如何使用 Perplexity AI API (2026)

如何使用 Perplexity AI API (2026)

Perplexity AI 提供的 API 将大型语言模型与实时网络搜索相结合。与依赖静态训练数据的标准 LLM API 不同，Perplexity 的 API 会从网络检索当前信息，并将其整合为准确且附带引用的回答。这使其成为需要最新信息应用的理想选择：如研究工具、新闻聚合器、竞品分析、客户支持机器人以及任何对信息时效性有要求的落地产品。

本指南涵盖了完整的 API 设置、所有可用模型、多语言代码示例以及实用的集成模式。

为什么选择 Perplexity API？

特性	Perplexity API	标准 LLM API
实时网络搜索	是，内置	否（静态训练数据）
来源引用	是，包含 URL	否
知识截止日期	无（即时搜索）	数月至数年前
幻觉率	较低（基于搜索依据）	较高
结构化输出	支持 JSON 模式	视供应商而定
OpenAI 兼容	是	取决于供应商

前提条件

1. 拥有 API 访问权限的 Perplexity 账号。
2. 从 Perplexity 开发者仪表板获取 API Key。
3. Python 3.9+ 或 Node.js 18+（用于运行以下示例）。

第一步：获取 API Key

1. 访问 perplexity.ai/settings/api。
2. 点击 Generate API Key。
3. 复制该 Key 并妥善保存。
4. 为账户充值（该 API 采用预付费模式，非后付费）。

设置环境变量：

export PERPLEXITY_API_KEY="pplx-your-api-key-here"

第二步：发起首次请求

Perplexity API 兼容 OpenAI，因此你可以使用 OpenAI SDK：

pip install openai

from openai import OpenAI

client = OpenAI(
    api_key="pplx-your-api-key-here",
    base_url="https://api.perplexity.ai"
)

response = client.chat.completions.create(
    model="sonar-pro",
    messages=[
        {
            "role": "system",
            "content": "你是一个得力的研究助手。请提供准确且附带引用来源的回答。"
        },
        {
            "role": "user",
            "content": "2026年核聚变能源的最新进展有哪些？"
        }
    ]
)

print(response.choices[0].message.content)

# 访问引用来源 (Citations)
if hasattr(response, 'citations'):
    print("\n来源：")
    for citation in response.citations:
        print(f"  - {citation}")

可用模型

Perplexity 提供了针对不同用例优化的多种模型：

模型	最佳用途	上下文窗口	搜索功能	价格 (输入)	价格 (输出)
sonar-pro	复杂研究、详细回答	200K	是	$3/M tokens	$15/M tokens
sonar	通用问题、快速响应	128K	是	$1/M tokens	$1/M tokens
sonar-reasoning-pro	多步分析、深度对比	128K	是	$2/M tokens	$8/M tokens
sonar-reasoning	带搜索的轻量推理	128K	是	$1/M tokens	$5/M tokens
sonar-deep-research	综合报告、长文本	128K	是 (深度)	$2/M tokens	$8/M tokens

模型选择指南：

• 使用 sonar 处理快速的事实性问题和轻量级查询。
• 使用 sonar-pro 进行详细研究和处理复杂问题。
• 使用 sonar-reasoning-pro 处理需要分析和对比的任务。
• 使用 sonar-deep-research 生成需要多次搜索迭代的综合报告。

第三步：使用 cURL

curl -X POST https://api.perplexity.ai/chat/completions \
  -H "Authorization: Bearer pplx-your-api-key-here" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "sonar-pro",
    "messages": [
      {
        "role": "user",
        "content": "对比 2026 年排名前 3 的 JavaScript 框架的流行度和性能"
      }
    ],
    "temperature": 0.2,
    "max_tokens": 2000
  }'

第四步：Node.js / TypeScript

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: process.env.PERPLEXITY_API_KEY,
  baseURL: 'https://api.perplexity.ai',
});

async function search(query: string): Promise<string> {
  const response = await client.chat.completions.create({
    model: 'sonar-pro',
    messages: [
      {
        role: 'system',
        content: '提供简明扼要、基于事实且附带引用来源的回答。',
      },
      {
        role: 'user',
        content: query,
      },
    ],
    temperature: 0.2,
    max_tokens: 1500,
  });

  return response.choices[0].message.content ?? '';
}

// 使用示例
const result = await search('比特币当前的价格是多少？');
console.log(result);

第五步：流式响应 (Streaming)

用于实时向用户展示回答：

from openai import OpenAI

client = OpenAI(
    api_key="pplx-your-api-key-here",
    base_url="https://api.perplexity.ai"
)

stream = client.chat.completions.create(
    model="sonar",
    messages=[
        {
            "role": "user",
            "content": "今天的科技新闻发生了什么？"
        }
    ],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

print()  # 最后换行

第六步：搜索上下文控制

你可以控制 Perplexity 如何搜索网页：

response = client.chat.completions.create(
    model="sonar-pro",
    messages=[
        {
            "role": "user",
            "content": "Python 3.14 的最新特性和发布日期"
        }
    ],
    # 控制搜索行为
    search_domain_filter=["python.org", "docs.python.org", "peps.python.org"],
    search_recency_filter="week",  # 选项: "hour", "day", "week", "month"
    return_citations=True,
    return_related_questions=True
)

print(response.choices[0].message.content)

