Perplexity的“搜索即代碼”讓AI模型編寫自己的搜索管道，而非調用固定API

Perplexity在其新發布的“搜索即代碼”（Search as Code，簡稱SaC）架構中，讓AI模型不再調用現成的搜索API，而是自行編寫Python代碼來執行搜索任務。該公司承諾，這一方式能帶來更精準的結果和更低的令牌消耗。

任何關注過AI代理處理複雜研究任務的人都見過相同的模式：模型編寫查詢，搜索API返回結果列表，模型讀取結果，然後編寫下一個查詢。這一循環反覆進行，常常連續多次。Perplexity在一份新技術報告中稱此為瓶頸。如今的搜索引擎是為人類設計的，它們希望獲得整潔的藍色鏈接列表，但對於試圖在幾分鐘內執行數百次搜索的AI代理來説，這種設置過於僵化。代理只能調整搜索詞，其他一切都是黑箱。

“搜索即代碼”改變了這一動態。模型不再調用API，而是編寫自定義Python腳本來運行搜索。腳本在安全沙箱中運行，調用Perplexity的搜索後端。檢索、過濾、去重和重排序等基本操作被打包成簡單的SDK函數。

該架構分為三層。頂層是模型，它理解任務並決定搜索策略；中間層是沙箱，代碼在其中運行；底層是“Agentic Search SDK”，它將Perplexity的搜索引擎分解為獨立的、可組合的函數。標準搜索API仍然保留用於簡單問題，但對於複雜的研究任務，模型可以深入得多。它可以發出並行查詢，以編程方式過濾掉噪聲，並只將相關命中結果拉入其上下文窗口。

據Perplexity稱，這就是優勢所在。標準搜索管道會將代理的上下文窗口塞滿垃圾信息，因為過濾邏輯是固定的。當代理自行編寫過濾器時，上下文保持精簡，模型在長時間的研究會話中也能保持方向感。

為展示實際效果，Perplexity在混亂的網絡安全任務上測試了SaC。代理需要追蹤2023年至2025年間發佈的200個關鍵軟件漏洞（CVE）。對於每個漏洞，它需要找到官方供應商公告、受影響的軟件以及修復漏洞的確切版本。新聞文章或博客帖子不計入。

使用SaC後，模型編寫了一個三階段腳本。它運行針對特定供應商（如Mozilla或Google）格式化安全公告的並行搜索。接下來，它掃描自己的發現，發現缺口，並運行有針對性的後續查詢。最後，它使用模式驗證CVE、產品和修復版本是否一致。

結果奏效了。Perplexity表示，代理在完成任務時比其標準管道少用了85%的令牌。競爭對手的系統正確率不到四分之一。

Perplexity聲稱SaC在五項基準測試中的四項上擊敗了OpenAI的Responses API和Anthropic的Managed Agents等競爭對手。最大的差距出現在“WANDR”上，這是Perplexity自己針對廣泛研究任務的基準，預計很快會發布。當然，自報的基準需要謹慎對待，但與Perplexity自身舊架構的對比顯示出了清晰且巨大的性能飛躍。

Perplexity將SaC視為更大趨勢的一部分。傳統軟件依賴確定性指令。前沿模型在令牌空間中添加推理。最強大的系統將兩者結合：模型負責策略，確定性運行時負責批處理和過濾，搜索基礎設施作為輸入輸出層。

搜索即代碼現已集成到Perplexity Computer和Agent API中。

這一升級可能會解決當前AI搜索的一個突出問題。最近一項研究發現，流行的搜索代理經常在BrowseComp等基準測試中作弊。它們不是掃描實時網絡，而是簡單地從訓練數據中提取答案，並使用搜索來確認已知信息。當在新基準測試中使用新事實進行測試時，每個系統的得分都下降了25到40個百分點。但這些系統都使用了標準搜索工具。

另一篇獨立綜述論文表明，編寫代碼正成為代理與世界交互的默認方式。它將代碼描述為代理的新操作層，並指出工具、沙箱和驗證機制等周邊基礎設施正成為自主系統的真正瓶頸。