perplexity-ai
perplexity-ai 是一个非官方的 Perplexity.ai 接口封装工具,能自动通过 Emailnator 生成临时 Gmail 账号,从而绕过免费用户的查询限制,实现“无限次”使用 Pro 功能。它同时提供命令行 API(支持同步与异步)和图形化网页界面,方便不同使用习惯的用户操作。项目还内置了 MCP(Model Context Protocol)服务器,可将 Perplexity 的搜索能力作为工具接入 Claude Code 等支持 MCP 的 AI 客户端。
这个工具主要解决了 Perplexity.ai 免费账户查询次数受限的问题,适合开发者、研究人员或重度 AI 用户在本地自动化调用高级搜索功能。其技术亮点包括完整的类型提示、结构化日志、自动重试机制、流式响应支持,以及对文件上传和深度研究模式的兼容。普通用户可通过网页界面轻松使用,而开发者则能借助 API 或 MCP 集成到自己的工作流中。需要注意的是,该工具依赖反向工程实现,并非官方服务。
使用场景
某市场研究团队需要每天从公开渠道收集全球新兴AI初创公司的动态,并生成结构化简报供高管决策。
没有 perplexity-ai 时
- 团队成员手动登录 Perplexity.ai 免费账号,每天仅能提交有限次数的高级查询(如深度研究或推理模式),无法满足高频信息采集需求。
- 为绕过限制,需频繁注册新 Gmail 账号并手动完成邮箱验证,耗时且易出错。
- 自动化脚本难以集成 Perplexity 的网页功能,尤其无法处理文件上传(如分析竞品PDF报告)和流式响应。
- 在 Claude Code 中调用 Perplexity 功能需依赖官方 API(尚未开放),只能通过复制粘贴间接使用,打断工作流。
- 查询失败后缺乏自动重试机制,网络波动时常导致任务中断,需人工干预。
使用 perplexity-ai 后
- 利用内置 Emailnator 自动批量生成临时邮箱并创建 Perplexity 账号,实现无限次 Pro 级查询,支撑每日上百条深度检索任务。
- 通过同步/异步 API 直接嵌入现有 Python 数据管道,轻松上传行业报告并发起文档问答,结果实时流式返回。
- 启动 MCP Server 后,Claude Code 可直接调用
perplexity_research工具,在代码编辑器内一键触发深度市场扫描,无缝衔接分析流程。 - 内置指数退避重试与结构化日志,即使偶发请求失败也能自动恢复,保障夜间批处理任务稳定运行。
- Web 界面为非技术成员提供图形化操作入口,无需编码即可执行复杂查询并导出结果。
perplexity-ai 将原本受限、割裂的手动搜索转化为可扩展、自动化的智能信息获取系统,显著提升团队研究效率与数据覆盖广度。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Perplexity AI
Perplexity AI 是一个 Python 模块,利用 Emailnator 自动生成 Gmail 账户,从而实现无限次 Pro 查询。它同时支持同步(synchronous)和异步(asynchronous)API,并提供 Web 界面,方便偏好图形用户界面(GUI)的用户使用。
功能特性
- 账户生成:通过 Emailnator 自动创建 Gmail 账户
- 无限 Pro 查询:通过创建新账户绕过查询次数限制
- Web 界面:通过浏览器自动化账户创建与使用
- 同步与异步 API:完整支持同步和异步编程模式
- 类型安全:提供完整的类型提示(type hints),提升 IDE 支持体验
- 健壮的错误处理:自定义异常,便于错误管理
- 全面的日志记录:结构化日志,便于调试
- 文件上传:支持文档分析与问答
- 流式响应:实时流式返回响应内容
- 重试机制:自动重试并采用指数退避策略(exponential backoff)
- 速率限制:内置限速机制,防止滥用
安装
基础安装
pip install -e .
