Intermedio 11 minRicerca web

Perplexica: un Perplexity auto-ospitato con il tuo LLM locale

Perplexity ha reso popolare un modo d'uso: porre una domanda in linguaggio naturale e ricevere una risposta sintetica con le fonti citate, anziché un elenco di link blu. Perplexica riproduce esattamente questo funzionamento, ma a casa tua: un motore di ricerca web open-source che interroga il web tramite SearXNG, poi fa redigere la risposta dal tuo LLM locale eseguito con Ollama. Questa guida mostra come configurare lo stack completo in Docker, spiega le modalità di ricerca (i famosi «focus») e illustra senza giri di parole ciò che si guadagna e ciò che si perde rispetto all'originale.

Di Thomas P.·Agg. 2026-08-27·Testato su Windows, macOS e Linux
i
In breve
Perplexica riproduce Perplexity in locale: interroga il web tramite SearXNG e poi fa redigere la risposta al tuo LLM Ollama, citando le fonti. · Lo stack è composto da tre componenti (SearXNG, Ollama, Perplexica) e si installa con Docker in una decina di minuti. · Servono due modelli Ollama: un modello di chat (7-14B) per redigere e un modello di embedding come nomic-embed-text per classificare le fonti. · Progetto open-source (licenza MIT), nessuna richiesta esce dalla tua rete.

#Perché Perplexica piuttosto che Perplexity

Perplexity è un ottimo prodotto, ma è un servizio cloud: le tue richieste vengono inviate ai loro server, la versione gratuita è limitata e il modello che scrive le risposte non è sotto il tuo controllo. Perplexica inverte la logica. È un progetto open-source (licenza MIT, disponibile su GitHub) che orchestra tre componenti che ospiti tu stesso. Nessuna richiesta esce dalla tua rete, non c'è nulla da pagare e scegli tu il modello che risponde.

L'interesse non è solo ideologico. Un motore di risposte locale può interrogare fonti senza essere limitato da quote, funzionare in background in un homelab e fungere da componente di ricerca per altri strumenti attraverso la sua interfaccia. In compenso, la qualità dipende direttamente dal tuo modello locale e dal corretto funzionamento della tua istanza SearXNG — due punti su cui questa guida insiste.

i
Cosa fa Perplexica, in concreto
Fai una domanda. Perplexica riformula la tua richiesta, la esegue su SearXNG, recupera i migliori risultati, ne estrae il contenuto pertinente e poi chiede al tuo LLM di redigere una sintesi citando le fonti numerate. È una pipeline RAG applicata al web in tempo reale.

#Stack Perplexica + SearXNG + Ollama

Il kit IA Locale

Il tuo ChatGPT privato e gratuito sulla tua macchina in 1 ora — LM Studio, Ollama, Open WebUI, i tuoi documenti, senza cloud.

  • Spazio online a vita
  • PDF + file
  • Aggiornamenti a vita
Il kit IA Locale →o tutti i kit a vita — 49 € →

Tre componenti, ciascuno con un ruolo chiaro. Capire chi fa cosa rende molto più semplice risolvere i problemi quando una risposta è sbagliata: saprai quale dei tre esaminare.

SearXNG
Un metamotore di ricerca libero che aggrega i risultati di decine di motori (Google, Bing, DuckDuckGo, Wikipedia…) senza tracciamento. È questo componente a effettuare realmente le ricerche sul web. Perplexica non funziona senza di esso.
Ollama
Il daemon che rende disponibile il tuo LLM locale all'indirizzo http://localhost:11434. È lui a redigere la risposta finale a partire dalle fonti. Fornisce anche un modello di embedding per ordinare gli estratti in base alla pertinenza.
Perplexica
Il direttore d'orchestra e l'interfaccia web. Riformula la domanda, gestisce SearXNG, estrae il contenuto delle pagine, gestisce il riordinamento tramite embedding e compone il prompt finale inviato a Ollama.
→
Due modelli, non uno
Perplexica ha bisogno di due modelli distinti: un modello di chat (che scrive) e un modello di embedding (che misura la similarità per ordinare gli estratti). Assicurati di scaricarli entrambi in Ollama prima di configurare l'applicazione.

