Perplexity AI：生成式搜索的颠覆者
刚刚成立满两年，Perplexity AI已经变成了我日常频繁使用的工具，甚至取代了我对 Google搜索的依赖 —— 而我并非个案。该公司仅凭不到 50 名员工，已经吸引了数千万用户。他们目前的年收入超过 2000 万美元，并且在与 Google 与 OpenAI 竞争搜索引擎的未来中显得尤为突出。他们近期的 6300 万美元融资活动使公司估值超过了 10 亿美元，得到了 Nvidia、Jeff Bezos 等众多投资者的青睐。就连Nvidia 的 CEO Jensen Huang 表示他“几乎每天都会使用这款产品”。
- 在人工智能和搜索技术的快速发展中，Perplexity AI 正在成为一个强大的新角色，它将对话式人工智能和网络搜索功能融为一体。
- Perplexity AI 是一个答案引擎，它使用大型语言模型来提供复杂问题的答案以及相关来源和引文。
- Perplexity AI 正在利用先进的人工智能重新定义在线搜索和搜索引擎优化，为谷歌提供个性化和透明的替代方案。
- 该公司的核心产品是由 OpenAI 的 GPT 3.5 和微软必应支持的搜索界面，提供带有验证引文的摘要答案。
- Perplexity AI 不仅仅是一个搜索引擎，它还是一个应用广泛的工具，横跨多个领域。它拥有强大的自然语言处理能力和最新信息。
- Perplexity AI 可为用户提供即时的问题解答、相关来源和引文以及上下文回复。它有利于学术研究、记者事实核查、内容营销和企业市场研究。
以下文章是基于与联合创始人兼产品负责人Johnny Ho深入访谈，他详细介绍了 Perplexity 如何打造 AI产品 —— 这可能预示着许多公司未来AI产品开发的方向：
以 AI 为先导： 从“如何推出产品？”开始，他们在每一个公司建设的步骤中都积极寻求 AI 的建议，员工在求助同事之前，首先向 AI 寻求答案。
组织灵活高效： 尽量通过并行工作方式来减少各部门间的协调成本。
小团队高效运作： 典型的团队规模为两到三人。他们评价极高的播客就是由一人独立负责的。
精简的管理层： 优先考虑自我驱动的独立贡献者，避免聘请那些主要通过指导他人来发挥作用的管理者。
对未来的洞察： 团队预见到，随着时间的推移，那些既懂技术又具备产品敏感度的项目经理或工程师，将成为公司中最具价值的资产。
1. 如何利用AI工具来构建Perplexity？
在公司成立初期，团队遇到了许多不熟悉的领域，例如产品管理、项目管理、财务和人力资源。幸运的是，GPT-3 的早期采用改变了公司的格局。在公司的发展过程中，经常向人工智能咨询有关定义和执行任务的见解。例如，向人工智能提出“X 是什么？”和“应该如何正确完成 X？”等问题，询问产品发布流程及其基本步骤。虽然人工智能提供的步骤是近似的，但对于像 Perplexity 这样的新兴企业来说，它们被证明足够有效。就像人类的反应一样，这些人工智能生成的答案通常需要通过反复试验来改进。因此，Perplexity 坚持不懈地努力迭代改进。
原本需要几天才能摸索清楚的事务，借助 AI 和恰当的引导，可以在五分钟内迅速开展。至今仍在采用这种方式。就这个星期向 Perplexity 提问：“我应该如何撰写一封邀请别人加入 Perplexity Pro 的邮件？”
Perplexity甚至尝试过利用 AI 来开发产品。然而，当事涉到编程时，现有的 AI 工具仍不够成熟。它能帮助团队撰写脚本，但若要创建一个稳定的平台，现有代码还远远不够。尽管技术不断进步，最新的模型也只是提供了一些模板，还不能用它来设计持久的新型抽象。
