Perplexity описала архитектуру Search as Code для программируемого поиска AI-агентов

Perplexity предложила подход Search as Code, при котором модель генерирует Python-код для построения собственного поискового конвейера вместо последовательных вызовов фиксированного API. Компания уже внедряет эту архитектуру в Perplexity Computer и Agent API и утверждает, что она снижает расход токенов на сложных исследовательских задачах.

Perplexity описала архитектуру Search as Code (SaC), рассчитанную на AI-агентов, которым нужно выполнять многошаговый поиск, фильтрацию и сверку данных. Вместо того чтобы многократно вызывать монолитный поисковый API и передавать результаты обратно в контекст модели, агент генерирует Python-код и выполняет его в защищенной песочнице.

В основе SaC — Agentic Search SDK, который предоставляет отдельные поисковые примитивы: извлечение, fan-out по запросам, фильтрацию, дедупликацию, ранжирование и разбор структурированных полей. Модель выбирает стратегию поиска, а детерминированный код берет на себя параллельные запросы, обработку промежуточного состояния и отбрасывание нерелевантных результатов.

Perplexity приводит пример задачи по поиску более чем 200 серьезных CVE за 2023–2025 годы: агент должен был найти официальные бюллетени производителей, затронутые продукты и версии с исправлениями. По утверждению компании, вариант с SaC достиг 100% точности в этом внутреннем тесте и сократил расход токенов на 85,1% по сравнению с прежним конвейером Perplexity.

В опубликованной оценке SaC также сравнивается с OpenAI Responses API, Anthropic Managed Agents, Exa Agent и Parallel Tasks на пяти наборах задач, включая DSQA, BrowseComp, Humanity's Last Exam и WideSearch. Perplexity заявляет, что SaC лидирует в четырех из пяти тестов, однако эти результаты остаются самопроверкой компании; один из наборов, WANDR, Perplexity только планирует опубликовать.

Архитектура уже используется в Perplexity Computer и Agent API. Для разработчиков агентных систем здесь важен не столько очередной поисковый продукт, сколько общий сдвиг в интерфейсе к внешним данным: поиск становится не готовым списком результатов, а набором программируемых операций, которые модель может комбинировать под конкретную задачу.