Perplexity Computer实测：烧掉15000积分颗粒无收

一次昂贵的失败实验

近日，一位Reddit用户分享了他使用Perplexity Computer构建AI Agent的惨痛经历，引发了社区对这款自动化产品可靠性的广泛讨论。这位用户直言不讳地表示，他不会续订Perplexity的Max套餐——因为在这次实验中，他的账户从约15000积分被消耗到仅剩986积分，却没有得到任何可用的产出。

与之形成鲜明对比的是，ChatGPT和Claude在处理类似任务时表现轻松。这一案例为正在评估AI Agent工具的开发者和企业提供了极具参考价值的一手反馈。

Reddit原帖截图

Perplexity Computer看似完美的应用场景

Perplexity Computer是Perplexity AI于2025年推出的AI Agent产品，定位为"能操控计算机的AI助手"。它集成了浏览器自动化、代码执行、文件操作、图像生成等多种能力，试图提供一站式的复杂任务自动化解决方案。其商业模式基于积分制——Max订阅用户获得一定数量的月度积分，每次Agent操作会根据复杂度消耗不等的积分。这种设计意味着失败的尝试同样会产生真实的经济损失，而非仅仅浪费时间。

这位用户想要搭建的是一个相对直接但涉及多步骤的对外营销（outbound）工作流，具体包括三个环节：

工作流设计

第一步：使用Apify为目标品牌寻找相关的KOL（网红/影响者）
第二步：为可以送给该网红的礼物生成一张个性化的图片
第三步：使用Apollo找到品牌方的对接联系人，并起草一封邮件，内容大致是："嘿，我发现了这位你们目前还没合作的网红。这是我们可以送出的礼物概念，你觉得如何？"

关于Apify：Apify是一个网页抓取和自动化平台，允许开发者构建、运行和共享各种网络爬虫（在其平台上称为Actors）。在KOL营销场景中，Apify常被用来批量抓取社交媒体平台上的网红数据，包括粉丝数、互动率、内容主题等信息，从而帮助品牌方高效筛选合适的合作对象。这类工具的API调用通常涉及参数配置、异步任务管理和结果解析等多个环节，对调用方的准确性要求较高。

关于Apollo：Apollo.io是一个B2B销售情报和参与平台，拥有超过2.75亿联系人的数据库，能帮助销售团队找到目标公司的决策者联系方式（如邮箱、职位、电话等）。在对外营销工作流中，Apollo通常作为"最后一英里"工具，负责将前期调研的成果转化为可执行的触达动作——找到对的人，发送对的信息。

用户强调，虽然整体工作流听起来复杂，但每一个单独的步骤其实都相当简单。真正的痛点在于工具之间的衔接：ChatGPT没有原生的Apify MCP连接，而Claude虽然能通过MCP调用Apify，却无法生成所需的图片。

这里提到的MCP（Model Context Protocol，模型上下文协议）是Anthropic于2024年底推出的开放标准协议，旨在为AI模型提供连接外部数据源和工具的统一接口。它类似于AI世界的"USB接口"——通过标准化的协议，让AI助手能够安全地访问文件系统、数据库、API服务等外部资源，而无需为每种工具单独开发集成方案。Claude是最早原生支持MCP的AI助手之一，这使得它在工具调用和Agent构建方面具有显著优势。

正因为如此，集成了浏览器控制、多工具调用、研究、自动化和图像生成于一体的Perplexity Computer，看起来简直就是为这个场景量身定做的"完美桥梁"。用户坦言，这个用例"感觉就像是这款产品的广告"。

现实的残酷落差：三大致命缺陷

然而现实给了他当头一棒。在消耗掉超过14000个积分后，Perplexity Computer暴露出了一系列严重问题：

1. Apify调用反复失败

作为工作流的第一个关键环节，Perplexity Computer反复无法正确调用Apify，工具调用的失败直接导致整个流程无法推进。这类失败可能涉及多种原因：API参数格式错误、异步任务状态轮询不当、返回数据解析失败等。对于一个宣称具备"工具调用"能力的Agent平台而言，无法稳定完成最基础的第三方API交互，暴露出其工具集成层的脆弱性。

2. Agent误解工作流意图

Agent多次误读了任务的整体逻辑，做出了偏离预期的操作，用户不得不反复纠正。这反映出当前AI Agent在"任务规划"（task planning）层面的局限性——它们能理解单个指令，但在维护多步骤工作流的全局上下文、理解步骤间的依赖关系方面仍然不够成熟。

