Perplexity AI Reseña y Análisis (2026)

Patrones de prompts que consiguen mejores respuestas

Perplexity responde a la pregunta que realmente escribiste, así que el techo de calidad lo pone el prompt, no el modelo. Estos cinco patrones —escritos directamente en el cuadro de búsqueda— convierten una respuesta genérica en un artefacto de investigación con fuentes. Todos funcionan en el plan gratuito; Pro Search simplemente los ejecuta con más profundidad.

1. La instrucción con fuentes acotadas

Prohíbe el relleno desde el principio y exige respaldo para todo:

Answer using only peer-reviewed papers and official documentation
published after 2024. List every source with its publication date.
If a claim has no source behind it, label it UNVERIFIED instead of
stating it as fact.

2. La matriz de comparación

Fuerza una tabla con criterios con nombre, y la respuesta se convierte en un documento para decidir en lugar de dos folletos:

Compare [TOOL A] and [TOOL B] for [YOUR USE CASE]. Return a table
with these columns: criterion, A, B, source. Criteria: pricing model,
limits on the free tier, API availability, data retention policy,
and export options. Cite a source for every cell that states a fact.

3. El límite de actualidad

La ventaja de Perplexity es la frescura, pero solo si acotas la ventana; si no, las noticias del año pasado rellenan la respuesta:

What changed in [TOPIC] in the last 30 days? Include only events
with a publication date inside that window, newest first, each with
a link. If nothing changed, say so plainly.

4. El abogado del diablo

Contrarresta el instinto del motor de estar de acuerdo con tu planteamiento asignándole la postura contraria:

Give the strongest evidence AGAINST the claim that [CLAIM].
Prioritize primary data and reputable reporting over opinion pieces,
and note explicitly where the evidence against the claim is thin.

5. El seguimiento en profundidad

Una primera respuesta es un mapa; el valor está un nivel más abajo. Continúa en el mismo hilo para que el contexto se conserve:

Take point 2 of your previous answer. Expand it with the underlying
numbers, the methodology behind them, the two strongest limitations
of that methodology, and what would change the conclusion.

6. La extracción estructurada

Cuando la respuesta alimenta una hoja de cálculo o un script, pide la forma directamente. Perplexity devolverá una salida estructurada y limpia que puedes pegar en un parser de JSON o en una tabla:

Extract every [PRODUCT / COMPANY / STUDY] mentioned in reporting
from the last 6 months. Return a JSON array of objects with keys:
name, date, claim, source_url. No prose outside the JSON.

Trata el resultado como cualquier dato extraído —verifica dos o tres valores de source_url contra lo que afirman—, pero las horas de reformateo manual desaparecen, y el patrón se combina con el inicio rápido de la API de más abajo para trabajos de extracción totalmente automáticos.

Inicio rápido con la API de Perplexity (Sonar)

Todo lo anterior también se ejecuta por código. La API de Perplexity expone los modelos Sonar a través de un endpoint de chat completions: envías mensajes y recibes una respuesta sintetizada y, a diferencia de la mayoría de las API de LLM, una lista de citas con las páginas que la respuesta utilizó. Necesitas una clave de API desde la página de configuración de Perplexity y la biblioteca requests:

import os

import requests

API_KEY = os.environ["PERPLEXITY_API_KEY"]

response = requests.post(
    "https://api.perplexity.ai/chat/completions",
    headers={
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
    },
    json={
        "model": "sonar",
        "messages": [
            {
                "role": "system",
                "content": "Be precise, and ground every claim in a source.",
            },
            {
                "role": "user",
                "content": "What changed in EU AI Act enforcement this year?",
            },
        ],
        # Optional: restrict sources to recent reporting
        "search_recency_filter": "month",
    },
    timeout=30,
)
response.raise_for_status()

data = response.json()
print(data["choices"][0]["message"]["content"])

# The part no plain LLM API gives you: where the answer came from
for i, url in enumerate(data.get("citations", []), start=1):
    print(f"[{i}] {url}")

Dos campos hacen el trabajo pesado: choices[0].message.content guarda la respuesta sintetizada en el formato de chat habitual, y citations enumera las URL de las fuentes en el orden en que la respuesta las referencia. Guarda ambos, para que cualquier pipeline automático conserve su pista de auditoría. El search_recency_filter opcional ("hour", "day", "week", "month", "year") aplica a nivel de API el límite de actualidad del patrón 3.

Tres flujos de investigación

Flujo 1: verifica un borrador antes de publicarlo

Pega las afirmaciones factuales del borrador —no el documento entero— en el patrón 1 y pide a Perplexity que verifique o refute cada una con fuentes. Trabaja la respuesta como una lista de comprobación: las afirmaciones confirmadas se quedan, las marcadas UNVERIFIED se reescriben o se eliminan, y las refutadas se corrigen con la fuente citada. Esta es la pasada de verificación que la revisión de arriba recomienda dentro de los pipelines con varios modelos, y suele detectar los dos modos de fallo de la escritura con LLM: la fecha plausible pero incorrecta y la estadística que era cierta hace tres versiones.

Flujo 2: compara productos para una decisión de compra

Empieza con el patrón 2 para construir la matriz y luego promueve a los dos finalistas a inmersiones individuales: una búsqueda con límite de actualidad para cada uno, sobre cambios de precios y problemas conocidos, leyendo la documentación del propio proveedor a través de las citas en lugar de artículos recopilatorios. Termina pidiendo a Perplexity que resuma el argumento más fuerte contra tu favorito actual (patrón 4). El entregable es la matriz más el caso en contra: un registro de decisión que tu equipo puede reabrir en seis meses y seguir considerando confiable.

Flujo 3: explora un espacio de literatura o documentación

Para un área técnica nueva, ejecuta el patrón 1 restringido a documentación oficial y artículos académicos, y luego usa Perplexity Pages para convertir la sesión en un informe compartible. Profundiza en las dos o tres fuentes primarias con el patrón 5 para extraer métodos y limitaciones, y mantén las citas adjuntas cuando el resumen viaje. La disciplina que hace que esto funcione es la misma del flujo 1: una afirmación sin fuente es una hipótesis, y el trabajo de Perplexity en tu stack es mantener ambas categorías visiblemente separadas.