🧐 Подключаем Perplexity к Гугл Таблицам

В отличии от Bard это платный вариант, но он того стоит. Как никто, Perplexity.ai умеет собирать в интернете, анализировать и обобщать информацию. Правда пишет несколько корявым языком, но это простительно (авось не эстеты и далеко не лингвисты), не за это ценим.

Платная версия стоит$20 в месяц + нужно положить денюжку на доступ к API. К примеру, заведенные $50 никак не потратим, хотя уже счет запросов уже десятками тысяч (там разные модели стоят по разному).

Итак, прикупаем доступ (получаете $5 на API), берем в админке секретный ключ (он же ключ API) и идем опять в Гугл Таблицы, где опять лезем в скрипты. Теперь вставляем туда вот такой код:

const SECRET_KEY = "pplx-ваш-ключ-API";
const MAX_TOKENS = 256; // кол-во возвращаемых токенов (больше-дороже)
const TEMPERATURE = 0.2; // температура от 0 до 1 (чем выше - тем больше выдумок)
// здесь список всех моделей которые я нашел
//pplx-7b-chat, pplx-70b-chat, pplx-7b-online, pplx-70b-online
//llama-2-70b-chat, codellama-34b-instruct, codellama-70b-instruct, mistral-7b-instruct, and mixtral-8x7b-instruct.
// llama-3-sonar-small-32k-chat
// llama-3-sonar-small-32k-online
// llama-3-sonar-large-32k-chat 
// llama-3-sonar-large-32k-online 
// llama-3-8b-instruct 
// llama-3-70b-instruct 
// mixtral-8x7b-instruct

function pplx(prompt, temperature = TEMPERATURE, model = "pplx-70b-chat") {
 
// Set API endpoint
  const url = "https://api.perplexity.ai/chat/completions";
   const payload = {
     model: model,
     messages: [
       { role: "system", content: "System prompt goes here." }, // Set system prompt.
       { role: "user", content: prompt },
     ],
     temperature: temperature,
     max_tokens: MAX_TOKENS,
   };
   const options = {
     contentType: "application/json",
     headers: { Authorization: "Bearer " + SECRET_KEY },
     payload: JSON.stringify(payload),
   };
  const res = JSON.parse(UrlFetchApp.fetch(url, options).getContentText());

// Now, return the response
return res.choices[0].message.content.trim(); 

}

Сохраняем и идем опять в Гугл таблицы.

У нас теперь доступна функция =PPLX (Prompt, Temperatura, Model)

В качестве аргументов задаем промпт (или ссылку на ячейку с ним), температуру и названием модели.

Список всех моделей, что я нашел - см в коде скрипта.

Ограничения API от веб версии:

1. нельзя подключить Клавдию или ЧатГПТ. Переписка с поддержкой показала, что юзаем только модели встроенные в Перплексити.

2. Обратите внимание, сколько запросов ПРО версия делает для поиска информации в веб версии - десятки! Потому ответы у них так хороши. Потому или разбивайте промпты на цепочки с обработкой промежуточных результатов или переделывайте логику промпта.

Долго плевался, но после недели мучений - научился добиваться супер результатов.

3. Разные модели (не факт что нашел все) кушают разное кол-во токенов. И ответы будут стоит по разному.

4. Себе сделал 3 функции, условно говоря pplx256, pplx1024, pplx2048, где прописал руками переменную

max_tokens

прямо в функции. Не стал делать 4-ю передаваемую переменную.

В общем развлекайтесь, оно того стоит. Крайне полезный и могущественный инструмент вышел.

#DrMax #SEO #Perplexity #GoogleSheets

🤫 Как Perplexity выбирает источники

Продолжаем разбор принципов работы LLM. Давайте рассмотрим исследование от того же автора, который разбирал внутренние запросы ChatGPT (я писал про это раньше).

Главное отличие от ChatGPT заключается в наличии у Perplexity хитрого классификатора на 16 разделов. Каждый раздел - это отдельный виджет-кандидат: карты, шоппинг, видео, финансовая карточка, погода со своей вероятностью и порогом срабатывания (для карт нужно превысить 0,85, для шоппинга 0,80, для видео 0,50, для картинок 0,42, для погоды 0,40 и т.д.)

