Tavily

这是什么

Tavily 是一种面向 AI 工作流的搜索与事实核查 API，可被 Raycast 等外壳工具调用，针对给定文本逐句返回可疑点、引用状态与潜在风险标签。在本文中，Tavily 充当"独立审计员"，与生成侧模型解耦，避免"自己审自己"。

在本文中的角色

• 通过 Raycast preset 对 Perplexity Labs 生成的反向学习报告做逐句审计。
• 标记的具体问题包括：
  • "7B 模型需要超过 18 万 GPU 小时"等量化数字缺少直接来源；
  • 引用格式不规范；
  • 部分链接疑似失效；
  • 部分论文需要机构登录才能访问；
  • Semantic Scholar 链接需进一步确认；
  • 学术论文、内部生成文件与图片等不同来源类型被混放在同一来源集合；
  • 一条文献标注了当时尚未到来的 2025 年 7 月会议日期。

适用场景

• 对一段研究文本、报告或长文做"具体异常点"标注，而不是笼统的总体评分。
• 与生成侧工具解耦，作为研究工作流中的独立审计步骤。

使用建议

• 要求返回"具体句子 + 具体数字 + 对应引用"的细粒度异常，而不是"可信 / 不可信"的总体结论。
• 把 Tavily 的异常标记视为"待复核项"而非"已下结论"——审计工具的异常可能是访问受限、内部资源、未来日期或真实缺失等多种情况，必须由人工裁决。

来源与限制

本文仅记录 Tavily 在"对学术报告做引用与数字审计"这一用法上的角色，工具的最新功能、配额、定价、API 变化不在来源覆盖范围内，需另行核验。

相关页面

• Raycast — 本文承载 Tavily preset 的外壳工具。
• Perplexity Labs — 本文 Tavily 所审计的对象。
• 生成—审计—人工裁决三段式工作流 — Tavily 在工作流中位于"审计"段。
• 引用核验五层分层方法 — 对 Tavily 异常标记进行人工裁决时使用的五层分层。
• SRC-LEARN-007：实测 Perplexity Labs：10分钟生成学术调研报告的全流程解析 — 本文作者使用 Tavily 的具体方式。