, og kildebeskrivelsen skal være tilgængelig for gennemgang.
Til en afsluttende briefing skal du bede om svaret, kildematerialet for de væsentlige påstande og en kort liste over resterende usikkerheder. Hvis spørgsmålet kræver en ændring i et andet system, skal du bruge researchen til at forberede beslutningen; enhver udførelse eller adgang til private oplysninger leveres af den omgivende applikation.
", "aboutText": "Sonar Pro er Perplexitys avancerede Sonar-variant til researchspørgsmål og opslag, der kræver aktuelle oplysninger. Producenten beskriver den som velegnet til daglig research og lettere undersøgelser i flere trin. Den producerer et tekstsvar med afsæt i de oplysninger, der er indsamlet til spørgsmålet, og er samtidig adskilt fra Pro Search-tilstanden og Sonar Deep Research.\n\nForbered en opgave med udgangspunkt i den beslutning, researchen skal belyse. Navngiv organisationen, produktet eller emnet præcist, og angiv periode, placering og sammenligningskriterier. Ved en produktundersøgelse skal du bede om den dokumenterede funktion, de betingelser, der påvirker brugen, og det kildemateriale, der underbygger hvert resultat. Outputtet kan blive til et sammenligningsnotat, en kravkontrol eller en kortfattet briefing.\n\nNår flere kilder beskriver samme emne, skal du bede modellen om at sammenligne deres udsagn i stedet for at slå dem sammen til én udokumenteret konklusion. Angiv, hvilken kilde der er den oprindelige specifikation eller meddelelse, hvilken der er en fortolkning, og om udsagnene gælder samme udgave. Et resultat organiseret efter påstand og underbyggende kildemateriale er lettere at gennemgå og opdatere end en generel oversigt.\n\nOpfølgende spørgsmål kan indsnævre undersøgelsen til en uafklaret betingelse. Efter en sammenligning af funktioner kan du for eksempel spørge, hvilket krav der ændrer valget, eller hvilken undtagelse der er relevant for en bestemt arbejdsgang. Medtag de tidligere resultater og den nye begrænsning, så modellen har konteksten til det næste svar. En kort, velafgrænset opfølgning kan gøre researchen mere nyttig end at gentage det oprindelige brede spørgsmål.\n\nSonar-familien kombinerer svargenerering med websøgning. Producentens dokumenterede Sonar-svar adskiller selve svaret fra kildehenvisninger og oplysninger om søgeresultater. Bevar disse forbindelser, når en applikation præsenterer researchen: Den passage, læseren ser, skal fortsat være knyttet til det underbyggende resultat, og kildebeskrivelsen skal være tilgængelig for gennemgang.\n\nTil en afsluttende briefing skal du bede om svaret, kildematerialet for de væsentlige påstande og en kort liste over resterende usikkerheder. Hvis spørgsmålet kræver en ændring i et andet system, skal du bruge researchen til at forberede beslutningen; enhver udførelse eller adgang til private oplysninger leveres af den omgivende applikation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Research a spreadsheet export constraint\n\nResearch the current official CSV export guidance for Microsoft Excel and LibreOffice Calc. Compare how each handles multiple sheets and the choice of text encoding. Prefer product documentation, keep each claim attached to its source, and note any version-specific uncertainty. Finish with two questions a user should answer before exporting a workbook for a supplier.A short source-backed comparison, explicit version conditions and two practical pre-export questions.Inspect that each important claim has a relevant official source and that CSV is not described as preserving an entire multi-sheet workbook.perplexity/sonar-proPerplexitys Sonar Pro besvarer researchspørgsmål ved hjælp af weboplysninger og kildeunderbygget syntese. Den er rettet mod daglig research og mere omfattende opslag med opfølgende spørgsmål, der præciserer undersøgelsen.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Sonar Pro er Perplexitys avancerede Sonar-variant til researchspørgsmål og opslag, der kræver aktuelle oplysninger. Producenten beskriver den som velegnet til daglig research og lettere undersøgelser i flere trin. Den producerer et tekstsvar med afsæt i de oplysninger, der er indsamlet til spørgsmålet, og er samtidig adskilt fra Pro Search-tilstanden og Sonar Deep Research.
Forbered en opgave med udgangspunkt i den beslutning, researchen skal belyse. Navngiv organisationen, produktet eller emnet præcist, og angiv periode, placering og sammenligningskriterier. Ved en produktundersøgelse skal du bede om den dokumenterede funktion, de betingelser, der påvirker brugen, og det kildemateriale, der underbygger hvert resultat. Outputtet kan blive til et sammenligningsnotat, en kravkontrol eller en kortfattet briefing.
Når flere kilder beskriver samme emne, skal du bede modellen om at sammenligne deres udsagn i stedet for at slå dem sammen til én udokumenteret konklusion. Angiv, hvilken kilde der er den oprindelige specifikation eller meddelelse, hvilken der er en fortolkning, og om udsagnene gælder samme udgave. Et resultat organiseret efter påstand og underbyggende kildemateriale er lettere at gennemgå og opdatere end en generel oversigt.
