Perplexity 发布“搜索即代码”架构，旨在优化 AI 智能体检索效能

近日，人工智能搜索引擎公司 Perplexity 正式推出了一项名为“搜索即代码”（Search as Code，简称 SaC）的新型架构。该技术旨在解决现有 AI 智能体在处理复杂搜索任务时，受限于传统 API 调用方式所导致的执行僵化及上下文冗余问题。

根据 Perplexity 官方发布的技术说明，SaC 架构将传统的检索流程转化为动态的 Python 代码执行过程。该系统由三层逻辑堆栈构成：顶层的模型层负责任务拆解与策略规划；中间层构建了受控的安全沙箱，支持中间数据的临时存储；底层则通过智能搜索 SDK，将数据检索、过滤、排序及结构化解析等功能封装为基础原语函数。这种设计允许 AI 智能体根据任务需求，实时构建并运行定制化的搜索脚本，而非被动调用固定的检索接口。

在应用效能评估方面，Perplexity 选取了针对 2023 年至 2025 年间 200 个 CVE 软件漏洞的检索任务进行对比测试。结果显示，通过 SaC 架构，模型能够自动执行多阶段搜索脚本，包括针对不同厂商的差异化检索、结果自动校验及结构化提取。相比于传统的 API 检索模式，该架构在处理复杂研究任务时减少了约 85% 的 Token 消耗。

此外，在 Perplexity 推出的 WANDR 等多个搜索基准测试中，采用 SaC 架构的系统表现出显著优势。目前，Perplexity 已在其 Computer 及 Agent API 产品线中集成该功能。行业分析认为，将搜索基础设施转化为代码可操作层，是 AI 智能体从依赖“静态指令”转向“动态编程执行”的重要路径，有助于降低 AI 在处理实时信息时的上下文噪声，提升长序列任务的准确性与逻辑连贯性。