Hogar
Perplexity presenta «Search-as-Code», que permite a los agentes de IA crear flujos de búsqueda de forma autónoma
La tradicional lista de enlaces azul, optimizada para la navegación humana, se ha convertido en un cuello de botella para los agentes de IA que buscan la eficiencia. A la hora de gestionar tareas de búsqueda complejas, los sistemas de IA se ven obligados a realizar llamadas manuales a la API en múltiples pasos con ajustes rígidos de los términos, lo que les hace sufrir una falta de flexibilidad arquitectónica y ventanas de contexto saturadas de información irrelevante.
Para superar esto, Perplexity ha introducido una nueva arquitectura: Search as Code (SaC). En lugar de depender de API de búsqueda monolíticas predefinidas, este enfoque permite a los modelos de IA construir y ejecutar dinámicamente flujos de trabajo de búsqueda personalizados utilizando código Python.

Las tres capas principales de la arquitectura
La arquitectura SaC de Perplexity se organiza verticalmente en tres capas:
Capa de modelo (capa superior): se encarga de la comprensión de tareas complejas y diseña estrategias de búsqueda de alto nivel.
Entorno de pruebas seguro (capa intermedia): ofrece un entorno de ejecución seguro para el código, que incluye un sistema de archivos para el almacenamiento de estados intermedios.
SDK de búsqueda inteligente (capa inferior): encapsula operaciones atómicas —recuperación, expansión, filtrado, deduplicación, reordenación y análisis de campos— en funciones primitivas, lo que proporciona al código generado acceso a nivel de componentes a la infraestructura de búsqueda.
Este diseño permite a los agentes de IA ejecutar consultas en paralelo, descartar mediante programación los datos irrelevantes e introducir únicamente resultados altamente relevantes y refinados en la ventana de contexto, preservando así la continuidad del razonamiento en tareas de investigación de gran envergadura.
Investigación de vulnerabilidades CVE en el mundo real: mejora del rendimiento y reducción de tokens
Para validar la arquitectura en la práctica, Perplexity la puso a prueba en una exigente tarea de ciberseguridad: el seguimiento de 200 CVE críticas publicadas entre 2023 y 2025 y la extracción precisa de avisos oficiales, software afectado y versiones parcheadas.

Con SaC, el modelo de IA creó de forma autónoma un guion de tres etapas: en primer lugar, realizó búsquedas paralelas y personalizadas para diferentes proveedores (por ejemplo, Mozilla o Google) en función de sus formatos de anuncio; a continuación, analizó automáticamente los resultados, identificó los datos que faltaban y realizó consultas de seguimiento específicas; por último, utilizó la validación de esquemas para garantizar la alineación completa de los registros de vulnerabilidades.
Los resultados mostraron que el sistema completó la tarea utilizando un 85 % menos de tokens que los flujos de trabajo estándar. En las pruebas comparativas internas de Perplexity (DSQA, BrowseComp, HLE, WideSearch y la nueva prueba comparativa de amplitud WANDR), SaC se situó en primera posición en cuatro de las cinco, superando significativamente a la arquitectura anterior. Concretamente en WANDR, la mejora relativa alcanzó el 45 %.
El código como nueva capa operativa para la IA
Los informes del sector sugieren que escribir código se está convirtiendo cada vez más en el método predeterminado para que los agentes de IA interactúen con el mundo físico. El software tradicional sigue instrucciones deterministas, mientras que los grandes modelos avanzados razonan en el espacio de tokens. Los sistemas más potentes combinan ambos enfoques: utilizan grandes modelos para la estrategia, aprovechan entornos deterministas para el procesamiento por lotes y el filtrado, y tratan la infraestructura de búsqueda como una capa de E/S.
Actualmente, la función «Search as Code» se está implementando en Perplexity Computer
Artículo relacionado
Stripe adquirirá OpenRouter a medida que el enrutamiento basado en modelos de IA cobra impulso
Stripe ha acordado adquirir OpenRouter, una plataforma de enrutamiento de modelos de IA que ofrece a los desarrolladores acceso a cientos de modelos a través de una única interfaz. El acuerdo amplía e
El exinvestigador de OpenAI, