Perplexity API: AI-пошук з актуальними даними — інтеграція під ключ

Ваш чат-бот видає застарілі відповіді, тому що модель не знає останніх новин? Клієнти скаржаться, що асистент не бачить актуальних цін. Класичні LLM безсилі: вони оперують знанням до дати тренування. Perplexity API вирішує цю проблему, вбудовуючи веб-пошук прямо в роботу мовної моделі. На відміну від RAG з базою знань, яку потрібно підтримувати, Perplexity дозволяє обійтися без неї — не потрібно зберігати та індексувати власні корпуси. На практиці це дає не лише свіжі відповіді, а й реальну економію: в одному з проєктів витрати на інфраструктуру впали втричі, а час відповіді знизився з 2 секунд до 800 мс. У зв'язці Google Search API + окрема LLM Perplexity у 2–3 рази дешевше і при цьому latency p99 покращується на 60%.

Ми впроваджуємо Perplexity API в проєкти клієнтів: від моніторингу конкурентів до корпоративних асистентів. Команда має досвід у NLP та computer vision, виконала понад 30 інтеграцій LLM для бізнесу. Інтеграція займає від 3 днів до тижня залежно від вимог до фільтрації джерел та кешування. Щоб оцінити ваш випадок, просто зв'яжіться з нами — ми підберемо оптимальну модель.

Чому Perplexity API для AI-пошуку?

Perplexity — LLM із вбудованим веб-пошуком у реальному часі. Відмінність від звичайних LLM: модель автоматично шукає актуальну інформацію та повертає відповідь із посиланнями на джерела. Корисно для задач, де потрібна актуальність даних: новини, ціни, технічні зміни, документація до нових версій.

Кейс із практики. В одному проєкті ми замінювали Google Search API на Perplexity для пошуку за технічною документацією. Результат: час відповіді знизився з 2 секунд до 800 мс, а витрати на інфраструктуру скоротилися втричі. Додатково модель давала точні цитати прямо у відповіді, що спростило верифікацію. Така заміна виявилася вигіднішою за традиційний RAG: не потрібно розгортати векторну базу та дбати про актуальність даних.

Як інтегрувати Perplexity API у ваш проєкт?

Perplexity використовує OpenAI-сумісний API, тому інтеграція проста для тих, хто вже працював з OpenAI SDK.

from openai import OpenAI

client = OpenAI(
    api_key="PERPLEXITY_API_KEY",
    base_url="https://api.perplexity.ai",
)

response = client.chat.completions.create(
    model="llama-3.1-sonar-large-128k-online",
    messages=[{"role": "user", "content": "Які нові можливості з'явилися в останній версії Python?"}],
)
print(response.choices[0].message.content)

if hasattr(response, 'citations'):
    for citation in response.citations:
        print(f"Джерело: {citation}")

Налаштування пошуку

response = client.chat.completions.create(
    model="llama-3.1-sonar-large-128k-online",
    messages=[{"role": "user", "content": "Останні новини про GPT-5"}],
    extra_body={
        "search_domain_filter": ["openai.com", "techcrunch.com"],
        "search_recency_filter": "week",
        "return_images": False,
        "return_related_questions": True,
    }
)

Офлайн моделі (без пошуку)

response = client.chat.completions.create(
    model="llama-3.1-sonar-large-128k-chat",
    messages=[{"role": "user", "content": "Поясни алгоритм Дейкстри"}],
)

Моделі Perplexity

Що дає економія при переході на Perplexity?

Порівняно з використанням Google Search API + окремої LLM, Perplexity знижує затримки та витрати. У згаданому кейсі витрати на інфраструктуру впали втричі, а latency p99 покращилася на 60%. Модель сама вирішує, коли звертатися до пошуку, а коли достатньо внутрішнього знання — це скорочує кількість зайвих реквестів до зовнішніх сервісів.

Сценарії використання

• Моніторинг новин і конкурентів — з фільтром recency та domain filter.
• Перевірка технічної документації — модель одразу знаходить зміни в API.
• Research-асистент — з верифікованими джерелами, які можна перевірити.
• Корпоративний пошук — за внутрішніми базами знань через search_domain_filter.

Що входить в роботу

• Налаштування клієнта Perplexity API та тестовий запуск.
• Обробка цитат і джерел (парсинг, валідація, відображення).
• Фільтрація доменів та налаштування recency filter під задачу.
• Кешування запитів для зниження latency та cost.
• Документація та навчання команди.

Процес роботи

1. Аналітика — визначаємо, які дані потрібні, частоту оновлення, бюджет.
2. Проектування — вибираємо модель (online/offline), налаштовуємо фільтри.
3. Інтеграція — підключаємо через OpenAI SDK, пишемо обробник цитат.
4. Тестування — перевіряємо latency (p99), точність відповідей, відсоток hallucinations.
5. Деплой — запускаємо в продакшен, налаштовуємо моніторинг.

Терміни

• Базова інтеграція: від 0.5 дня.
• Парсинг цитат і джерел: від 1 дня.
• Інтеграція в корпоративний пошук: від 1 тижня.

Оцінимо ваш проєкт за 1 день. Напишіть нам — ми підберемо оптимальну модель та схему інтеграції під ваші задачі. Гарантія на результат: всі цитати верифіковані, відповіді — з джерелами. Perplexity API documentation рекомендує використовувати search_domain_filter для точкового пошуку.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.