含驱动支持(用于 Web 界面)
pip install -e ".[driver]"
patchright install chromium
含 MCP 服务器支持
pip install -e ".[mcp]"
开发环境安装
pip install -e ".[dev]"
此安装包含测试工具(pytest、pytest-cov、pytest-asyncio)、代码格式化与检查工具(flake8、black、isort、mypy)以及所有可选依赖项。
MCP 服务器
本项目包含一个 MCP(Model Context Protocol,模型上下文协议)服务器,可将 Perplexity 搜索功能作为工具暴露给 Claude Code 等 MCP 客户端使用。该服务器无需 API 密钥,而是通过与本库其他部分相同的逆向工程 Web 接口实现功能。
安装
pip install -e ".[mcp]"
启动服务器
服务器支持两种传输方式,由环境变量 MCP_TRANSPORT 控制(默认为 stdio)。
stdio(默认)
适用于本地 MCP 客户端,如 Claude Code 和 Claude Desktop。客户端会直接启动该进程。
perplexity-mcp
添加到 Claude Code:
claude mcp add perplexity -- perplexity-mcp
手动配置示例:
{
"mcpServers": {
"perplexity": {
"command": "perplexity-mcp",
"env": {
"PERPLEXITY_COOKIES": "{\"next-auth.session-token\": \"...\"}"
}
}
}
}
HTTP(网络/远程)
启动一个持久化的 HTTP 服务器,允许多个客户端通过网络连接。适用于在多台客户端或机器间共享同一个服务器实例的场景。
1. 启动服务器:
MCP_TRANSPORT=http perplexity-mcp
默认监听 127.0.0.1:8000。若需绑定所有接口或更改端口:
MCP_TRANSPORT=http MCP_HOST=0.0.0.0 MCP_PORT=9000 perplexity-mcp
若需包含 Cookie:
MCP_TRANSPORT=http PERPLEXITY_COOKIES='{"next-auth.session-token": "..."}' perplexity-mcp
MCP 端点将可通过 http://<host>:<port>/mcp 访问。
2. 添加到 Claude Code:
claude mcp add --transport http perplexity http://127.0.0.1:8000/mcp
如果更改了主机或端口,请相应调整 URL。对于远程机器,请将 127.0.0.1 替换为其实际地址。
3. 验证配置:
claude mcp list
PERPLEXITY_COOKIES 环境变量对两种传输方式均为可选。若未设置,服务器将以匿名模式运行,仅能访问免费(auto 模式)查询功能。若设置为有效的 Perplexity Cookie JSON 字符串,则可启用 Pro、推理(reasoning)和深度研究(deep research)模式。获取 Cookie 的方法请参见 如何获取 Cookie。
可用工具
| 工具 | 模式 | 描述 |
|---|---|---|
perplexity_ask |
auto |
通用问答 |
perplexity_research |
deep research |
对主题进行深入研究 |
perplexity_reason |
reasoning |
分步推理解决问题 |
perplexity_search |
pro + 网络来源 |
网络搜索 |
与官方 MCP 的差异
官方 @perplexity-ai/mcp-server 需要付费的 Perplexity API 密钥,而本服务器使用的是逆向工程的 Web 接口。因此,以下官方 MCP 支持的功能在本服务器中不支持:
| 功能 | 官方 MCP | 本服务器 |
|---|---|---|
| 无需 API 密钥 | 否 | 是 |
messages 数组输入 |
是 | 否(仅支持单个 query 字符串) |
search_recency_filter |
是 | 否 |
search_domain_filter |
是 | 否 |
search_context_size |
是 | 否 |
reasoning_effort |
是 | 否 |
strip_thinking |
是 | 否 |
| 结构化搜索结果(引用、图片等) | 是 | 否(仅返回纯文本答案) |
快速开始
基础用法
import perplexity
# 创建客户端
client = perplexity.Client()
# 发起查询
response = client.search("什么是人工智能?")