2. 由多少产品经理负责？
Perplexity公司有 50 名员工，目前只有两名专职产品经理掌舵。我们的项目通常只需要一两个人的小团队。即使对于最复杂的任务，团队人员也不会超过四个人。以播客为例：从最初的规划阶段到最终的执行，播客都由一个人单独策划。尽管这位多面手员工的职业是品牌设计师，但他在音频制作方面也非常出色，并付出了额外的努力来确保我们的播客吸引并吸引观众。令人惊讶的是，产品经理在整个过程中只扮演了次要角色。
对于需要复杂决策和深入参与的项目，Perplexity严重依赖产品经理。他们面临的主要挑战在于准确引导潜在的应用场景。在人工智能领域，前景充满着无数的可能性，产品经理有责任根据数据和用户洞察做出关键决策。其中一个难题是在提高生产力的应用程序和更具互动性的聊天机器人之间找到平衡。虽然公司最初选择优先考虑生产力，但围绕这一选择的争论仍在持续。
展望未来，Perplexity计划在明年再招聘一到两名产品经理。尽管如此，对候选人的标准仍然很严格。
3. PM招聘时最看重什么（可能别人不太注重的）？
Perplexity的成功很大程度上归功于优秀的招聘和保持极高的标准。鉴于AI快速的工作节奏，首先看重应变能力和主动性。在资源受限的情况下能够积极建设和承担多种职责的能力，对公司至关重要。
观察产品经理的简历，很多人将帮助他人和达成共识放在首位。随着人工智能（AI）的发展，这些能力的重要性将降低。因此，管理流程或领导团队的能力并不是首要考虑的。更看重那些能对用户产生显著影响的优秀个体贡献者，而不是仅限于他们所在公司的影响。如果简历中出现“敏捷专家”或“Scrum 主管”，可能并不适合Perplexity的需求。
此外，人工智能让产品经理能够进行更多的个人贡献，尤其是在数据分析和客户洞察方面。当然，基础的数学、统计学知识和编程能力依然是必需的，但成为一个真正具备技术背景的产品经理前所未有的容易。
Perplexity依然重视文化的匹配和合作的便捷性，但不再那么需要那些主导他人工作的人才，因为有了人工智能，这已经不是必需的了。随着公司规模的扩大，这种情况可能会改变，但在目前的规模下，需要开发的产品远多于可以参与的人手。
展望未来，整个行业的管理层会趋于精简。如果预测，具有技术背景且懂得产品美学的产品经理或工程师，将成为公司最宝贵的资产。
4. 团队什么原则来组建和调整？
Perplexity的团队是依据产品、用户类型、用户体验、成果，还是其他关键原则来组建的？Perplexity目标是尽量减少团队协调上的阻碍，这个概念来源于 Alex Komoroske 在 他的黏菌组织演示文稿中的描述。基本思想是，随着规模的扩大，不确定性和意见分歧导致的协调成本会增加，而简单增加管理层并不能有效解决问题。团队成员的目标可能会出现错位，他们可能会对上级不真实汇报，而上级也可能向更高层的管理者误报。若要与组织中其他部分的人交流，往往需要通过多层级的沟通。
更理想的方式是保持团队对总体目标的一致认识，并通过共享可重用的指导手册和流程，使不同项目能并行推进。特别是在 AI 技术的帮助下，团队可以通过利用 AI 进行“橡皮鸭调试”，即用 AI 帮助梳理和验证想法，从而减少对完美一致性和全面共识的依赖，有效降低协调成本。团队还会在内部文档中持续更新团队成员的联系信息，以便在需要时可以直接联系相关人员，这依赖于高度的相互信任。
更为重要的是，有了 AI 的辅助，团队无需频繁进行人与人之间的直接沟通。在向他人提问之前，你或许可以先让 AI 花一分钟时间帮助降低沟通成本，为每个人自行解决问题提供一个合理的出发点。
5. 如何做产品策略规划的？