#Prerequisiti

Niente di esotico, ma alcuni punti da tenere in considerazione riguardo all'hardware e alle versioni.

Docker + Docker Compose
L'intero stack viene distribuito in container. Sono sufficienti Docker Desktop (Windows/Mac) oppure Docker Engine con il plugin compose (Linux). È il metodo di installazione ufficiale consigliato.
Ollama installato e avviato
Il daemon deve essere in esecuzione e raggiungibile. Verifica con ollama list. Se Ollama è in esecuzione sulla macchina host e Perplexica in Docker, l'indirizzo da usare sarà http://host.docker.internal:11434, non localhost.
Un modello di chat
Un 7-8B in Q4_K_M (~5 GB di VRAM) è un livello minimo accettabile; un 14B (~9 GB) produce sintesi decisamente più affidabili. La qualità della risposta finale dipende direttamente da questa scelta.
Un modello di embeddings
Leggero e veloce, ad esempio nomic-embed-text. Serve esclusivamente al riordinamento interno, non alla redazione.
~5 GB di disco e un po' di RAM
Per le immagini Docker (Perplexica + SearXNG) e la cache. I modelli, invece, sono gestiti separatamente da Ollama.
Terminale
# Récupérer les deux modèles nécessaires côté Ollama
ollama pull qwen3.5:9b         # modèle de chat (rédaction)
ollama pull nomic-embed-text   # modèle d'embeddings (reclassement)

# Vérifier qu'ils sont bien là et qu'Ollama répond
ollama list

#Installazione Docker in 10 minuti

L'installazione ufficiale avviene attraverso il repository Git del progetto, che include un docker-compose.yaml già configurato per Perplexica e un'istanza SearXNG dedicata. Non devi installare SearXNG separatamente: il compose se ne occupa.

  1. 01
    Clonare il repository
    Recupera il progetto Perplexica da GitHub e posizionati nella cartella. Tutto il resto avviene lì.
  2. 02
    Creare il file di configurazione
    Il repository fornisce un modello di configurazione sample.config.toml. Copialo in config.toml: è questo il file che Perplexica legge all'avvio per conoscere i tuoi backend.
  3. 03
    Verificare il file Compose
    Il file docker-compose.yaml definisce tre servizi: perplexica (l'app), searxng e quanto necessario per la rete. Per impostazione predefinita, l'interfaccia web è esposta sulla porta 3000.
  4. 04
    Avviare lo stack
    Il comando docker compose up crea le immagini al primo avvio, poi avvia tutto. La prima volta, prevedi qualche minuto per scaricare e creare le immagini.
  5. 05
    Aprire l'interfaccia
    Vai su http://localhost:3000. Se viene visualizzata la pagina della chat, metà del lavoro è fatta; resta da collegare i modelli.
Terminale
# 1. Cloner le projet officiel
git clone https://github.com/ItzCrazyKns/Perplexica.git
cd Perplexica

# 2. Préparer la config à partir du modèle fourni
cp sample.config.toml config.toml

# 3. Construire et démarrer toute la stack (Perplexica + SearXNG)
docker compose up -d

# 4. Suivre les logs si besoin
docker compose logs -f perplexica
!
Verifica il nome esatto del file compose
A seconda della versione del repository, il file può chiamarsi docker-compose.yaml o docker-compose.yml, e il servizio esposto può avere un nome leggermente diverso. Fidati del README del repository clonato, non di un comando memorizzato: il progetto evolve velocemente.

#Collegare Ollama a Perplexica

Due modi per configurare i modelli: tramite il file config.toml prima dell'avvio, oppure tramite la schermata delle impostazioni dell'interfaccia web dopo l'avvio. L'interfaccia è più semplice per iniziare; il file è pratico per un deployment riproducibile.

