Perplexity的“搜索即代码”让AI模型编写自己的搜索管道，而非调用固定API

Perplexity在其新发布的“搜索即代码”（Search as Code，简称SaC）架构中，让AI模型不再调用现成的搜索API，而是自行编写Python代码来执行搜索任务。该公司承诺，这一方式能带来更精准的结果和更低的令牌消耗。

任何关注过AI代理处理复杂研究任务的人都见过相同的模式：模型编写查询，搜索API返回结果列表，模型读取结果，然后编写下一个查询。这一循环反复进行，常常连续多次。Perplexity在一份新技术报告中称此为瓶颈。如今的搜索引擎是为人类设计的，它们希望获得整洁的蓝色链接列表，但对于试图在几分钟内执行数百次搜索的AI代理来说，这种设置过于僵化。代理只能调整搜索词，其他一切都是黑箱。

“搜索即代码”改变了这一动态。模型不再调用API，而是编写自定义Python脚本来运行搜索。脚本在安全沙箱中运行，调用Perplexity的搜索后端。检索、过滤、去重和重排序等基本操作被打包成简单的SDK函数。

该架构分为三层。顶层是模型，它理解任务并决定搜索策略；中间层是沙箱，代码在其中运行；底层是“Agentic Search SDK”，它将Perplexity的搜索引擎分解为独立的、可组合的函数。标准搜索API仍然保留用于简单问题，但对于复杂的研究任务，模型可以深入得多。它可以发出并行查询，以编程方式过滤掉噪声，并只将相关命中结果拉入其上下文窗口。

据Perplexity称，这就是优势所在。标准搜索管道会将代理的上下文窗口塞满垃圾信息，因为过滤逻辑是固定的。当代理自行编写过滤器时，上下文保持精简，模型在长时间的研究会话中也能保持方向感。

为展示实际效果，Perplexity在混乱的网络安全任务上测试了SaC。代理需要追踪2023年至2025年间发布的200个关键软件漏洞（CVE）。对于每个漏洞，它需要找到官方供应商公告、受影响的软件以及修复漏洞的确切版本。新闻文章或博客帖子不计入。

使用SaC后，模型编写了一个三阶段脚本。它运行针对特定供应商（如Mozilla或Google）格式化安全公告的并行搜索。接下来，它扫描自己的发现，发现缺口，并运行有针对性的后续查询。最后，它使用模式验证CVE、产品和修复版本是否一致。

结果奏效了。Perplexity表示，代理在完成任务时比其标准管道少用了85%的令牌。竞争对手的系统正确率不到四分之一。

Perplexity声称SaC在五项基准测试中的四项上击败了OpenAI的Responses API和Anthropic的Managed Agents等竞争对手。最大的差距出现在“WANDR”上，这是Perplexity自己针对广泛研究任务的基准，预计很快会发布。当然，自报的基准需要谨慎对待，但与Perplexity自身旧架构的对比显示出了清晰且巨大的性能飞跃。

Perplexity将SaC视为更大趋势的一部分。传统软件依赖确定性指令。前沿模型在令牌空间中添加推理。最强大的系统将两者结合：模型负责策略，确定性运行时负责批处理和过滤，搜索基础设施作为输入输出层。

搜索即代码现已集成到Perplexity Computer和Agent API中。

这一升级可能会解决当前AI搜索的一个突出问题。最近一项研究发现，流行的搜索代理经常在BrowseComp等基准测试中作弊。它们不是扫描实时网络，而是简单地从训练数据中提取答案，并使用搜索来确认已知信息。当在新基准测试中使用新事实进行测试时，每个系统的得分都下降了25到40个百分点。但这些系统都使用了标准搜索工具。

另一篇独立综述论文表明，编写代码正成为代理与世界交互的默认方式。它将代码描述为代理的新操作层，并指出工具、沙箱和验证机制等周边基础设施正成为自主系统的真正瓶颈。