print(response['answer'])
使用账户(启用增强功能)
import perplexity
# 你的 Perplexity Cookie
cookies = {
'next-auth.csrf-token': 'your-token',
'next-auth.session-token': 'your-session',
}
client = perplexity.Client(cookies)
# 使用增强模式
response = client.search(
"复杂的查询内容",
mode='pro',
model='gpt-5.2',
sources=['scholar']
)
流式响应
for chunk in client.search("解释量子计算", stream=True):
if 'answer' in chunk:
print(chunk['answer'], end='', flush=True)
异步用法
import asyncio
import perplexity_async
async def main():
client = await perplexity_async.Client()
response = await client.search("什么是机器学习?")
print(response['answer'])
asyncio.run(main())
文档
使用说明
Web 界面
Web 界面在浏览器中自动完成账号创建和使用。Patchright 使用 "Chrome 用户数据目录" 来实现完全无痕,Windows 系统下的路径为 C:\Users\YourName\AppData\Local\Google\Chrome\User Data,如下所示:
import os
from perplexity.driver import Driver
cli = Driver()
cli.run(rf'C:\\Users\\{os.getlogin()}\\AppData\\Local\\Google\\Chrome\\User Data')
若要使用你自己的 Chrome 实例,请启用远程调试(在 Cloudflare 中可能会陷入死循环):
- 在 Chrome 快捷方式的目标中添加
--remote-debugging-port=9222。 - 将端口传递给
Driver.run()方法:
cli.run(rf'C:\\Users\\{os.getlogin()}\\AppData\\Local\\Google\\Chrome\\User Data', port=9222)
API 使用
同步 API
以下是一个简单用法的示例代码,不使用自有账号,也不生成新账号。
import perplexity
perplexity_cli = perplexity.Client()
# model = 模式对应的模型,仅限自有账号使用,取值如下:
# 'auto': [None],
# 'pro': [None, 'sonar', 'gpt-5.2', 'claude-4.5-sonnet', 'grok-4-1'],
# 'reasoning': [None, 'gpt-5.2-thinking', 'claude-4.5-sonnet-thinking', 'gemini-3.0-pro', 'kimi-k2-thinking', 'grok-4.1-reasoning'],
# 'deep research': [None]
# sources = ['web', 'scholar', 'social']
# files = 字典,键为文件名,值为文件内容
# stream = 启用时返回生成器,禁用时仅返回最终响应
# language = 所需语言的 ISO 639 代码
# follow_up = 用于后续查询的上一次查询信息,可直接传入前一次查询的响应,见下方第二个示例
# incognito = 启用无痕模式,适用于使用自有账号的用户
resp = perplexity_cli.search('Your query here', mode='auto', model=None, sources=['web'], files={}, stream=False, language='en-US', follow_up=None, incognito=False)
print(resp)
# 第二个示例展示如何使用后续查询和流式响应
for i in perplexity_cli.search('Your query here', stream=True, follow_up=resp):
print(i)
以下是使用自有账号的方式,你需要获取自己的 cookies 才能使用自有账号。参见 如何获取 Cookies:
import perplexity
perplexity_cookies = {
<your cookies here>
}
perplexity_cli = perplexity.Client(perplexity_cookies)
resp = perplexity_cli.search('Your query here', mode='reasoning', model='gpt-5.2-thinking', sources=['web'], files={'myfile.txt': open('file.txt').read()}, stream=False, language='en-US', follow_up=None, incognito=False)
print(resp)
最后是账号生成功能,你需要获取 Emailnator 的 cookies 才能使用此功能。参见 如何获取 Cookies:
import perplexity
emailnator_cookies = {
<your cookies here>
}
perplexity_cli = perplexity.Client()
perplexity_cli.create_account(emailnator_cookies) # 创建一个新的 Gmail 账号,从而重置你的 5 次 Pro 查询额度。
