Perplexity API - budowanie aplikacji z AI search. Kompleksowy tutorial dla deweloperów
Poznaj Perplexity API i naucz się budować aplikacje z funkcją inteligentnego wyszukiwania. Praktyczny przewodnik po endpointach, modelach Online LLM i gotowe prompty do implementacji.
👁 125 przeczytań
- Perplexity API udostępnia modele Online LLM, które przeszukują internet w czasie rzeczywistym i zwracają odpowiedzi z weryfikowalnymi źródłami, co odróżnia je od standardowych API chat completion.
- Parametr search_recency_filter akceptuje wartości hour, day, week, month lub year, a search_domain_filter ogranicza wyniki do wskazanych domen, np. coindesk.com czy bloomberg.com.
- Niska temperatura (0.1-0.3) zwiększa faktograficzność odpowiedzi, natomiast wyższe wartości przydają się w aplikacjach kreatywnych, ale podnoszą ryzyko halucynacji.
Wprowadzenie do Perplexity API
Perplexity API stanowi potężne narzędzie dla deweloperów, którzy chcą zintegrować funkcjonalność inteligentnego wyszukiwania ze swoimi aplikacjami. W przeciwieństwie do standardowych API chat completion, Perplexity oferuje dostęp do modeli Online LLM, które w czasie rzeczywistym przeszukują internet i dostarczają aktualne informacje wraz z weryfikowalnymi źródłami. To rozwiązanie szczególnie przydaje się w aplikacjach wymagających najświeższych danych lub weryfikacji faktów.
API dostępne jest w modelu płatności za użycie, z różnymi poziomami dostępu w zależności od potrzeb. Kluczową zaletą jest możliwość łączenia możliwości conversational AI z aktualnymi informacjami z internetu, co czyni go idealnym wyborem dla aplikacji typu Q&A, research tools czy content creation platforms.
Konfiguracja i podstawowe endpointy
Rozpoczęcie pracy z Perplexity API wymaga uzyskania klucza API poprzez platformę deweloperską. Po rejestracji otrzymujemy dostęp do dokumentacji i dashboardu z wykorzystaniem tokenów. Podstawowy endpoint to `/chat/completions`, który zachowuje kompatybilność z formatem OpenAI, ułatwiając migrację z innych rozwiązań.
Struktura żądania zawiera standardowe parametry jak model, messages oraz specyficzne dla Perplexity ustawienia. Parametr `return_citations` kontroluje czy odpowiedź zawiera linki do źródeł, a `search_domain_filter` pozwala ograniczyć wyszukiwanie do konkretnych domen. Parametr `search_recency_filter` umożliwia filtrowanie wyników według daty publikacji.
-H „Authorization: Bearer YOUR_API_KEY”
-H „Content-Type: application/json”
-d '{
„model”: „llama-3.1-sonar-small-128k-online”,
„messages”: [
{
„role”: „user”,
„content”: „Jakie są najnowsze trendy w technologii blockchain z ostatnich 30 dni?”
}
],
„max_tokens”: 1000,
„temperature„: 0.2,
„return_citations”: true,
„search_recency_filter”: „month”
}’
Odpowiedź API zawiera standardową strukturę z message content oraz dodatkowe pole citations, które wylistowuje źródła użyte do generowania odpowiedzi. Każde cytowanie zawiera tytuł, URL oraz krótki fragment tekstu, co pozwala użytkownikom na weryfikację informacji.
Modele Online LLM i ich zastosowania
Perplexity oferuje kilka modeli Online LLM dostosowanych do różnych przypadków użycia. Model `llama-3.1-sonar-small-128k-online` stanowi najbardziej ekonomiczny wybór dla podstawowych zastosowań, podczas gdy `llama-3.1-sonar-large-128k-online` oferuje wyższą jakość odpowiedzi kosztem większego zużycia tokenów.
