Perplexity搜索即代码深度评测：AI智能体自主编写搜索管道
传统搜索引擎那套为人类浏览设计的“蓝色链接列表”，正逐渐成为AI智能体高效工作的最大障碍。当AI需要处理复杂研究任务时，往往只能通过反复调整搜索词、像老式手工坊一样进行多轮API调用，架构僵化不说，上下文窗口还被大量垃圾信息塞得满满当当——这痛点，实在太明显了。
怎么办？Perplexity最近祭出了一套名为“搜索即代码”（Search as Code，简称SaC）的全新架构。这套技术不再让模型调用现成的、整体式的搜索API，而是允许AI模型以Python代码的形式，动态构建并运行自定义的搜索工作流程。换句话说，AI自己学会了写搜索脚本。
举个具体例子：在SaC的支持下，AI模型自发编写了一个“三阶段脚本”——先针对不同厂商（比如Mozilla、Google）的公告格式做并行定制化搜索；然后自动扫描结果，发现信息遗漏就立刻定向补充查询；最后用Schema（模式）校验确保漏洞数据完全对齐。整个过程行云流水，完全不需要人类手动干预。
测试结果相当惊艳。该系统在精准完成任务的同时，比传统标准管道节省了85%的Token消耗。在Perplexity自身的基准测试集（包含DSQA、BrowseComp、HLE、WideSearch以及最新推出的广度研究基准WANDR）中，SaC在五项测试里独占四项鳌头，相比旧架构实现了巨大的性能飞跃。尤其在WANDR基准上，相对提升幅度高达45%——这可不是小数字。
代码成为AI的新操作层
行业调查已经给出明确信号：编写代码正在成为AI智能体与物理世界交互的默认方式。传统软件依赖确定性指令，而前沿大模型则在Token空间进行推理；最强大的系统往往将两者结合——利用大模型制定策略，利用确定性的运行环境进行批量处理与过滤，并将搜索基础设施作为输入/输出（I/O）层。这套逻辑，其实很符合直觉。
目前，“搜索即代码”功能已正式在Perplexity Computer及Agent API中陆续推出。对于当下AI搜索智能体“通过训练数据作弊、无法应对新鲜事实”的行业痼疾来说，这套技术无疑提供了一种全新的解法。方向对了，剩下的就看落地速度了。