3. 图像生成质量堪忧

生成的图片要么质量低劣，要么与网红和品牌完全不相关，无法用于实际营销场景。

更令人沮丧的是，用户不断尝试纠正Agent的行为，但这些修正只是让它"烧掉更多积分"，却依然没有产生任何有用的东西。这种"越纠正越烧钱"的恶性循环，是当前许多AI Agent产品的通病。

低Token成本≠高性价比

这个案例最值得深思的一点，是它揭穿了一个营销话术的陷阱。

用户此前对Perplexity相当看好，很大程度上是因为官方宣布其Token成本相比ChatGPT下降了约80%。这在纸面上看起来极具吸引力。

但正如他一针见血地指出的：

"更低的Token成本没什么意义，如果Agent在失败的过程中消耗掉了数千积分的话。"

这是一个深刻的洞察，也触及了AI Agent经济学的核心议题。AI Agent经济学是一个新兴的分析框架，用于评估自主AI系统的实际商业价值。其核心指标不是传统的单次调用成本，而是"任务完成率×总消耗成本"的综合比率。当前行业面临的一个关键悖论是：Agent越自主（减少人工干预），出错时的纠正成本就越高；而越频繁地人工干预，又会削弱自动化本身的价值主张。学术界将这称为"Agent可靠性税"——不可靠的Agent不仅浪费计算资源，还消耗了用户最宝贵的注意力和时间。

对于AI Agent产品而言，衡量成本的真正标准不是单位Token价格，而是完成任务的总成本。一个单价便宜但需要反复重试、最终还失败的Agent，其实际成本可能远高于一个单价稍贵但能一次性完成任务的竞品。可靠性才是Agent经济学的核心指标。

最终解决方案：Claude + OpenAI API手动组合

颇具讽刺意味的是，用户最终跑通工作流的方式，恰恰是Perplexity Computer本应提供的"开箱即用"体验。

他的解决路径是：

从GitHub下载ChatGPT的图像生成skill
创建一个OpenAI开发者账户
充值20美元的API额度
将图像生成API的访问权限授予Claude（通过MCP协议）

经过这番手动配置后，Claude成功地承担起了整个工作流——通过MCP连接Apify处理网红搜索任务、调用OpenAI的图像生成API创建个性化礼物图片，并能规模化地运行完整的Agent。整个方案的架构本质上是以Claude作为"大脑"（负责推理、规划和协调），通过MCP协议将Apify和OpenAI API作为"手脚"（负责执行具体操作），形成了一个模块化、可控的Agent系统。

用户感慨道，他不得不"手动连接Claude和OpenAI，来创造出我原以为Perplexity Computer应该开箱即用提供的产品体验"。这句话点出了当前一体化Agent平台与"手动组合最佳工具"之间的核心矛盾：便利性承诺往往难以兑现，而经验丰富的开发者最终仍会回归到自己搭建工具链的老路。

这种现象在软件工程领域并不罕见——历史上，"一站式解决方案"（all-in-one）与"最佳组合"（best-of-breed）之间的博弈从未停止。从企业软件套件到微服务架构，行业反复证明：当各组件的可靠性存在显著差异时，模块化组合往往优于捆绑销售。AI Agent领域正在重演这一规律。

给AI Agent开发者的实用启示

虽然这只是单一用户的体验，需要谨慎看待其代表性，但其中蕴含的经验教训值得所有AI Agent的使用者关注：

不要被一体化宣传冲昏头脑：集成度高不代表每个环节都可靠，Agent在多步骤任务中的错误会累积放大。在概率论中，如果一个三步工作流每步成功率为80%，则整体成功率仅为51.2%——这就是所谓的"可靠性衰减"效应。
警惕"积分黑洞"：在正式投入大量积分前，建议用小规模任务测试Agent对核心工具（如本例中的Apify）的调用可靠性。设定明确的止损线——比如消耗超过预算的20%仍未看到正确输出时，立即停止并转换策略。
总成本思维：评估Agent产品时，关注的应是"完成任务的期望成本"，而非单位Token价格。期望成本的计算公式应为：单次尝试成本 ÷ 单次尝试成功率。
组合优于单一：在很多复杂场景下，用MCP和API手动组合Claude、OpenAI等成熟工具，反而比依赖某个"全能"平台更稳定、更可控。这种方法的额外好处是，当某个组件出问题时，你可以精确定位并替换它，而非面对一个不透明的黑箱束手无策。

文末，这位用户也向社区发出了灵魂拷问："有人真的用Perplexity Computer成功搭建过一个真正的多步骤工作流吗，还是说大家都遇到了同样的可靠性和积分消耗问题？"这个问题的答案，或许将决定Perplexity Computer这类产品能否真正赢得开发者的信任。