Perplexity AI
המדריך המלא בעברית

מה זה Perplexity AI?

Perplexity AI הוא מנוע חיפוש מבוסס בינה מלאכותית שמביא תשובות ישירות עם ציטוטי מקורות, בזמן אמת. בניגוד ל-ChatGPT או Claude שמסתמכים על ידע שנלמד עד תאריך מסוים, Perplexity מחפש ברשת ממש עכשיו ומסנתז את התוצאות לתשובה קוהרנטית עם קישורים לכל טענה.

החברה נוסדה ב-2022 על ידי Aravind Srinivas (לשעבר OpenAI ו-Google DeepMind), Denis Yarats (לשעבר Meta AI), Johnny Ho ו-Andy Konwinski. תוך שנתיים הגיעו ליותר מ-15 מיליון משתמשים פעילים חודשיים וגייסו מאות מיליוני דולרים, כולל השקעה מ-Jeff Bezos ו-NVIDIA.

המוצר פועל כשילוב של Search Engine ו-LLM: הוא מנהל שאילתות חיפוש מרובות בו-זמנית, קורא את דפי האינטרנט, ואז מזין את התוכן למודל שפה שמייצר תשובה מסוכמת. התוצאה היא חוויה שונה מהותית מחיפוש רגיל — במקום רשימת קישורים, מקבלים תשובה.

הבדל מ-Google Search

Google Search מחזיר רשימת קישורים — אתה צריך להיכנס לכל אתר ולסנן את המידע בעצמך. Perplexity עושה את העבודה הזו עבורך: קורא את האתרים, מסנתז את המידע, ומציג תשובה אחת מגובשת עם אינדקס מקורות שאפשר לאמת. במקום 10 לשוניות פתוחות — תשובה אחת.

הבדל מ-ChatGPT

ChatGPT (ללא Web Search) פועל מידע שנלמד עד תאריך cutoff — לא יודע מה קרה החודש. אפילו ChatGPT עם Web Search עובד אחרת: Perplexity בנוי מהיסוד לחיפוש, מציג ציטוטים ברמת המשפט, ומותאם ארכיטקטוראלית לעיבוד תוצאות רשת. ChatGPT מצטיין בכתיבה ויצירה; Perplexity מצטיין בחיפוש ואימות עובדות.

תמחור

הממשק של Perplexity

ממשק Perplexity מורכב ממספר אזורים עיקריים שחשוב להכיר. בניגוד ל-Google שמוכר לכולם, Perplexity מציג חוויה הייברידית בין מנוע חיפוש לשיחת AI.

רכיבי הממשק המרכזיים

• Search Bar: תיבת החיפוש הראשית — כאן מזינים את השאלה. אפשר להשתמש בשפה טבעית, לא רק מילות מפתח.
• Focus Mode Selector: כפתור שמאפשר לבחור את מקור החיפוש לפני השליחה (Web, Academic, YouTube, Reddit, Writing).
• Pro Search Toggle: הפעלת חיפוש מעמיק — הופך את ה-Quick Search לניתוח רב-שלבי.
• Answer Panel: התשובה המסוכמת עם ציטוטים ממוספרים. כל מספר בסוגריים הוא קישור למקור.
• Sources Panel: רשימת המקורות שנקראו — לחיצה פותחת את הדף המקורי.
• Follow-up Questions: שאלות המשך שה-AI מציע לחקירה עמוקה יותר.
• Spaces: סביבות עבודה אישיות עם היסטוריה ומסמכים.
• History: כל החיפושים הקודמים לאיחזור מהיר.

Focus Modes — חיפוש ממוקד לפי מקור

אחת התכונות החזקות ביותר של Perplexity. במקום לחפש בכל האינטרנט, Focus Modes מאפשרים לצמצם לסוג מקור ספציפי — מה שמשפר משמעותית את איכות התשובות לשאלות ממוקדות.

Pro Search — ניתוח מעמיק בשלבים

Pro Search הוא המוצר הפרמיום של Perplexity — לא רק חיפוש מהיר, אלא תהליך מחקר רב-שלבי. בעוד Quick Search מחפש ומציג תשובה תוך 5 שניות, Pro Search לוקח 15-30 שניות ועושה הרבה יותר.

מה קורה מאחורי הקלעים

Quick Search vs Pro Search — השוואה ישירה

טיפים לפרומפטים ב-Pro Search

• התחל ב-"השווה בין X ל-Y" — Pro Search מצטיין בהשוואות מורכבות
• בקש "סכם את כל הפרספקטיבות" — מקבל ניתוח רב-צדדי
• ציין "from the last 3 months" לסינון תוצאות עדכניות בלבד
• בקש "as a structured report" לקבלת פלט מאורגן עם כותרות
• שאלות multi-dimensional — "מה הגורמים ל-X, ומה ההשלכות על Y" — עובדות מצוין

Spaces (Collections) — Knowledge Base אישי

Spaces הוא תכונה שמאפשרת ליצור סביבת עבודה ייעודית לפרויקט. בתוך Space אפשר להעלות קבצים (PDF, Word, CSV, טקסט), להגדיר הוראות מערכת קבועות, ולשמור היסטוריית שיחות. כל השיחות ב-Space חולקות את אותו ההקשר.

