Perplexity vs Notebook LLM 都是content curation策展逻辑

但本质区别是在机器策展 + 人类策展的比例混合度

Perpelxity(人20%，机器80%)，先问题，后策展，主要来快速获得结果

- 触发机制：perplexity的触发一定是先问题/Query (question driven)

- 问题拆解：接着perplexity则是把自然语言变成queries for search engine，在搜索引擎实时获取结果与内容

- 内容筛选：基于perplexity的检索与排序算法，筛选出可信/高质量的网页作为信息源

- 结果精炼：通过AI从结果中提取最相关的段落与句子clips，组合多个网页内容的段落生成一个简洁与格式化的回答

- 内容呈现：主要以有格式化的text来呈现

以上除了问题以外，问题的拆解机制，内容的筛选，精炼和展示机制基本都由机器所决定，对使用者的要求并不算高

Notebook LLM(人80%，机器20%)，先策展，后提炼，获得更多启发，鼓励更多与内容的不断互动来获得更多内容的精华

- 触发机制：触发机制是由content driven(multiple content)，在这一步就由人框定了内容的范围与数量

- 问题拆解：有AI对内容理解之后，提供suggestion/inspiration，也就是去理解与提炼内容的角度，激发用户去思考与产生更多的问题来获得单个内容中，或者多个内容之间的价值

- 结果精炼：完全是由不同提问/query的角度来在所限制的内容范围中，不断获得不同的洞察角度（包含了单个内容和多个内容组合），这也是说的把一个内容吃透

- 内容呈现：除了文字以外，更有趣的是内容通过两人对话podcast方式，这增加了content consuming的方式，以及趣味性

以上更多的价值原来于用户本身，这包含了内容的选择与提供，提炼内容的多元化角度，对使用者本身的要求要高很多

虽然notebook这个产品总体看起来还更像一个半成品，一个content curation的playground，但确实给会玩的高阶用户释放了更大的空间，也可以作为早期想法的实验场，通过它来形成规则与模版。