上一篇文章，我们对 Perplexica 做了个基本介绍，包括特点，以及如何安装。
今天，我们来深入看下 Perplexica 的架构。
Perplexica 的架构
Perplexica 的架构由以下关键组件组成：
- 用户界面: 一个基于网页的界面，允许用户与 Perplexica 互动以搜索图像、视频等内容。
- 代理/链: 这些组件预测 Perplexica 的下一步动作，理解用户查询，并决定是否需要进行网络搜索。
- SearXNG: 一个用于网络搜索的元数据搜索引擎。
- 大型语言模型 (LLMs): 代理和链利用大型语言模型来执行任务，如理解内容、撰写回应和引用来源。例子包括 Claude、GPT 等。
- 嵌入模型: 为了提高搜索结果的准确性，嵌入模型使用相似性搜索算法（如余弦相似性和点积距离）对结果进行重新排序。
Perplexica 如何工作？
我们将通过一个用户询问 “空调是如何工作的？” 的示例来理解 Perplexica 的工作原理。我们将分步骤解释这个过程，以便更容易理解。步骤如下：
- 通过 WS 将消息发送到后台服务器，在那里它调用链。链将取决于您的焦点模式。在本例中，我们假设使用 “webSearch” 焦点模式。
- 消息通过 web socket 发送
- 链现在被调用；首先，将消息传递到另一条链，在那里它首先预测（使用聊天记录和问题）是否需要来源和网络搜索。如果需要，它将生成一个查询（根据聊天记录）进行网络搜索，我们将在稍后讨论。如果不需要，链将在此结束，然后启动答案生成链，也称为响应生成器。
- 这部分，也可以称为 query rewrite 或者 pre-llm
- 第一条链返回的查询被传递到 SearXNG 以搜索网络信息。
- 传统搜索，这里使用 SearXNG
- 检索信息后，它基于关键词搜索。然后我们将信息和查询转换为嵌入，并进行相似性搜索，以找到最相关的来源来回答查询。
- 传统搜索引擎返回信息较多，用 embedding model 进行相似性搜索
- 完成所有这些操作后，来源被传递给响应生成器。此链获取所有聊天记录、查询和来源，并生成一个响应，该响应会被流式传输到 UI。
- 这里应该是调用 LLM ，传聊天记录，查询，来源，一起给 LLM ，然后 LLM 生成答案，流式传给 UI
答案如何引用？
LLMs 被提示这样做。我们提示它们很好地自行引用答案，并使用一些 UI 魔法将其显示给用户。
图片和视频搜索
图片和视频搜索以类似的方式进行。首先生成查询，然后我们在网上搜索与查询匹配的图片和视频。然后将这些结果返回给用户。