יצירת Space שימושי — שלב אחר שלב

Use Cases לSpaces

• Company Knowledge Base: העלה מסמכי HR, נהלים, ו-FAQ — עובדים שואלים ומקבלים תשובות מהחומר הפנימי
• Research Project: כל המאמרים, הנתונים וההערות במקום אחד — ניתוח משולב עם חיפוש עדכני
• Content Strategy: Brand voice, קהל יעד, מתחרים — כל שאלת תוכן עם ההקשר הנכון
• Legal Review: חוזים, תקנות, פסיקות — שאלות משפטיות עם הקשר הספציפי לענף
• שיתוף צוות: Spaces ניתנים לשיתוף עם חברי צוות ב-Pro — כולם עובדים עם אותו ידע בסיסי

Perplexity API — שילוב בקוד

ה-API של Perplexity תואם לפורמט של OpenAI — מה שאומר שניתן לשנות קוד קיים בשינוי מינימלי של שני פרמטרים: ה-base URL וה-model name. ה-API מאפשר גישה למודלי Sonar שבנויים לחיפוש ברשת בזמן אמת.

דוגמת קוד בסיסית — Python

from openai import OpenAI

client = OpenAI(
    api_key="pplx-...",          # ה-API key מ-perplexity.ai/settings
    base_url="https://api.perplexity.ai"
)

response = client.chat.completions.create(
    model="llama-3.1-sonar-large-128k-online",
    messages=[
        {
            "role": "system",
            "content": "ענה בעברית עם מקורות"
        },
        {
            "role": "user",
            "content": "מה הפיתוחים החדשים ב-AI השבוע?"
        }
    ]
)

print(response.choices[0].message.content)
print(response.citations)  # מקורות!

דוגמה מתקדמת — Streaming + Citations

from openai import OpenAI

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

# Streaming response — מציג טקסט בזמן אמת
with client.chat.completions.stream(
    model="sonar-large-online",
    messages=[
        {"role": "user", "content": "מה מצב שוק הנדל\"ן בישראל ב-2026?"}
    ]
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

# לאחר הסיום — קבלת citations
final = stream.get_final_completion()
if hasattr(final, 'citations'):
    print("\n\n--- מקורות ---")
    for i, url in enumerate(final.citations, 1):
        print(f"  [{i}] {url}")

המודלים הזמינים ב-API

10 מקרי שימוש מעשיים

Perplexity מצטיין בתרחישים שדורשים מידע עדכני, מאומת ועם מקורות. הנה 10 דרכים שיעשו לך חיים קלים יותר.

Perplexity vs ChatGPT Search vs Grok DeepSearch

שלושת כלי ה-AI Search המובילים כיום — כולם מחפשים ברשת בזמן אמת, אבל עם גישות שונות מהותית. הנה ההשוואה הכנה.

מתי לבחור כל כלי

• Perplexity: מחקר, fact-checking, שאלות אקדמיות, חיפוש עם דרישת citations ברמת משפט
• ChatGPT Search: כשרוצים שילוב חיפוש + כתיבה + קוד באותה שיחה; Projects עם memory
• Grok DeepSearch: חיפוש ב-X/Twitter, מי אמר מה ברשת החברתית, real-time social pulse

טיפים ותחכומים

שאלות Multi-Step

במקום שאלה ארוכה ומורכבת, חלק אותה לשלבים: שאל תחילה "מה הרקע של X?", קבל תשובה, ואז שאל "איך זה משפיע על Y?". ה-context נשמר בשיחה ותקבל ניתוח עמוק יותר מאשר שאלה אחת גדולה.

ציין טווח תאריכים

הוסף "from the last 3 months" או "published after January 2026" כדי לסנן תוצאות ישנות. Perplexity מכבד הנחיות זמן בצורה טובה יחסית.

בקש פורמט ספציפי

Perplexity מגיב טוב לבקשות פורמט: "as a comparison table", "in bullet points", "as a numbered list with pros and cons". שילוב עם Pro Search מניב דוחות מובנים שמוכנים כמעט לפרסום.

Academic Mode לשאלות רפואיות ומדעיות

בכל שאלה שדורשת evidence — שאל ב-Academic Mode. Perplexity יפנה למקורות מדעיים peer-reviewed ולא לבלוגים. תוצאה: תשובות אמינות יותר עם ציטוטים שניתן לעיין בהם.

Follow-up Questions — חקור לעומק

תמיד עיין ב-Related Questions שמוצגות בתחתית. Perplexity מזהה ממדים שלא ביקשת — לחיצה אחת מרחיבה את המחקר. שיחות טובות ב-Perplexity הן לרוב 5-10 שאלות קצרות, לא שאלה ארוכה אחת.

