Perplexity搜索即代码测评：AI智能体自主编写搜索管道

当AI智能体处理复杂的研究任务时，传统的搜索引擎越来越像一套为人类眼球设计的蓝色链接列表——对AI而言，这种输入形态效率极低，限制重重。AI必须反复人工调整关键词，靠多次API调用拼凑信息，结果架构缺乏弹性，上下文窗口被大量低质冗余内容挤占。这显然不是一个理想的交互体验。

更深层看，这暴露了一个核心矛盾：我们给AI接入的工具，本质上仍是为人机交互优化的。Perplexity近期提出了“搜索即代码”（Search as Code）新范式——不再依赖封装好、功能固定的搜索API，而是让AI模型直接用Python代码动态生成并执行个性化的搜索流程。这一思路带来了根本性的转变。

三层协同架构

具体如何运作？Perplexity的SaC方案采用垂直分层设计，共三层，各司其职：

• 模型层（顶层）：负责解析研究意图，规划宏观搜索策略——核心是让AI明确检索方向与路径；
• 安全沙箱（中层）：提供一个受控的执行环境，内置持久化文件系统用于暂存中间状态，兼顾安全性与灵活性；
• 智能搜索SDK（底层）：将检索、扇出查询、条件过滤、结果去重、相关性重排及结构化解析等细粒度能力，封装成可编程的函数原语，支持代码直接调用。

这样AI智能体就能并行发起多路查询，按需剔除噪声，仅将真正关键的信息注入上下文窗口。对于长周期、多步骤的研究任务，逻辑一致性与推理连贯性得到了有效保障。

CVE漏洞分析实战：效率跃升与Token大幅缩减

理论之外，看看实战效果。Perplexity设计了一项高难度的网络安全任务：系统性地追踪200个发布于2023至2025年间的重点软件漏洞（CVE），并准确提取其官方披露文档、受影响产品清单及对应的修复版本号。

在SaC支持下，AI自动编写了一套“三阶段自动化脚本”：第一阶段根据各厂商（如Mozilla、Google）公告格式差异，启动并行定制化搜索；第二阶段自动扫描首轮结果中的缺口，触发补充查询；第三阶段通过Schema校验机制，确保最终输出的漏洞数据字段完整、语义对齐。

结果相当可观：不仅高质量完成了全部任务，Token使用量相比传统标准流程下降了85%。在Perplexity内部基准测试（涵盖DSQA、BrowseComp、HLE、WideSearch以及最新推出的广度研究评测集WANDR）中，SaC在五项指标里拿下四项领先，相对原有架构提升显著。尤其在最具挑战性的WANDR上，增益高达45%——这是真正的效率跃升。

编程能力正演变为AI的核心交互界面

从行业趋势看，代码书写正在加速成为AI智能体与现实世界连接的主流接口。传统软件依赖确定性指令流，而前沿大模型在Token空间中进行概率化推理。真正有竞争力的系统，往往将两者优势融合：大模型负责策略生成，确定性运行环境承担批量处理与精细过滤，搜索基础设施则作为统一的输入/输出通道。

目前，“搜索即代码”能力已全面集成到Perplexity Computer平台与Agent API接口中，逐步向开发者开放。面对当前AI搜索智能体普遍存在的过度依赖训练数据产生幻觉、难以响应实时信息等瓶颈，这一新范式提供了一条切实可行的破局路径。