Perplexity 成立才两年，AI 领域的迅猛变化让团队难以做出超过这个时限的承诺。公司会制定季度计划，在每个季度内，努力维持产品路线图的稳定性。这个路线图既包括所有人都知道的几个大项目，也包括随优先级调整而变动的小任务。在 AI 快速发展带来不可预知的影响时，保持敏捷至关重要。例如，开源模型和上下文长度的快速发展，已经对我们的产品、路线图和整体业务产生了深远的影响。最近，Meta 推出了 Llama 3，Mistral 推出了 8x22B 模型，团队正在探索如何创新地利用这些模型。
项目的灵活调整非常必要，因为新产品开发需要与技术和模型的开发同时推进。工程师们根据具体的周计划，在维护现有产品和开发新产品之间切换。随着我们不断遇到现有系统的局限和技术债务的积累，技术路线图的发展速度很快，我们努力优先解决那些能够带来产品改进的技术债务。
然而，在一周的时间里，计划基本稳定。团队会在每周的项目启动会上设定该周的高层目标。并采取了设定 75% 的周目标的策略，即每个人确定一周的首要任务，并争取在周末之前完成这些任务的 75%。这样做只需几个关键点，确保一周内优先级明确。
在一周的开始，花时间回顾关键任务，有助于提升决策的清晰度，避免做出过于冲动或混乱的决策。随着时间的推移，我们在估算项目规模和按投资回报进行优先级排序方面的能力也得到了提升。
6. 采用OKR目标管理方法？
Perplexity在季度计划中力求严格并依赖数据驱动决策。所有的目标都能具体衡量，不管是通过量化的指标还是简单的“是否完成了 X 任务”来确定。公司往往设定极具挑战性的目标，通常到季末，可能只完成了大约 70% 的目标。未完成的 30% 有助于管理层发现在优先级设定和人员配置上的不足。例如，如果基础设施目标没有达成，那么在基础设施工程师的招聘上的不足就会迅速显现。
7. 产品/设计评审会议如何开展？
在确定主要目标并制定总体设计策略后，Perplexity团队努力在可行的情况下纳入分散决策。直接负责人 (DRI) 负责每个项目，并尽可能同时推进任务。
启动一个项目需要将其分解为多个同时进行的任务，以简化协调挑战。这个初步阶段是我和 Linear 平台上的产品经理（或同等团队成员）之间的协作努力。重点是自主完成每项任务 – 能够不受阻碍地执行任务。虽然可能会出现有争议的决定，但解决争议可以推迟。
在项目开始时，团队会召开简短的启动会议，以协调想法，之后迭代过程将异步展开，不受约束或审核瓶颈的影响。团队成员在准备好接受反馈时会在 Slack 上分享他们的设计、实现或最终产品，其他团队成员则会提供坦诚和建设性的意见。迭代会根据需求有机地进行，直到产品在上市前通过内部试用在团队中获得广泛认可。
Perplexity提倡团队成员并行工作，敦促他们不要等待其他人消除障碍。理想情况下，设计、前端和后端任务应在同一个项目中同时处理。随着业务团队的加入，四个人可以同时协同工作，而不是像以前那样等待设计或原型的顺序方法。
8. 组织汇报关系是怎样运作的？
在 Perplexity，团队根据其职能（例如产品、研发、设计和业务）进行组织，每个团队都从独特的角度看待公司的结构和使命。尽管存在这些差异，但主要重点仍然是增强核心产品。团队通过设定目标来协调他们的努力，这些目标转化为旨在普遍增强用户体验的总体指标。这些关键指标在各个团队层级的 A/B 测试期间充当共同基础。为了适应产品发展的快节奏性质，我们努力保持一个没有内部政治的工作环境，以防止个人过度依赖特定的产品方面。
鉴于公司目前的规模，特意保持扁平的组织结构，强调致力于实现高层目标，而不是严格的层级报告线。两位专职产品经理（一位负责Web产品，另一位负责移动产品）直接向我（产品负责人）汇报。经验表明，在没有产品经理的情况下，团队成员会自然而然地承担起产品管理责任，调整项目范围，做出以用户为中心的决策，并依靠自己的专业知识。