Export ושיתוף

כל תשובה ניתנת ל-Copy עם formats שונים (Markdown, plain text). Spaces ניתנים לשיתוף ב-Pro. Pages ניתנות לשיתוף כדף ציבורי. מצוין לשיתוף מחקר עם עמיתים.

4 פרויקטים מעשיים

# daily_brief.py
import requests, json

def get_daily_brief(topics=["AI", "cybersecurity", "startup"]):
    url = "https://api.perplexity.ai/chat/completions"
    headers = {"Authorization": "Bearer pplx-...", "Content-Type": "application/json"}

    query = f"תן לי 5 החדשות החשובות ביותר בנושאים {', '.join(topics)} מה-24 שעות האחרונות. עברית, bullet points."

    data = {
        "model": "sonar-large-online",
        "messages": [{"role": "user", "content": query}]
    }

    r = requests.post(url, headers=headers, json=data)
    return r.json()["choices"][0]["message"]["content"]

if __name__ == "__main__":
    brief = get_daily_brief()
    print(brief)
    # כאן הוסף שליחה ל-Slack/email

# research_report.py
from openai import OpenAI
from docx import Document  # pip install python-docx

def research_topic(query: str, output_file="report.docx"):
    client = OpenAI(api_key="pplx-...", base_url="https://api.perplexity.ai")

    response = client.chat.completions.create(
        model="sonar-huge-online",  # הכי עמוק
        messages=[
            {"role": "system", "content": "כתוב דוח מחקרי מפורט בעברית עם כותרות ותת-כותרות."},
            {"role": "user", "content": query}
        ]
    )

    content = response.choices[0].message.content
    citations = getattr(response, 'citations', [])

    # שמור ל-Word
    doc = Document()
    doc.add_heading(query, 0)
    doc.add_paragraph(content)

    if citations:
        doc.add_heading("מקורות", 1)
        for i, url in enumerate(citations, 1):
            doc.add_paragraph(f"[{i}] {url}")

    doc.save(output_file)
    print(f"Report saved: {output_file}")

# דוגמה
research_topic("מה הטרנדים ב-AI agents ב-2026?")

# competitor_monitor.py
from openai import OpenAI

COMPETITORS = ["מתחרה א", "מתחרה ב", "מתחרה ג"]

def check_competitor(name: str) -> dict:
    client = OpenAI(api_key="pplx-...", base_url="https://api.perplexity.ai")

    response = client.chat.completions.create(
        model="sonar-large-online",
        messages=[{
            "role": "user",
            "content": f"""בדוק מה חדש אצל {name} בשבוע האחרון:
            1. השקות מוצר חדשות
            2. שינויי תמחור
            3. שינויי צוות מנהלים
            4. מהלכים אסטרטגיים
            ענה בעברית, bullet points."""
        }]
    )

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

# הפעל על כל המתחרים
results = [check_competitor(c) for c in COMPETITORS]
for r in results:
    print(f"\n=== {r['name']} ===")
    print(r['update'])

# research_agent.py
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from openai import OpenAI

@tool
def perplexity_search(query: str) -> str:
    """חיפוש מידע עדכני ברשת עם ציטוטים. השתמש כשצריך מידע שמשתנה."""
    client = OpenAI(api_key="pplx-...", base_url="https://api.perplexity.ai")
    response = client.chat.completions.create(
        model="sonar-large-online",
        messages=[{"role": "user", "content": query}]
    )
    content = response.choices[0].message.content
    citations = getattr(response, 'citations', [])
    return f"{content}\n\nמקורות: {', '.join(citations[:3])}"

# LLM ראשי — Claude או GPT-4o
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# Agent עם Perplexity כ-tool
tools = [perplexity_search]
agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = executor.invoke({"input": "כתוב לי דוח על השוק הישראלי של SaaS ב-2026"})
print(result["output"])

גיליון עזר — Quick Reference

בחירת Focus Mode

תבניות שאלות יעילות

מודלי API — מתי להשתמש בכל אחד

• sonar-small-online — חיפוש בנפח גבוה, תשובות מהירות, עלות מינימלית ($0.20/1M tokens)
• sonar-large-online — sweet spot לרוב הצרכים ($1/1M tokens) — 127K context
• sonar-huge-online — ניתוח עמוק, מסמכים ארוכים ($5/1M tokens)
• sonar-reasoning — שאלות שדורשות חשיבה מרובת-שלבים + חיפוש ($5/1M tokens)

Pro Tips מהשטח

• תמיד ציין שפה: "ענה בעברית" — Perplexity ברירת המחדל שלו היא אנגלית
• Spaces עם System Prompt: הגדר פעם אחת — "אתה מנתח שוק, ענה בעברית" — ושלם פחות אנרגיה בכל שאלה
• לחץ על הציטוטים: תמיד אמת לפחות מקור אחד בכל תשובה קריטית
• Follow-up חכם: שאל "מה לא נאמר?" כדי לגלות ממדים שהאלגוריתם השמיט
• Pages לשיתוף: צור Page מהתשובה לשיתוף עם עמיתים — נראה מקצועי ומוכן