Opfølgende spørgsmål kan indsnævre undersøgelsen til en uafklaret betingelse. Efter en sammenligning af funktioner kan du for eksempel spørge, hvilket krav der ændrer valget, eller hvilken undtagelse der er relevant for en bestemt arbejdsgang. Medtag de tidligere resultater og den nye begrænsning, så modellen har konteksten til det næste svar. En kort, velafgrænset opfølgning kan gøre researchen mere nyttig end at gentage det oprindelige brede spørgsmål.
Sonar-familien kombinerer svargenerering med websøgning. Producentens dokumenterede Sonar-svar adskiller selve svaret fra kildehenvisninger og oplysninger om søgeresultater. Bevar disse forbindelser, når en applikation præsenterer researchen: Den passage, læseren ser, skal fortsat være knyttet til det underbyggende resultat, og kildebeskrivelsen skal være tilgængelig for gennemgang.
Til en afsluttende briefing skal du bede om svaret, kildematerialet for de væsentlige påstande og en kort liste over resterende usikkerheder. Hvis spørgsmålet kræver en ændring i et andet system, skal du bruge researchen til at forberede beslutningen; enhver udførelse eller adgang til private oplysninger leveres af den omgivende applikation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/sonar-pro | 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 $0.01 pr. anmodning |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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", "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',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',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
Brug metodestierne vist ovenfor.
perplexity/sonar-proPerplexitys Sonar Pro besvarer researchspørgsmål ved hjælp af weboplysninger og kildeunderbygget syntese. Den er rettet mod daglig research og mere omfattende opslag med opfølgende spørgsmål, der præciserer undersøgelsen.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Sonar Pro er Perplexitys avancerede Sonar-variant til researchspørgsmål og opslag, der kræver aktuelle oplysninger. Producenten beskriver den som velegnet til daglig research og lettere undersøgelser i flere trin. Den producerer et tekstsvar med afsæt i de oplysninger, der er indsamlet til spørgsmålet, og er samtidig adskilt fra Pro Search-tilstanden og Sonar Deep Research.
Forbered en opgave med udgangspunkt i den beslutning, researchen skal belyse. Navngiv organisationen, produktet eller emnet præcist, og angiv periode, placering og sammenligningskriterier. Ved en produktundersøgelse skal du bede om den dokumenterede funktion, de betingelser, der påvirker brugen, og det kildemateriale, der underbygger hvert resultat. Outputtet kan blive til et sammenligningsnotat, en kravkontrol eller en kortfattet briefing.
Når flere kilder beskriver samme emne, skal du bede modellen om at sammenligne deres udsagn i stedet for at slå dem sammen til én udokumenteret konklusion. Angiv, hvilken kilde der er den oprindelige specifikation eller meddelelse, hvilken der er en fortolkning, og om udsagnene gælder samme udgave. Et resultat organiseret efter påstand og underbyggende kildemateriale er lettere at gennemgå og opdatere end en generel oversigt.
Opfølgende spørgsmål kan indsnævre undersøgelsen til en uafklaret betingelse. Efter en sammenligning af funktioner kan du for eksempel spørge, hvilket krav der ændrer valget, eller hvilken undtagelse der er relevant for en bestemt arbejdsgang. Medtag de tidligere resultater og den nye begrænsning, så modellen har konteksten til det næste svar. En kort, velafgrænset opfølgning kan gøre researchen mere nyttig end at gentage det oprindelige brede spørgsmål.
Sonar-familien kombinerer svargenerering med websøgning. Producentens dokumenterede Sonar-svar adskiller selve svaret fra kildehenvisninger og oplysninger om søgeresultater. Bevar disse forbindelser, når en applikation præsenterer researchen: Den passage, læseren ser, skal fortsat være knyttet til det underbyggende resultat, og kildebeskrivelsen skal være tilgængelig for gennemgang.
Til en afsluttende briefing skal du bede om svaret, kildematerialet for de væsentlige påstande og en kort liste over resterende usikkerheder. Hvis spørgsmålet kræver en ændring i et andet system, skal du bruge researchen til at forberede beslutningen; enhver udførelse eller adgang til private oplysninger leveres af den omgivende applikation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser perplexity/sonar-pro | 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 $0.01 pr. anmodning |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "perplexity/sonar-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Research a spreadsheet export constraint\n\nResearch the current official CSV export guidance for Microsoft Excel and LibreOffice Calc. Compare how each handles multiple sheets and the choice of text encoding. Prefer product documentation, keep each claim attached to its source, and note any version-specific uncertainty. Finish with two questions a user should answer before exporting a workbook for a supplier.A short source-backed comparison, explicit version conditions and two practical pre-export questions.Inspect that each important claim has a relevant official source and that CSV is not described as preserving an entire multi-sheet workbook.