鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

Perplexity Comet浏览器,拉开了AI流量入口战的序幕

编程导航
编程导航
2025-07-23 12:30
阅读 94
编程导航
2025-07-23 12:30
阅读 94

文 | 阿尔法公社,作者 | 许四清(阿尔法公社创始人)

任何入口,都是兵家必争之地,线下线上,互联网、移动互联网是这样。AI也不例外。

AI搜索公司Perlexity推出Comet浏览器,正面冲击传统搜索之王Google

AI新秀Perplexity自一开始就用AI能力挑战Google,成为“AI搜索之选”。

推出伊始,Perplexity就这样定位自己:给任何问题以准确、可信、实时答案的免费AI问答引擎。不仅技术好,产品创新也很强。

但这个引擎要从浏览器里打开,Google Chrome占了66%的市场份额,虎口夺食,还是有那么点间接。别人的浏览器,难以直接AI化。

来源:Browser Stack

趁着Google面对Open AI、Meta的AI竞争应接不暇,Perplexity二话不说,推出了Comet浏览器,“以思维的速度浏览”,把浏览器赋予了AI能力。

与其说Perplexity想摆脱对Google浏览器的依赖,不如说再造了一个AI入口,除了像浏览器,简直就是一个AI大杀器,直捣命门,争夺流量入口。

不符合潮流的,就应该被革命,这是工业进步的规律。

Comet功能强大(浏览、搜索、购物、行程安排等功能简单又齐备)、专业性强(研究、项目管理等都胜任)、个性化(适应你的生活或工作方式,比你自己还了解你)。

它不再是简单的工具,而是智能随身——你可以让它“总结一下我关注最多的前5大美股最近一年的表现”,“把我上次在油管儿上看的拓竹3D打印机教程综述一下”,“告诉我本周的时间表,把那两个大厂创业者的的事儿优先安排”,林林总总,让你为所欲为,再也不用在一堆貌似有用的结果里做二次搜索。

技术创新如Perplexity,彻底颠覆了人们对“浏览器、搜索”的认知。

历史镜像——中国市场的预装启示

能预装,就有流量;有流量,就有后向收入,无论是电商、旅游还是搜索,浏览器都能分一杯羹,这就是预装的商业逻辑。

本人曾经亲历了中国无线互联网的预装(OEM)大战,还主导了产品驱动替代交费安装的做法。

2012年起,中国,预装之争狼烟四起。UC浏览器一马当先,当OPPO/Vivo预装逆袭Chrome时,谷歌可能第一次意识到OEM渠道的“核弹威力”。

UC靠一款浏览器,在大厂的夹缝里杀出一条血路,年收入数十亿,后被阿里收购,创始人就是大名鼎鼎的何小鹏。UCWeb被收购,何小鹏出去做车,阿里留住了俞永福,这个收购值了,这是后话。

预装开始没多久,腾讯、奇虎360等大厂见状一拥而上,浏览器、各种App一起装,中国成了全球最拥挤的市场。

腾讯曾经一个安装包向OEM付10元以上的安装费,QQ、浏览器、安全宝打包一起上。彼时流量费高,还是靠同步线安装的年代,奇虎360凭借92%的PC占有率,和愤怒的小鸟合作,凭借手机助手从电脑里一键安装,借浏览器还顺势推出了自己的搜索业务。

浏览器是小产品、大生意。

中国手机厂商的多元化,给了预装比海外更多的机会,手机端有华为、小米、OPPO、Vivo、荣耀多个玩家,不像海外几乎是苹果、三星的天下。“此处不装爷,自有装爷处”。从价值合作、付费预装到收入分成,无奇不有。

手机厂商很快就明白了,直接上自己的浏览器和App。小米产品力强,不仅浏览器,而且还上了MIUI,直接争夺手机首屏,发展到后来的“快用联盟”,跨越手机大厂,直取后宫。到此时,预装告一段落。

我们最近投资的光帆科技,创始人就是MIUI和快用的GM,见面即握手。

当时移动运营商也进来分了一杯羹,只是定制机很快失去了市场。

靠垄断、不创新,没有出路。

产品驱动的模式之争,是那一场预装战的特点。

让浏览器有AI,大厂真的做不到吗?

创新,不仅要靠技术,更是一场快鱼吃慢鱼的游戏。

Google的AI技术不用说,Gemini一直在业界跻身前列,我抱着试试看的心态,测一下Chrome的智商,结果不出意料——放着浏览器这么方便的流量入口,非要去Gemini,才可能用到AI。

为了避免冤枉“好人”,我把Chrome升级到最新版本,做了同样的询问,结果如下:

还是我那句常说的话,自然界效率最低下的,就是人的组织机构。大厂尤其如此。

大厂最大的特点,就是明摆着的好事,真的做不到!

给Chrome测智商,刚好打开油管儿听Elon Musk介绍Grok4, 禁不住想——这老兄什么时候出手?

呼唤中国创业者

AI带来的,是一场颠覆。不用打破旧世界,新世界带着风呼啸而来。几十年一遇。

AI浏览器,在中国有比美国更好的市场条件——虽然生态复杂,但硬件市场份额分散。大洋彼岸有人出手了,我们呢?我们的创业者呢?

浏览器只是一个产品,预装很初级,还有更多玩法。

AI,中国具备相当实力,虽然差一点点,出个好产品足够了。再不济,包个壳儿不丢人,谁让大厂那么木讷呢。

创新,应该是中国产品经理的强项。这一点已经反复被证明过了。

AI的进步一日千里,机会不容浪费。

新时代,技术加产品创新是王道。

在此呼吁优秀创业者,一起来迎接这个新时代。

 

原文链接: Perplexity Comet浏览器,拉开了AI流量入口战的序幕
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230