Modele sonar wyróżniają się zdolnością do analizy aktualnych informacji z internetu w połączeniu z zaawansowanym rozumowaniem. Prefix „online” oznacza, że model ma dostęp do wyszukiwania w czasie rzeczywistym, co odróżnia je od standardowych modeli chat completion ograniczonych do danych treningowych.
„model”: „llama-3.1-sonar-large-128k-online”,
„messages”: [
{
„role”: „system”,
„content”: „Jesteś ekspertem analitykiem rynku. Analizuj dane finansowe i przedstaw kluczowe wnioski w punktach.”
},
{
„role”: „user”,
„content”: „Przeanalizuj obecną sytuację na rynku kryptowalut, szczególnie Bitcoin i Ethereum. Uwzględnij dane z ostatnich 7 dni.”
}
],
„max_tokens”: 1500,
„temperature”: 0.1,
„search_domain_filter”: [„coindesk.com”, „bloomberg.com”, „reuters.com”]
}
✅ Wybieraj model small dla prostych zapytań faktograficznych, a large dla złożonych analiz wymagających głębszego rozumowania i syntezy informacji z wielu źródeł.
Zaawansowane parametry wyszukiwania
Efektywne wykorzystanie Perplexity API wymaga zrozumienia zaawansowanych parametrów kontrolujących proces wyszukiwania. Parametr `search_domain_filter` pozwala na ograniczenie wyników do zaufanych źródeł, co szczególnie przydaje się w aplikacjach wymagających wysokiej wiarygodności informacji.
Filtr czasowy `search_recency_filter` akceptuje wartości takie jak „hour”, „day”, „week”, „month” lub „year”, umożliwiając precyzyjne kontrolowanie aktualności danych. Ten parametr okazuje się kluczowy w aplikacjach monitorujących breaking news lub dynamicznie zmieniające się rynki.
„model”: „llama-3.1-sonar-small-128k-online”,
„messages”: [
{
„role”: „user”,
„content”: „Znajdź najnowsze informacje o aktualizacjach bezpieczeństwa dla popularnych frameworków JavaScript”
}
],
„search_domain_filter”: [„github.com”, „npmjs.com”, „security.snyk.io”],
„search_recency_filter”: „week”,
„return_citations”: true,
„return_images”: false
}
Parametr `return_images` kontroluje czy w cytowaniach mają być uwzględniane obrazy, co może być przydatne w aplikacjach e-commerce lub content creation, ale zwiększa rozmiar odpowiedzi. Dla aplikacji mobilnych lub o ograniczonej przepustowości warto go wyłączyć.
Implementacja systemowych promptów
Skuteczne wykorzystanie Perplexity API w dużej mierze zależy od właściwego skonstruowania promptów systemowych. W przeciwieństwie do zwykłych chatbotów, prompty dla Online LLM powinny uwzględniać specyfikę wyszukiwania i cytowania źródeł. System prompt powinien jasno definiować rolę asystenta oraz oczekiwania dotyczące formatowania odpowiedzi.
Kluczową techniką jest instruowanie modelu do strukturyzowania odpowiedzi z wyraźnym podziałem na analizę, wnioski i źródła. To podejście szczególnie sprawdza się w aplikacjach business intelligence czy research tools, gdzie użytkownicy potrzebują szybkiego dostępu do konkretnych informacji.
„model”: „llama-3.1-sonar-large-128k-online”,
„messages”: [
{
„role”: „system”,
„content”: „Jesteś specjalistą od research finansowego. Zawsze strukturyzuj odpowiedzi w sekcjach: 1) Kluczowe fakty, 2) Analiza trendów, 3) Rekomendacje, 4) Źródła. Używaj konkretnych danych liczbowych gdy dostępne.”
},
{
„role”: „user”,
„content”: „Przeanalizuj wpływ ostatnich decyzji Fed na rynek obligacji korporacyjnych”
}
],
„temperature”: 0.2,
„search_recency_filter”: „week”,
„max_tokens”: 2000
}
Temperatura 0.1-0.3 zwiększa faktograficzność odpowiedzi w aplikacjach wymagających precyzyjnych informacji. Wyższe wartości mogą być przydatne w creative writing applications, ale zwiększają ryzyko halucynacji.
