近期，科技爱好者针对 Perplexity Pro Search 的搜索机制进行了深度测试与逆向分析，发现其最新版本的搜索流程变得更加“Agentic”（智能体化），省略了原有的规划步骤。为了解决由此带来的回答可能过于简略的问题，经过数十个版本的迭代，开发者成功“搓”出了一套能够显著提升搜索深度的自定义 System Prompt。
该提示词的核心逻辑在于强制模型进行更广泛的信息检索和深度的内容抓取。具体指令包括：对于简单问题也要基于意图扩展搜索范围；优先使用英文资料以确保信息广度，但在特定语境下启用中文检索；优先引用维基百科、学术期刊等权威信源。
尤为关键的是，该 Prompt 通过指令强制模型在生成最终回答之前，必须至少执行 5 次 `search_web` 调用和 3 次 `fetch_url` 调用。这种强制性的工具调用机制有效增加了模型的上下文窗口信息量，使其回答从原本的泛泛而谈转变为有理有据的深度解析。
实测显示，将该 Prompt 配合 Gemini 模型（特别是 Gemini-2.5-Pro）使用时，搜索过程的任务序列显著拉长，模型能够抓取并分析大量网页细节，最终输出的内容在深度和准确性上均大幅提升，效果接近甚至达到专门的 Research 模式。用户只需将特定指令段粘贴至输入框末尾即可启用这一优化方案。
事件分析
这种优化揭示了 AI 智能体从“对话式”向“执行式”演进的技术细节。通过约束模型必须进行多步推理（如逻辑驱动深挖、抚平认知差异）并结合强制性的外部信息获取，能够有效降低模型“一本正经胡说八道”的概率。这也说明，在基础模型能力尚未达到极致之前，针对特定任务构建专用的 System Prompt 和 Agentic Workflow（智能体工作流）是提升应用落地效果的最有效路径之一。尤其是结合 Gemini 等具备长上下文能力的模型，这种“Prompt+工具调用”的组合拳将成为提升 AI 搜索质量的标准范式。
核心观点：提示词工程不再是辅助，而是强制 AI 智能体通过深度检索实现“去伪存真”的关键控制层。
原文链接：Linux.do