resp = perplexity_cli.search('Your query here', mode='reasoning', model=None, sources=['web'], files={'myfile.txt': open('file.txt').read()}, stream=False, language='en-US', follow_up=None, incognito=False)
print(resp)
异步 API
以下是一个简单用法的示例代码,不使用自有账号,也不生成新账号。
import asyncio
import perplexity_async
async def test():
perplexity_cli = await perplexity_async.Client()
# mode = ['auto', 'pro', 'reasoning', 'deep research']
# model = 模式对应的模型,仅限自有账号使用,取值如下:
# 'auto': [None],
# 'pro': [None, 'sonar', 'gpt-5.2', 'claude-4.5-sonnet', 'grok-4-1'],
# 'reasoning': [None, 'gpt-5.2-thinking', 'claude-4.5-sonnet-thinking', 'gemini-3.0-pro', 'kimi-k2-thinking', 'grok-4.1-reasoning'],
# 'deep research': [None]
# sources = ['web', 'scholar', 'social']
# files = 字典,键为文件名,值为文件内容
# stream = 启用时返回生成器,禁用时仅返回最终响应
# language = 所需语言的 ISO 639 代码
# follow_up = 用于后续查询的上一次查询信息,可直接传入前一次查询的响应,见下方第二个示例
# incognito = 启用无痕模式,适用于使用自有账号的用户
resp = await perplexity_cli.search('Your query here', mode='auto', model=None, sources=['web'], files={}, stream=False, language='en-US', follow_up=None, incognito=False)
print(resp)
# 第二个示例展示如何使用后续查询和流式响应
async for i in await perplexity_cli.search('Your query here', stream=True, follow_up=resp):
print(i)
asyncio.run(test())
以下是使用自有账号的方式,你需要获取自己的 cookies 才能使用自有账号。参见 如何获取 Cookies:
import asyncio
import perplexity_async
perplexity_cookies = {
<your cookies here>
}
async def test():
perplexity_cli = await perplexity_async.Client(perplexity_cookies)
resp = await perplexity_cli.search('Your query here', mode='reasoning', model='gpt-5.2-thinking', sources=['web'], files={'myfile.txt': open('file.txt').read()}, stream=False, language='en-US', follow_up=None, incognito=False)
print(resp)
asyncio.run(test())
最后是账号生成功能,你需要获取 emailnator 的 cookies 才能使用此功能。参见 如何获取 Cookies:
import asyncio
import perplexity_async
emailnator_cookies = {
<your cookies here>
}
async def test():
perplexity_cli = await perplexity_async.Client()
await perplexity_cli.create_account(emailnator_cookies) # 创建一个新的 Gmail 账号,从而重置你的 5 次 Pro 查询额度。
resp = await perplexity_cli.search('Your query here', mode='reasoning', model=None, sources=['web'], files={'myfile.txt': open('file.txt').read()}, stream=False, language='en-US', follow_up=None, incognito=False)
print(resp)
asyncio.run(test())
如何获取 Cookies
Perplexity(用于使用自有账号)
- 打开 Perplexity.ai 网站并登录你的账号。
- 按下 F12 或
Ctrl + Shift + I打开检查器(Inspector)。 - 在检查器中切换到 "Network"(网络)标签页。
- 刷新页面,右键点击第一个请求,将鼠标悬停在 "Copy"(复制)上,然后点击 "Copy as cURL (bash)"(以 cURL (bash) 格式复制)。
- 现在前往 CurlConverter,将你复制的代码粘贴进去。Cookies 字典将会显示出来,复制并在你的代码中使用即可。
Emailnator(用于账号生成)
- 打开 Emailnator 网站并完成人机验证。
- 按下 F12 或
Ctrl + Shift + I打开开发者工具(inspector)。 - 在开发者工具中切换到 "Network"(网络)标签页。
- 刷新页面,右键点击第一个请求,将鼠标悬停在 "Copy"(复制)上,然后点击 "Copy as cURL (bash)"(以 cURL (bash) 格式复制)。
