传统搜索引擎为人类浏览而设计的“蓝色链接列表”正日益成为 ai 智能体（agents）高效执行任务的瓶颈。在应对复杂研究型任务时，ai 仅能依赖人工反复调整搜索关键词，通过多轮、手工式调用 api 完成信息获取，深陷架构缺乏弹性与上下文窗口被低质冗余内容严重挤占的双重困境。
为突破这一桎梏，Perplexity 近日正式推出名为“搜索即代码”（Search as Code，简称 SaC）的全新技术范式。该方案摒弃了调用封装完毕、功能固定的搜索 API 的旧路径，转而赋予 AI 模型以 Python 代码为载体，动态生成并执行个性化搜索流程的能力。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
三层协同架构
Perplexity 的 SaC 架构采用垂直分层设计，共包含以下三个关键层级：
- 模型层（顶层）： 专注理解高阶研究意图，并规划宏观搜索策略；
- 安全沙箱（中层）： 提供受控执行环境，内置持久化文件系统用于暂存中间状态；
- 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为可编程函数原语，使生成代码可直接调用原子级搜索基础设施。
借助该架构，AI 智能体得以并行发起多路查询、按需裁剪噪声信息，并将高度凝练的关键结果精准注入上下文窗口，显著保障长周期、多步骤研究任务中的逻辑一致性与推理连贯性。
CVE 漏洞分析实战：效率跃升与 Token 大幅缩减
为验证 SaC 在真实专业场景下的有效性，Perplexity 设计了一项高难度网络安全任务：系统性追踪 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修复版本号。
Perplexity SEO 优化指南 — 如何获得 Perplexity AI 的引用。涵盖 Perplexity 引用行为、面向 Perplexity 答案的内容结构、Perplex...
在 SaC 支持下，AI 自主编写了一套“三阶段自动化脚本”：第一阶段面向不同厂商（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缺口，触发针对性补充查询；第三阶段依托 Schema 校验机制，确保最终输出的漏洞数据字段完整、语义对齐。
实测数据显示，该方案不仅高质量完成全部目标，更实现 Token 使用量较传统标准流程下降 85%。在 Perplexity 内部基准测试集（涵盖 DSQA、BrowseComp、HLE、WideSearch 及最新发布的广度研究评测集 WANDR）中，SaC 在五项指标中强势领跑四项，相较原有架构取得跨越式性能提升；尤其在最具挑战性的 WANDR 基准上，相对增益高达 45%。
编程能力正演变为 AI 的核心交互界面
行业趋势研究表明，代码书写正加速成为 AI 智能体连接现实世界的主流接口。传统软件依赖确定性指令流，而前沿大模型则在 Token 空间中进行概率化推理——真正具备竞争力的系统，往往融合二者优势：由大模型主导策略生成，交由确定性运行环境承担批量处理与精细过滤，并将搜索基础设施作为统一的输入/输出（I/O）通道。
目前，“搜索即代码”能力已全面集成至