Budowanie aplikacji Q&A z weryfikacją źródeł
Jedną z najbardziej popularnych implementacji Perplexity API są aplikacje question-answering z automatyczną weryfikacją źródeł. Ten typ aplikacji szczególnie przydaje się w środowiskach korporacyjnych, edukacyjnych czy dziennikarskich, gdzie wiarygodność informacji ma pierwszorzędne znaczenie.
Implementacja wymaga obsługi struktury citations zwracanej przez API oraz inteligentnego mapowania źródeł do odpowiedzi. Każde cytowanie zawiera nie tylko URL, ale również tytuł i fragment tekstu, co pozwala na tworzenie rich snippets dla użytkowników.
„model”: „llama-3.1-sonar-small-128k-online”,
„messages”: [
{
„role”: „system”,
„content”: „Odpowiadaj na pytania w języku polskim, zawsze podając konkretne fakty ze źródeł. Na końcu każdej odpowiedzi dodaj sekcję 'Źródła i dalsze informacje’.”
},
{
„role”: „user”,
„content”: „Jakie są aktualne regulacje dotyczące AI w Unii Europejskiej?”
}
],
„return_citations”: true,
„search_domain_filter”: [„eur-lex.europa.eu”, „ec.europa.eu”, „europarl.europa.eu”],
„temperature”: 0.1
}
Kluczowym elementem takiej aplikacji jest parsing odpowiedzi API i ekstrakcja cytowań do oddzielnej struktury danych. To pozwala na tworzenie interfejsów użytkownika z interaktywnymi linkami do źródeł, footnote-ami czy hover tooltips z dodatkowymi informacjami.
Integracja z systemami content management
Perplexity API doskonale sprawdza się jako komponent systemów content management, szczególnie w scenariuszach wymagających research i fact-checking. Integracja może odbywać się na poziomie wtyczek do popularnych CMS-ów lub jako standalone service obsługujący multiple content platforms.
Typowa implementacja obejmuje endpoint do research queries, który przyjmuje temat artykułu i zwraca strukturyzowane informacje wraz ze źródłami. Te dane mogą następnie służyć jako foundation dla content creators lub być bezpośrednio wykorzystane w automated content generation.
„model”: „llama-3.1-sonar-large-128k-online”,
„messages”: [
{
„role”: „system”,
„content”: „Jesteś research assistant dla content creators. Przygotowuj obszerne briefy z kluczowymi punktami, aktualnymi statystykami i wiarygodnymi źródłami. Formatuj odpowiedzi jako outline do artykułu.”
},
{
„role”: „user”,
„content”: „Przygotuj research brief na temat 'Wpływ sztucznej inteligencji na rynek pracy w Polsce w 2026 roku'”
}
],
„max_tokens”: 3000,
„temperature”: 0.3,
„search_recency_filter”: „month”
}
✅ W aplikacjach CMS warto implementować caching mechanizm dla research queries, aby ograniczyć koszty API calls i poprawić responsywność systemu.
Optymalizacja kosztów i performance
Efektywne wykorzystanie Perplexity API wymaga strategicznego podejścia do optymalizacji kosztów. Model pricing bazuje na liczbie input i output tokenów, przy czym online search queries generują dodatkowe koszty związane z wyszukiwaniem w internecie.
Kluczowe techniki optymalizacji obejmują intelligent caching, gdzie similar queries są cachowane przez określony czas, oraz smart batching dla non-real-time applications. Warto również implementować fallback mechanism do cheaper models dla mniej krytycznych zapytań.
