如何提升 AI 学术检索的质量？

这些技巧使用前后，结果质量差距显而易见。

困惑

AI 能够帮助你检索资料，这你早就知道了。但从实际使用效果看，很多小伙伴并没有真正享受到 AI 检索资料的便利。甚至，还可能被 AI 「带到了沟里」，检索到过时的、错误的信息，或者错过了重要内容。从此，他们坚决抵制使用 AI 工具完成严肃任务。

AI 辅助检索，其实是有技巧的。如果你了解它们，在检索上便能做到「事半功倍」；反之，则很可能造成不必要的困扰。

学术写作中，资料检索尤其是个重要的工作环节。检索信息的质量，可能会显著影响你的作品水平。今天这篇文章，咱们就针对学术资料检索这个场景来谈谈，你该如何操作才能获得更好的检索结果。

工具

我们以 Perplexity 为例，来说明不同检索方式带来的效果差异。

Perplexity 你应该不陌生。因为我曾经 在这篇文章里给你做过介绍。简要来说，它是一款基于 AI 的搜索和问答引擎，在 2022 年推出。基于自然语言处理技术，它可以通过网络搜索结果生成答案，并且在回答中引用来源出处。

Perplexity 支持不少主流模型。如果你订阅了 Pro 模式，可以使用 GPT-4o, Claude 3.5 Sonnet，Claude 3 Opus, Sonar Large 和 Sonar Huge 等。其中 Sonar Huge 是基于 Llama 3.1 405B 大模型。

除了对话之外，Perplexity 还支持绘图 — — Stable Diffusion XL, DALL-E 3, 甚至是 FLUX 都支持。

顺便说一句，最近我不少文章的题图和 视频的封面，都是用 FLUX 做的。这款模型生成画面（例如机器人）的一致性特别高。