9. 哪些关键因素促成了产品成功？
Perplexity 在创造备受追捧和繁荣的产品方面表现出色。公司产品方法中的哪些独特元素或主要考虑因素推动了这一成功？公司战略的核心是收集用户和内部意见，将其整合成少数几个迎合不同客户群的用户友好型产品。此外，我们简化了反馈以激励和启发团队。通过建立广阔的愿景并授权团队成员行使与原始目标一致的自由裁量权，我们建立了一个分散的决策模型，将责任委托给个人，促进快速迭代而无需批准。个人被委托根据具体情况迅速有效地做出决定，迅速纠正可能出现的任何不一致之处。
10. 使用哪些工具来任务管理和缺陷跟踪？
Perplexity 团队使用 Linear。在 AI 产品开发中，任务、缺陷和项目的界限往往不甚明确。Linear 中的一些概念，比如线索 (Leads)、紧急处理 (Triage)、项目规模评估 (Sizing) 等，都显得格外重要。团队特别喜欢的一个功能是自动归档：如果一个任务很久都没被提到，那么它可能真的不那么重要。
而 Notion 则是存放诸如产品规划和里程碑计划等核心资料的主要工具。开发过程中，团队依靠 Notion 来撰写设计文档和 RFC，项目完成后则用来整理文档、进行事后分析及保留历史记录。把思考过程形式化为文档，有助于我们做出更清晰的决策，同时减少会议，提高异步工作的效率。
最近还引入了 Unwrap.ai 这一工具，用以整合、记录并量化定性反馈。由于 AI 的特性，许多问题不总是可以明确地定义为缺陷。Unwrap 将零散的反馈汇总成具体的改进主题和领域。
11. 产品计划中的想法主要是自上而下还是自下而上的？
虽然高层的目标和方向是由上而下（团队被告知需要做什么）制定的，但许多新的想法却是自下而上（团队通常自发提出想法）中产生的。公司非常认同工程和设计团队应对其想法和细节拥有主导权，特别是在 AI 项目中，因为在具体实现前，很多约束条件都是未知的。团队始终在积极地进行头脑风暴，在 Slack 中专门设有一个讨论频道，相关的想法会在 Linear 中记录，而且很多时候，新的改进会直接编入代码，无需过多讨论。
例如，公司的 Perplexity 品牌的“发现、收集和分享”体验，就是优秀的自发想法实例。就像我之前分享的，品牌设计师 Phi 不仅创建了《发现日常》播客，同时还在剧本、ElevenLabs 的集成、品牌形象和音频技术上做出了决策。对于 AI 产品来说，只有在多次迭代后，才能开始预测可能的使用场景。就如一年前，无法预见到“发现体验”最终会演变为一个播客节目。
12. 哪些方面存在问题或重大挑战？
当外人审视Perplexity组织时，似乎已经掌握了完美无缺的艺术。Perplexity 目前面临的主要障碍是如何从我们目前的地位过渡到下一个梯队，这一过程涵盖招聘以及运营和战略管理的各个方面。维护公司在工作场所促进平等和团队合作的基本原则仍然是公司的首要任务。即使是看似简单的选择，例如优化 Slack 和 Linear 的设置，也会随着我们的成长而变得错综复杂。公司正在努力探索增强沟通平台和计划的途径，同时坚持开放性并管理大量警报。
13. 哪些有趣或独特的习俗或传统？
Perplexity AI的许多功能和产品都是在为期一周（或更短）的黑客松中开发出来的。这些密集的开发冲刺不仅极富挑战性，也常常成为最激动人心和难忘的经历。公司的第一个交互式搜索原型“Pro Search”（原名 Copilot），虽然只用了几天就初步构建出来，但随后经过多次迭代和细致调优，性能不断提升。