„model”: „llama-3.1-sonar-small-128k-online”,
„messages”: [
{
„role”: „user”,
„content”: „Krótka odpowiedź: główne trendy e-commerce Q1 2026”
}
],
„max_tokens”: 500,
„temperature”: 0.2,
„search_recency_filter”: „month”,
„return_citations”: false
}
Ustawienie `max_tokens` na rozsądne wartości zapobiega generowaniu zbyt obszernych odpowiedzi, co bezpośrednio wpływa na koszty. Parametr `return_citations` można wyłączyć w scenariuszach, gdzie źródła nie są wymagane, co dodatkowo redukuje rozmiar response.
Monitorowanie i debugging
Praca z Perplexity API wymaga odpowiedniego systemu monitorowania wydajności i debugowania problemów. API zwraca szczegółowe informacje o użyciu tokenów w każdej odpowiedzi, co pozwala na real-time tracking kosztów i optymalizację.
Kluczowe metryki do śledzenia obejmują latencję odpowiedzi, success rate, token usage oraz quality score odpowiedzi. Dashboard Perplexity dostarcza podstawowe analytics, ale production applications wymagają custom monitoring solutions.
„model”: „llama-3.1-sonar-small-128k-online”,
„messages”: [
{
„role”: „system”,
„content”: „Debug mode: Zawsze rozpoczynaj odpowiedź od listy znalezionych źródeł, następnie podaj główną odpowiedź.”
},
{
„role”: „user”,
„content”: „Test query: najnowsze aktualizacje Node.js”
}
],
„return_citations”: true,
„search_domain_filter”: [„nodejs.org”],
„temperature”: 0.0
}
Temperatura ustawiona na 0.0 w trybie debug zapewnia maksymalną deterministic odpowiedzi, co ułatwia testing i troubleshooting. Search domain filter ograniczony do oficjalnych źródeł pomaga zidentyfikować problemy z quality czy availability konkretnych domen.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Podsumowanie
Perplexity API oferuje unikalne możliwości budowania aplikacji z inteligentnym wyszukiwaniem, łącząc siłę nowoczesnych modeli językowych z dostępem do aktualnych informacji z internetu. Kluczem do sukcesu jest właściwe wykorzystanie parametrów wyszukiwania, optymalizacja kosztów przez smart caching oraz implementacja robust error handling. Warto rozpocząć eksperymentowanie od prostych Q&A applications z basic citation handling, następnie rozwijać funkcjonalność w kierunku bardziej zaawansowanych use cases jak content research czy business intelligence tools. Szczególną uwagę należy zwrócić na quality prompts systemowych oraz monitoring performance, co bezpośrednio wpływa na user experience i operating costs aplikacji.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Jak zacząć korzystać z Perplexity API w swojej aplikacji?
Trzeba zarejestrować się na platformie deweloperskiej Perplexity i uzyskać klucz API, który następnie podaje się w nagłówku Authorization: Bearer. Podstawowy endpoint to /chat/completions, który zachowuje kompatybilność z formatem OpenAI, co ułatwia migrację z innych rozwiązań.
Jakie modele oferuje Perplexity API i czym się różnią?
Perplexity oferuje m.in. llama-3.1-sonar-small-128k-online jako opcję ekonomiczną do prostych zapytań oraz llama-3.1-sonar-large-128k-online do złożonych analiz wymagających głębszego rozumowania. Prefix online oznacza dostęp do wyszukiwania w czasie rzeczywistym, w odróżnieniu od modeli ograniczonych do danych treningowych.
Jak ograniczyć wyszukiwanie Perplexity API do konkretnych źródeł?
Służy do tego parametr search_domain_filter, któremu podaje się listę domen, np. github.com, npmjs.com lub security.snyk.io. Dzięki temu wyniki pochodzą wyłącznie z wskazanych, zaufanych stron, co zwiększa wiarygodność odpowiedzi.
Jak Perplexity API zwraca cytowania i co zawierają?
Cytowania pojawiają się w polu citations w odpowiedzi API, gdy parametr return_citations ustawiony jest na true. Każde cytowanie zawiera tytuł, URL oraz krótki fragment tekstu, co pozwala użytkownikom weryfikować informacje.
Podobne tematy na Promptowym
