Perplexity隐藏设置:如何关闭Projects中Computer默认模式

一个容易被忽略的Perplexity设置
对于长期使用 Perplexity 的用户来说,Projects(项目空间)功能已经成为组织研究、集中管理对话上下文的核心工具。Projects 是 Perplexity Pro 用户可用的高级功能,允许用户围绕特定主题或任务创建独立的工作空间。每个 Project 可以设定自定义的系统指令(System Prompt)、上传参考文件、指定 AI 模型,并将相关对话集中归档——这种设计将 AI 对话从零散的单次问答升级为有组织的持续研究流程。
从技术角度看,这一功能的设计借鉴了知识管理系统和对话式AI的最佳实践。系统指令(System Prompt)本质上是预置在每轮对话开头的隐藏指令,它告诉AI应以何种角色、风格和约束来回应用户——这一概念源自 OpenAI 在 GPT 系列模型中推广的提示工程范式,现已成为几乎所有商用 LLM 平台的标准功能。而上传参考文件的能力则利用了检索增强生成(RAG, Retrieval-Augmented Generation)技术:系统将用户文档切片、向量化后存入索引,在每次对话时检索相关片段注入上下文,使 AI 的回答能够基于用户的私有知识库,而非仅依赖模型的训练数据。这意味着你上传的研究论文、会议纪要或产品文档,都能成为 AI 回答时的优先参考来源。
然而,最近有 Reddit 用户在社区中分享了一个此前鲜为人知的设置项:你可以在每个 Project/Space 中关闭「Default to Computer」(默认使用 Computer 模式)这一选项。
这看似是一个不起眼的开关,却困扰了不少依赖 Perplexity 进行日常查询和研究的用户。因为 Computer 模式默认开启,意味着每次进入项目发起提问时,系统都会自动进入这一模式,而并非所有场景都需要它。