- 现在前往 CurlConverter,将你复制的代码粘贴进去。此时会生成 cookies 字典,请将其复制并在你的代码中使用。
- Emailnator 的 cookies 是临时的,需要持续更新。
API 参考
Client 类
class Client:
def __init__(self, cookies: Optional[Dict[str, str]] = None):
"""
初始化 Perplexity 客户端。
Args:
cookies: 可选的 Perplexity 账号 cookies,用于启用增强功能
"""
def search(
self,
query: str,
mode: str = 'auto',
model: Optional[str] = None,
sources: List[str] = ['web'],
files: Dict[str, Union[str, bytes]] = {},
stream: bool = False,
language: str = 'en-US',
follow_up: Optional[Dict] = None,
incognito: bool = False
) -> Union[Dict, Generator]:
"""
使用 Perplexity AI 进行搜索。
Args:
query: 搜索查询内容
mode: 搜索模式('auto', 'pro', 'reasoning', 'deep research')
model: 使用的模型(取决于 mode)
sources: 信息来源(['web', 'scholar', 'social'])
files: 要上传的文件 {文件名: 内容}
stream: 启用流式响应
language: ISO 639 语言代码
follow_up: 用于上下文的上一次查询
incognito: 启用无痕模式
Returns:
包含 'answer' 键的响应字典,或当 stream=True 时返回生成器
"""
def create_account(self, emailnator_cookies: Dict[str, str]):
"""
使用 Emailnator 创建新账号。
Args:
emailnator_cookies: 用于账号创建的 Emailnator cookies
"""
可用模型
{
'auto': [None],
'pro': [None, 'sonar', 'gpt-5.2', 'claude-4.5-sonnet', 'grok-4-1'],
'reasoning': [None, 'gpt-5.2-thinking', 'claude-4.5-sonnet-thinking', 'gemini-3.0-pro', 'kimi-k2-thinking', 'grok-4.1-reasoning'],
'deep research': [None]
}
自定义异常
from perplexity.exceptions import (
PerplexityError, # 基础异常
AuthenticationError, # 认证失败
RateLimitError, # 超出速率限制
NetworkError, # 网络问题
ValidationError, # 参数无效
ResponseParseError, # 响应解析失败
AccountCreationError, # 账号创建失败
FileUploadError, # 文件上传失败
)
测试
运行所有测试
pytest tests/ -v
带覆盖率报告
pytest tests/ --cov=perplexity --cov=perplexity_async --cov-report=html
运行特定测试
pytest tests/test_utils.py -v
pytest tests/test_config.py -v
开发
设置开发环境
# 克隆仓库
git clone https://github.com/yourusername/perplexity-ai.git
cd perplexity-ai
# 以开发模式安装
pip install -e ".[dev]"
# 运行测试
pytest
# 格式化代码
black perplexity perplexity_async
# 类型检查
mypy perplexity perplexity_async
# 代码检查
flake8 perplexity perplexity_async
贡献代码
- Fork 本仓库
- 创建特性分支(
git checkout -b feature/amazing-feature) - 进行修改
- 运行测试和代码检查
- 提交更改(
git commit -m 'Add amazing feature') - 推送到分支(
git push origin feature/amazing-feature) - 提交 Pull Request
故障排除
常见问题
问题: 响应返回 None
- 解决方案: API 结构可能已变更。请查看 Changelog 获取更新信息。
问题: 账号创建失败
- 解决方案: Emailnator cookies 会频繁过期。请从 Emailnator.com 获取新的 cookies。
问题: 文件上传失败
- 解决方案: 确保你拥有有效的 Perplexity 账号,并且有可用的文件上传配额。
问题: 触发速率限制
- 解决方案: 使用内置的速率限制功能,或在请求之间增加等待时间。考虑使用异步 API 以获得更好的并发性能。
获取帮助
更新日志
详细变更和错误修复请参阅 CHANGELOG.md。
路线图
计划中的改进和功能请参阅 IMPROVEMENTS.md。
许可证
本项目采用 MIT 许可证。详情请参阅 LICENSE 文件。
致谢
- Perplexity.ai 提供了出色的 AI 搜索引擎
- Emailnator 提供了临时邮箱服务
- 所有帮助改进本项目的贡献者
免责声明
这是一个非官方的 API 封装库。请负责任地使用,并遵守 Perplexity.ai 的服务条款。本项目仅用于教育目的。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。