传统搜索引擎为人类浏览而设计的“蓝色链接列表”正在成为 AI 智能体（Agents）高效工作的瓶颈。在处理复杂研究任务时，AI 只能通过硬性调整搜索词进行多轮、手工作坊式的 API 调用，面临架构僵化与上下文窗口被垃圾信息塞满的痛点。
为了打破这一局限，Perplexity 近日发布了一项名为“搜索即代码”（Search as Code， 简称 SaC）的全新架构。该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。
三层核心架构
Perplexity 的 SaC 架构垂直堆栈共分为三层:
模型层（最顶层）: 负责理解复杂任务并制定高层面的搜索策略。
安全沙箱（中间层）: 为代码提供运行环境，并具备用于存储中间状态的文件系统。
智能搜索 SDK（最底层）: 将检索、扇出、过滤、去重、重新排序和解析字段等原子级操作打包成基础原语函数，赋予生成的代码组件级的搜索基础设施访问权限。
通过这种设计，AI 智能体可以并行执行查询、以编程方式过滤无关信息，并将高度提炼的相关结果提取到上下文窗口中，从而保证了长文本研究任务中的思维连贯性。
CVE 漏洞研究实测:性能跃升与 Token 暴降
为了验证该架构在现实世界中的表现，Perplexity 针对一项混乱的专业网络安全任务进行了测试:追踪200个在2023年至2025年间发布的关键软件漏洞（CVE），并精确提取官方公告、受影响软件及修复版本。
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（如 Mozilla、Google）的公告格式运行并行定制化搜索;随后自动扫描结果、捕捉信息遗漏并进行定向补充查询;最后利用 Schema(模式)校验确保漏洞数据完全对齐。
测试结果表明，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 和最新推出的广度研究基准 WANDR）中，SaC 在五项测试中独占四项鳌头，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%。
代码成为 AI 的新操作层
行业调查报告指出，编写代码正逐渐成为 AI 智能体与物理世界交互的默认方式。传统的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——即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。
目前，“搜索即代码”功能已正式在