Il punto sensibile è l'indirizzo di Ollama. Perplexica funziona in un contenitore; per esso, localhost indica il contenitore stesso, non la tua macchina. Se Ollama è installato sull'host, usa host.docker.internal (Windows/Mac, e Linux con l'opzione host corretta) al posto di localhost.

config.toml
# Extrait de configuration côté Ollama
# Depuis un conteneur, on ne peut PAS utiliser localhost pour joindre l'hôte
[MODELS.OLLAMA]
API_URL = "http://host.docker.internal:11434"

# Sur une machine Linux, si host.docker.internal ne résout pas,
# ajoutez dans docker-compose : extra_hosts: ["host.docker.internal:host-gateway"]
  1. 01
    Aprire le impostazioni
    Nell'interfaccia web, l'icona Impostazioni dà accesso alla scelta dei fornitori di modelli. Seleziona Ollama come provider.
  2. 02
    Inserire l'URL di Ollama
    Inserisci l'indirizzo dell'API (host.docker.internal:11434 da Docker). Perplexica interroga quindi Ollama ed elenca automaticamente i tuoi modelli disponibili.
  3. 03
    Scegliere il modello di chat
    Seleziona il modello che redigerà le risposte (ad es. qwen3.5:9b). È la leva n. 1 per la qualità.
  4. 04
    Scegliere il modello di embedding
    Scegli nomic-embed-text (o equivalente) per il riordinamento degli estratti. Senza embedding validi, l'ordinamento delle fonti si degrada.
  5. 05
    Porre una prima domanda
    Prova con una domanda su un fatto recente. Se compaiono fonti numerate sotto la risposta, l'intera catena funziona.
→
Ollama e Perplexica nello stesso file Docker Compose
Puoi anche aggiungere Ollama come servizio nel docker-compose per tenere tutto insieme. In questo caso, l'URL diventa http://ollama:11434 (il nome del servizio) e non hai più bisogno di host.docker.internal.

#Le modalità focus: accademica, video, Reddit…

È la funzionalità distintiva di Perplexica. Invece di cercare ovunque allo stesso modo, scegli un «focus mode» che orienta SearXNG verso un tipo di fonte e adatta il modo di scrivere. La modalità giusta cambia radicalmente la pertinenza.

All Mode
La modalità predefinita: ricerca generalista su tutto il web. Da usare per domande aperte senza un ambito preciso.
Academic Search
Indirizza la ricerca verso fonti scientifiche e articoli di ricerca. Ideale per una revisione della letteratura o una domanda tecnica specialistica.
Writing Assistant
Una modalità senza ricerca web: Perplexica utilizza solamente il LLM per scrivere o riformulare. Utile quando non hai bisogno di fonti esterne.
YouTube Search
Si concentra sui video: la risposta si basa su contenuti YouTube pertinenti, con i relativi link. Utile per tutorial e dimostrazioni.
Wolfram Alpha Search
Per le domande di calcolo, scientifiche e relative a dati fattuali: la risposta si basa su Wolfram Alpha.
Reddit Search
Effettua ricerche nelle discussioni di Reddit: opinioni, esperienze d'uso, dibattiti della community. È prezioso per le domande su opinioni o prodotti.
i
Il focus agisce su SearXNG, non sul modello
Cambiare modalità modifica soprattutto quali fonti SearXNG consulta e come Perplexica le filtra. Il LLM, invece, non cambia: è sempre il tuo modello Ollama a scrivere. Una modalità sbagliata produce fonti sbagliate, e nessuna sintesi brillante può compensare fonti fuori tema.

#Qualità effettiva delle risposte

Diciamo la verità: con un piccolo modello locale, la sintesi è meno fluida e meno raffinata rispetto a quella dei modelli di punta che alimentano Perplexity. Ma la pipeline conta quanto il modello. Tre leve determinano il risultato finale.

Dimensione del modello di chat
È il fattore dominante. Un modello 7-8B scrive risposte corrette ma a volte superficiali; un modello 14B segue meglio le istruzioni di citazione e produce sintesi più curate. Passando a dimensioni maggiori, un modello 32B (~19 GB di VRAM) si avvicina a un'esperienza convincente.
Lo stato di funzionamento di SearXNG
Se alcuni motori sono bloccati o soggetti a rate-limit, SearXNG restituisce pochi risultati e la risposta si impoverisce di conseguenza. Una risposta scarsa deriva spesso da una mancanza di fonti, non dal LLM.
Il contesto disponibile
Perplexica inserisce estratti di più pagine nel prompt. Un modello con una finestra di contesto breve tronca le fonti e perde informazioni. Preferisci un modello con una finestra di contesto sufficientemente ampia (minimo 8k, di più se possibile).
→
Diagnosticare una risposta deludente
Guarda prima le fonti citate. Poche fonti o nessuna? Il problema è SearXNG (motori bloccati, query riformulata male). Fonti pertinenti ma una sintesi debole? Il problema è il modello: passa a un modello più grande o cambia modello. Questa abitudine evita di ottimizzare l'anello sbagliato della catena.

