打破僵化API!Perplexity 推出“搜索即代碼”，讓 AI 智能體自主編寫搜索管道

傳統搜索引擎爲人類瀏覽而設計的“藍色鏈接列表”正在成爲 AI 智能體（Agents）高效工作的瓶頸。在處理複雜研究任務時，AI 只能通過硬性調整搜索詞進行多輪、手工作坊式的 API 調用，面臨架構僵化與上下文窗口被垃圾信息塞滿的痛點。

爲了打破這一侷限，Perplexity 近日發佈了一項名爲“搜索即代碼”（Search as Code， 簡稱 SaC）的全新架構。該技術不再讓模型調用現成的、整體式的搜索 API，而是允許 AI 模型以 Python 代碼的形式，動態構建並運行自定義的搜索工作流程。

三層核心架構

Perplexity 的 SaC 架構垂直堆棧共分爲三層:

• 模型層（最頂層）: 負責理解複雜任務並制定高層面的搜索策略。

• 安全沙箱（中間層）: 爲代碼提供運行環境，並具備用於存儲中間狀態的文件系統。

• 智能搜索 SDK（最底層）: 將檢索、扇出、過濾、去重、重新排序和解析字段等原子級操作打包成基礎原語函數，賦予生成的代碼組件級的搜索基礎設施訪問權限。

通過這種設計，AI 智能體可以並行執行查詢、以編程方式過濾無關信息，並將高度提煉的相關結果提取到上下文窗口中，從而保證了長文本研究任務中的思維連貫性。

CVE 漏洞研究實測:性能躍升與 Token 暴降

爲了驗證該架構在現實世界中的表現，Perplexity 針對一項混亂的專業網絡安全任務進行了測試:追蹤200個在2023年至2025年間發佈的關鍵軟件漏洞（CVE），並精確提取官方公告、受影響軟件及修復版本。

在 SaC 的支持下，AI 模型自發編寫了一個“三階段腳本”:先針對不同廠商（如 Mozilla、Google）的公告格式運行並行定製化搜索;隨後自動掃描結果、捕捉信息遺漏並進行定向補充查詢;最後利用 Schema(模式)校驗確保漏洞數據完全對齊。

測試結果表明，該系統在精準完成任務的同時，比傳統標準管道節省了85% 的 Token 消耗。在 Perplexity 自身的基準測試集（包含 DSQA、BrowseComp、HLE、WideSearch 和最新推出的廣度研究基準 WANDR）中，SaC 在五項測試中獨佔四項鰲頭，相比舊架構實現了巨大的性能飛躍。尤其在 WANDR 基準上，相對提升幅度高達45%。

代碼成爲 AI 的新操作層

行業調查報告指出，編寫代碼正逐漸成爲 AI 智能體與物理世界交互的默認方式。傳統的軟件依賴確定性指令，而前沿大模型則在 Token 空間進行推理，最強大的系統往往將兩者結合——即利用大模型制定策略，利用確定性的運行環境進行批量處理與過濾，並將搜索基礎設施作爲輸入/輸出（I/O）層。

目前，“搜索即代碼”功能已正式在Perplexity Computer及 Agent API 中陸續推出，這也將爲解決當下 AI 搜索智能體“通過訓練數據作弊、無法應對新鮮事實”的行業痼疾提供全新的技術解法。