# 获取用户可能想追问的相关问题
if hasattr(response, 'related_questions'):
    print("\n相关问题：")
    for q in response.related_questions:
        print(f"  - {q}")

实际应用用例

1. 研究助手

def research_topic(topic: str, depth: str = "standard") -> dict:
    model = "sonar-deep-research" if depth == "deep" else "sonar-pro"

    response = client.chat.completions.create(
        model=model,
        messages=[
            {
                "role": "system",
                "content": """你是一名研究分析师。请提供：
                1. 关键结论（要点形式）
                2. 最近进展（过去 30 天）
                3. 专家观点
                4. 数据与统计图表
                所有结论均需附带引用。"""
            },
            {
                "role": "user",
                "content": f"研究课题: {topic}"
            }
        ],
        return_citations=True,
        max_tokens=3000
    )

    return {
        "content": response.choices[0].message.content,
        "citations": getattr(response, 'citations', []),
        "model": model
    }

result = research_topic("2026年欧洲 AI 监管现状", depth="deep")
print(result["content"])

2. 竞品情报分析

def analyze_competitor(company: str) -> str:
    response = client.chat.completions.create(
        model="sonar-reasoning-pro",
        messages=[
            {
                "role": "user",
                "content": f"""分析竞品 {company}：
                - 最近发布的产品
                - 定价变化
                - 关键合作伙伴关系
                - 市场地位
                - 优势与劣势
                请基于可获取的最实时信息进行分析。"""
            }
        ],
        search_recency_filter="month",
        return_citations=True,
        max_tokens=2500
    )

    return response.choices[0].message.content

print(analyze_competitor("Vercel"))

3. 新闻聚合

def get_news_summary(topic: str) -> str:
    response = client.chat.completions.create(
        model="sonar",
        messages=[
            {
                "role": "user",
                "content": f"总结今天关于 {topic} 的 5 条重点新闻。提供来源。"
            }
        ],
        search_recency_filter="day",
        return_citations=True,
        max_tokens=1500
    )

    return response.choices[0].message.content

print(get_news_summary("人工智能"))

4. 事实核查 API

def fact_check(claim: str) -> str:
    response = client.chat.completions.create(
        model="sonar-reasoning-pro",
        messages=[
            {
                "role": "system",
                "content": """你是一名事实核查员。对于每个声明：
                1. 说明其为：真实、虚假、部分真实或无法验证
                2. 提供来自可靠来源的证据
                3. 引用你的来源
                请保持客观和严谨。"""
            },
            {
                "role": "user",
                "content": f"核查此声明: {claim}"
            }
        ],
        return_citations=True,
        max_tokens=2000
    )

    return response.choices[0].message.content

print(fact_check("2025年的全球平均气温是有记录以来最高的一年"))

速率限制与定价

层级	请求数/分钟	Tokens/分钟	每月支出
免费试用	5	20,000	$0 (额度有限)
标准版	50	100,000	按量计费
Pro 版	500	1,000,000	$50+
企业版	自定义	自定义	联系销售

成本估算示例：

用例	模型	每日请求数	估算每月成本
个人研究	sonar	50	约 $5
新闻聚合	sonar	500	约 $30
竞品情报	sonar-pro	100	约 $50
生产级搜索应用	sonar-pro	5,000	约 $500

错误处理

from openai import OpenAI, APIError, RateLimitError, APIConnectionError
import time

client = OpenAI(
    api_key="pplx-your-api-key-here",
    base_url="https://api.perplexity.ai"
)

def query_with_retry(query: str, max_retries: int = 3) -> str:
    for attempt in range(max_retries):
        try:
            response = client.chat.completions.create(
                model="sonar",
                messages=[{"role": "user", "content": query}],
                max_tokens=1500
            )
            return response.choices[0].message.content

        except RateLimitError:
            wait_time = 2 ** attempt
            print(f"触发速率限制。等待 {wait_time} 秒...")
            time.sleep(wait_time)

        except APIConnectionError:
            print("连接错误。正在重试...")
            time.sleep(1)

        except APIError as e:
            print(f"API 错误: {e}")
            raise

    raise Exception("超过最大重试次数")

故障排除

问题	解决方案
401 Unauthorized	检查 API Key 是否正确且账户是否有余额
429 Rate Limited	实施退避重试机制；升级层级
引用为空	并非所有回答都包含引用；确保使用 return_citations=True
信息过时	使用 search_recency_filter 限制搜索为近期结果
响应慢	对于追求速度的场景，请使用 sonar 而非 sonar-pro
找不到模型	检查模型名称；Perplexity 会定期更新模型命名

结语

Perplexity AI API 是构建需要基于实时网页数据的 LLM 应用的最佳选择。其兼容 OpenAI 的接口使集成变得简单，而内置的搜索和引用功能消了为网页内容构建独立 RAG 管道的必要性。

如果你正在构建的应用还需要 AI 生成的媒体——如图片、视频、数字人或语音合成——请关注 Hypereal AI。Hypereal 为生成式媒体提供统一的 REST API 且支持按量计费，让你能够轻松地将 Perplexity 的搜索智能与 Hypereal 的媒体生成能力集成到同一个应用中。