#Rispetto a Perplexity: cosa si perde, cosa si guadagna

Perplexica non è un clone perfetto, e sostenerlo sarebbe disonesto. Ecco un bilancio realistico per decidere se ne vale la pena nel tuo caso.

Si guadagna — privacy
Nessuna richiesta esce dalla tua rete. Né l'argomento delle tue ricerche né le risposte passano attraverso terzi. Per attività di monitoraggio informativo su temi sensibili, è decisivo.
Ci si guadagna — costi e quote
Niente da pagare, nessun limite di richieste. Puoi eseguire tutte le ricerche che il tuo hardware riesce a gestire e integrarlo con altri strumenti senza costi per l'API.
Si guadagna — controllo
Scegli il modello, i motori interrogati tramite SearXNG e puoi ospitare tutto autonomamente in un homelab a lungo termine.
Si perde — la finezza della scrittura
I modelli cloud di Perplexity sono più grandi e più affinati. Con hardware modesto, la sintesi locale è più piatta e contiene più approssimazioni.
Cosa si perde — la robustezza di una soluzione pronta all'uso
Perplexity gestisce l'infrastruttura al posto tuo. Sul tuo sistema, se SearXNG raggiunge il limite di richieste o Ollama satura la VRAM, spetta a te diagnosticare e risolvere il problema.
Perdiamo — alcune funzioni
Nessuna app mobile rifinita, nessuna Pro Search in più passaggi altrettanto sviluppata, nessuna integrazione proprietaria. Perplexica copre l'essenziale, ma non offre tutta la comodità del prodotto commerciale.

#Risoluzione dei problemi comuni

Perplexica non vede Ollama
Quasi sempre è un problema di indirizzo. Da Docker, sostituisci localhost con host.docker.internal (e su Linux, aggiungi extra_hosts con host-gateway). Verifica che Ollama sia effettivamente in ascolto e, se necessario, consenti le connessioni da indirizzi diversi da localhost.
Nessuna fonte nelle risposte
SearXNG non restituisce nulla. Apri direttamente l'interfaccia SearXNG per testare una ricerca: se fallisce, alcuni motori sono bloccati o soggetti a rate-limit. Riduci il numero di motori attivi o aspetta.
La lista dei modelli è vuota
Perplexica interroga Ollama al caricamento dei parametri. Se la lista è vuota, l'URL dell'API è errato o Ollama non ha nessun modello. Verifica con ollama list dal lato host.
Risposte molto lente
Il modello di chat è probabilmente troppo grande per la tua VRAM e viene eseguito in parte sulla CPU. Passa a una quantizzazione più leggera (Q4_K_M) o a un modello più piccolo; verifica che la GPU venga effettivamente utilizzata.
Errori di embedding
Il modello di embedding non è selezionato o non è stato scaricato. Esegui ollama pull nomic-embed-text e selezionalo esplicitamente nelle impostazioni.
La porta 3000 è già occupata
Un altro servizio occupa la porta. Modifica la mappatura della porta nel docker-compose (ad es. 3001:3000) e ricarica lo stack.

#Per approfondire

La qualità di Perplexica dipende da quella del modello e dell'infrastruttura che lo supportano. Queste guide consolidano le fondamenta su cui si basa.

Ollama: cos'è e come funziona
Il daemon che serve il tuo modello di chat e i tuoi embedding sulla porta 11434 — la componente fondamentale per la qualità della redazione.
Scegliere la quantizzazione
Q4_K_M, Q5_K_M, Q8_0: capire il compromesso tra VRAM e qualità per scegliere il modello di sintesi giusto in base alla tua scheda grafica
AnythingLLM: RAG pronto per la produzione in locale
Per andare oltre la ricerca web e costruire un RAG sui tuoi documenti, con lo stesso backend Ollama.
Questa guida ti è stata utile?

Un feedback, un errore, una precisazione? Facci sapere, così la guida migliora per tutti.