如何关闭Perplexity的Computer默认模式
详细操作步骤
根据该用户的实测,关闭这一默认行为的路径非常直接:
- 进入 Projects(项目空间)
- 点击 Settings(设置)
- 滚动到页面底部,找到 Computer 相关区域
- 将 「Default to Computer」 开关关闭即可
你可能没注意到,这个设置目前主要在 Comet 浏览器 和 Perplexity Windows 桌面应用 中可见。Comet 是 Perplexity 于 2025 年推出的自研 AI 浏览器,将 Perplexity 的 AI 搜索能力深度整合到浏览体验中,用户可以在浏览网页的同时直接调用 AI 进行内容分析、摘要和问答。Comet 的核心卖点之一是其 Agent 能力——AI 可以代替用户在网页上执行操作,如填写表单、比价购物、预订服务等,这也解释了为什么 Computer 模式的设置在 Comet 中更为突出。
Comet 浏览器的推出标志着 Perplexity 从单一 AI 搜索引擎向 AI 原生浏览平台的战略转型。这一举措与 Arc 浏览器、Google Chrome 整合 Gemini 等行业趋势一脉相承,反映了科技行业对「浏览器即 AI 入口」的共识。传统浏览器的核心是渲染引擎和标签管理,而 AI 原生浏览器则将大语言模型作为一等公民嵌入浏览流程。Comet 的 Agent 能力依赖于对网页 DOM 结构的实时解析和操作注入,这需要浏览器层面的深度集成——这也是为什么这些高级功能无法轻易移植到移动端 App 中,因为移动操作系统(iOS 和 Android)对应用间交互和浏览器自动化施加了更严格的沙箱限制和权限管控。
发帖用户明确表示,他在 Perplexity 移动端 并没有找到这一选项。这意味着如果你主要使用手机 App,可能暂时无法进行这项配置,需要借助桌面端或 Comet 来完成设置。
每个项目空间需单独设置
一个略显繁琐的地方在于:这个开关是 按项目(per-Space) 生效的,而非全局配置。也就是说,如果你创建了多个 Project,每一个都需要手动关闭 Computer 默认模式。对于管理大量项目的重度用户来说,这确实是一个需要重复操作的痛点。
这种按项目配置而非全局配置的设计模式在软件工程中很常见,它反映了灵活性与便捷性之间的权衡。按项目配置的优势在于用户可以为不同场景定制不同行为——例如代码开发项目可能确实需要 Computer 模式的自动化能力,而日常知识检索项目则不需要。但其缺点是当项目数量增多时,管理成本线性增长。更理想的方案通常是提供「全局默认值 + 项目级覆盖」的双层配置架构,类似于 Git 的全局配置(.gitconfig)与仓库级配置的关系——既能满足批量设置的需求,又保留逐项目微调的灵活性。
正如原帖作者所言:「虽然默认开启 Computer 模式、还得在每个空间手动关闭这件事挺烦人的,但至少我们现在有了这个选项。」
为什么这个设置值得关注
Computer模式的定位与适用场景
Perplexity 的 Computer 模式是一种 Agent 执行模式,其设计灵感部分来源于 Anthropic 推出的 Computer Use 功能。在这种模式下,AI 不仅仅返回文本回答,还具备在用户计算机或浏览器环境中执行实际操作的能力。这可能包括打开网页、点击按钮、提取数据、跨多个网站比较信息等多步骤任务。该模式的技术基础是 AI Agent 框架——系统将用户的自然语言指令分解为一系列可执行步骤,然后通过 API 或模拟操作逐步完成。
深入来看,这一技术栈远比简单的聊天机器人复杂。典型的 Agent 架构包含三个核心模块:规划器(Planner)负责将用户的高层指令分解为原子操作序列;执行器(Executor)通过浏览器自动化框架(如 Playwright 或 Puppeteer)模拟人类在网页上的交互行为;观察器(Observer)则通过截图理解或 DOM 解析来验证每步操作的结果,并据此决定下一步动作。Anthropic 的 Computer Use 功能在 2024 年首次向外界展示了 LLM 直接操控计算机界面的能力,其核心创新在于让模型能够理解屏幕截图并输出精确的鼠标坐标和键盘指令。这种能力的计算开销显著高于纯文本生成——每一步操作都需要视觉理解、决策推理和动作生成的完整循环,延迟通常是普通文本回答的数倍甚至数十倍。
理解了这一技术背景,就不难理解为什么 Computer 模式不应成为所有场景的默认选项。对于大量以「快速检索答案」为主要诉求的用户而言,默认进入这一模式反而会增加不必要的处理开销和响应延迟,甚至改变预期的回答形式。简单的事实查询被路由到 Agent 执行流程中,不仅浪费了计算资源,也让用户体验变得不够直接。
换句话说,默认开启并非对所有用户都友好。这背后涉及产品设计领域一个经典的 UX 决策难题——「默认效应」(Default Effect)。研究表明,绝大多数用户(通常超过 90%)不会主动更改默认设置,这意味着产品团队选择的默认值实际上决定了大多数用户的使用方式。这一现象有着深厚的行为经济学和认知科学基础:诺贝尔经济学奖得主 Daniel Kahneman 和 Amos Tversky 的研究表明,人类决策存在强烈的「现状偏差」(Status Quo Bias)——改变现状需要付出认知努力,而维持默认选项则不需要。在著名的器官捐献研究中,采用「默认同意」政策的国家捐献率高达 90% 以上,而「默认不同意」的国家则低于 20%,充分说明了默认值对行为的巨大塑造力。
科技公司通常面临两种策略:一是「渐进式披露」(Progressive Disclosure),默认提供简单模式,让高级用户主动开启复杂功能;二是「全能默认」(Power Default),默认开启最强大的功能,假设用户会受益于完整能力。Perplexity 显然选择了后者,但这种策略的风险在于可能让轻量级用户感到困惑或不满。在软件产品设计中,默认效应的伦理维度也值得关注——当默认设置倾向于消耗更多计算资源或改变用户预期的交互模式时,就涉及到「暗模式」(Dark Pattern)的边界讨论。产品在追求功能强大的同时,往往会以「默认最全能」为设计取向,但这未必符合每一位用户的高频使用习惯。这类默认设置的合理性,也是产品体验设计中长期存在的取舍问题。
用户社区的发现价值
这条帖子本身也体现了活跃用户社区的意义。许多 AI 产品的设置项藏得较深,官方文档未必第一时间覆盖到位。像本次这样由普通用户自发分享的「小技巧」,往往能够帮助大量遇到相同困惑却不知从何下手的人。
对于 Perplexity 这类快速迭代的产品来说,功能更新频繁,界面与选项也在持续调整。及时关注社区讨论,往往能比阅读官方更新日志更快地掌握实用变化。
给Perplexity用户的实用建议
如果你也遇到过「不希望项目默认进入 Computer 模式」的情况,可以按照上述步骤在桌面端或 Comet 中进行调整。同时也建议:
- 优先在桌面端配置:移动端目前缺失该选项,桌面端和 Comet 浏览器功能更完整。
- 逐个项目检查:尤其是老项目,可能都保留着默认开启状态。
- 关注官方后续优化:理想情况下,Perplexity 应提供一个 全局默认设置,让用户一次性决定所有新建项目的默认行为,而非逐个手动切换。
总体而言,这是一个虽小但实用的技巧。它提醒我们,在使用功能日益丰富的 AI 工具时,花点时间深入探索设置项,往往能显著改善日常使用体验。
核心要点
核心要点
相关推荐

本地部署私人DeepSeek全攻略:联网+知识库+隐私安全
手把手教你用Ollama、Chatbox、AnythingLLM搭建纯本地、可联网、带知识库的私人DeepSeek。涵盖蒸馏版模型选择、RAG知识库原理与API调用,隐私安全零门槛部署全流程干货。

AI Agent开发四阶段学习路线:从入门到企业级实战
AI Agent开发零基础学习路线全解析:从核心概念、ReAct范式,到多智能体协作、Prompt调优与企业级实战项目,系统掌握规划、记忆、工具调用、RAG与MCP,帮你少走弯路成为AI核心人才。

DeepSeek Harness 新玩法:Agent 监督 Agent 的自进化实验
一位 B 站 UP 主基于 DeepSeek Harness 实现「Agent 监督 Agent」的自进化实验:用官方原版 DSH 作稳定监督者,驱动自研 Agent 完成任务并自动修复 bug,配合台账机制和 CDP、Chrome DevTools MCP 实现近乎无人值守的软件迭代。