告别死板接口！Perplexity 发布“搜索即代码”，让 AI 智能体自己搭建搜索流程

过去的搜索引擎主要是为人类查看信息而设计，常见结果就是一串“蓝色链接”。但对 AI 智能体（Agents）来说，这种形式正在变成高效执行任务的阻碍。面对复杂研究工作时，AI 往往只能反复修改关键词，进行多轮偏手工式的 API 调用，不但流程死板，还容易让大量无关内容挤占上下文窗口。

为了突破这一限制，Perplexity 近日推出了一套名为“搜索即代码”（Search as Code，简称 SaC）的新架构。这项技术不再要求模型去调用现成的一体化搜索 API，而是让 AI 模型直接以 Python 代码的方式，灵活搭建并执行定制化的搜索流程。

三层核心架构

Perplexity 的 SaC 采用了一个纵向三层架构:

• 模型层（最上层）: 负责理解复杂任务，并规划整体搜索策略。

• 安全沙箱（中间层）: 为代码执行提供环境，同时配备可保存中间状态的文件系统。

• 智能搜索 SDK（最底层）: 将检索、扇出、筛选、去重、重排以及字段解析等原子化操作封装成基础原语函数，让生成出的代码能够直接调用组件级搜索基础设施。

借助这种设计，AI 智能体能够并行发起查询，按程序过滤掉无关内容，并把高度浓缩后的关键信息送入上下文窗口，从而在长篇研究任务中保持推理和思路的连贯性。

CVE 漏洞研究实测:性能提升明显，Token 大幅下降

为了验证这一架构在真实场景中的效果，Perplexity 选取了一项复杂且杂乱的网络安全任务进行测试：追踪 200 个在 2023 年至 2025 年期间公布的重要软件漏洞（CVE），并准确提取官方公告、受影响软件以及修复版本等信息。

在 SaC 的支持下，AI 模型自行写出了一个“三阶段脚本”：先根据不同厂商（如 Mozilla、Google）的公告格式，分别执行并行的定制化搜索；接着自动检查结果，发现信息缺漏后再发起针对性的补充查询；最后通过 Schema（模式）校验，确保所有漏洞数据能够完整对齐。

测试结果显示，这套系统在保证任务准确完成的同时，相比传统标准流程节省了 85% 的 Token 消耗。在 Perplexity 自家的基准测试集中——包括 DSQA、BrowseComp、HLE、WideSearch，以及最新推出的广度研究基准 WANDR——SaC 在五项评测中拿下四项第一，较旧架构带来了明显的性能跨越。尤其是在 WANDR 基准上，整体提升幅度达到 45%。

代码正成为 AI 的新操作层

行业研究报告认为，写代码正在逐步成为 AI 智能体与现实世界交互的默认方式。传统软件依赖明确、固定的指令，而先进大模型则是在 Token 空间中进行推理，真正强大的系统通常会把两者结合起来——由大模型负责制定策略，由确定性的执行环境承担批量处理和过滤任务，并把搜索基础设施作为输入/输出（I/O）层。

目前，“搜索即代码”已经陆续在Perplexity Computer和 Agent API 中上线。这也为解决当下 AI 搜索智能体依赖训练数据“取巧”、难以处理最新事实这一行业难题，提供了一条新的技术路径。