Напомню, у ChatGPT есть режим, когда ответ выдаётся из памяти (выборки из обучения) и интернет вообще не используется для ответа. Perplexity для любого запроса лезет в интернет.

Кроме того, с июля у Perplexity появился отдельный признак доверия к домену. Источник может нести пометку credible или trusted с текстовым описанием, в чём конкретно домен считается первоисточником.

Например, caranddriver.com признан источником для "давно устоявшегося, профессионально отредактированного" автомобильного контента". Goodyear.eu получил флаг trusted для собственных данных о продукции. Это поле пропадало и появлялось между сборками Perplexity, поэтому относиться к нему стоит как к системе, которую всё ещё выкатывают, а не как к устоявшемуся API.

Как Perplexity формирует цитату

Retrieved и cited имеют разные списки, и попадание в выдачу не гарантирует цитирование. Для сравнительных запросов вроде "Ahrefs vs Semrush" самым цитируемым источником оказалась страница Ahrefs с этим сравнением (18 упоминаний). Известный обзор от Backlinko и тред на Reddit были найдены, но не процитированы ни разу. Для запроса про свежий алгоритм Google процитированы были только страницы самого Google, а статья с Search Engine Land трёхдневной свежести осталась без единой цитаты.

Интересно, что в ЧатГПТ Reddit цитируется активно, а YouTube почти никогда, потому что модель получает метаданные видео без транскрипта. В Perplexity YouTube имеет преференции. Например, Ютуб был процитирован 38 раз на запросе про наушники, а три темы из Reddit из той же выдачи не процитированы совсем.

С локальными запросами используется похожая логика, только с привязкой к картам. Тестовый запрос про "Кофейня рядом с DIFC в Дубае" запустила отдельный цикл поиска через карты, и все пять цитат ушли карточкам конкретных заведений. Десять редакционных подборок "лучшие кофейни Дубая" не получили ни одной цитаты. Когда карточка места не используются, цитаты откатываются на подборки (запасной вариант).

Важно, что режим Deep Research читает не сниппет, а полный текст двух-четырёх страниц целиком. В одном замере единственная статья забрала 20 из 30, так как модель полностью прочитала страницу.

Тестируем Перплексити так:

1. Откройте perplexity.ai, откройте консоль DevTools в Хроме

2. Скопипастите перехватчик fetch до отправки запроса (скрипт автор выложил в статье, раздел Run it yourself)

3. Задайте коммерческий запрос по своей нише и посмотрите поле classifier_results.mhe_predictions_full в ответе.

Так видно, какой виджет получил перевес по вероятности для вашего запроса, ещё до готового ответа.


Как использовать:

1. Определите, какой раздел классификатора запускают ваши запросы.

2. Для запросов "X vs Y" публикуйте собственную страницу сравнения с каждым значимым конкурентом отдельно, не одну общую. Страница вендора выигрывает такую цитату у сторонних обзоров.

3. Для коммерческих "лучшие X 2026" пихайте себя в свежие, датированные текущим годом подборки. Размер бренда тут не решает, решает актуальность подборки.

4. Заведите страницу с датированными обновлениями о своём продукте. Для новостных запросов цитируются только первоисточники, и такая страница даёт вам этот статус для новостей о себе самих.

5. Для инструкций и товаров делайте видео.

6. Для локальных запросов заводите и обновляйте карточку в Google Business Profile с точными категориями, а свежую подборку в двух-трёх городских изданиях держите как запасной слой на случай, если карточка места не привяжется.


Несколько дополнительных выводов:

Раз Deep Research читает страницу целиком одним запросом, а не рендерит её как браузер, проверьте свою страницу с отключённым JavaScript. Если контент подгружается только через скролл или отложенный рендер, полный текст может не прочитаться моделью.

Раз trust-поле описывает домен словами вроде credible for конкретной темы, попробуйте ввести такую формулировку в текст страницы о себе: не "мы лидер рынка", а "источник первичной информации о тарифах и условиях [вашей категории]". Поскольку модель уже думает такими формулировками, возможно, ей легче будет зацепиться за текст, написанный в той же логике.


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GEO #Perplexity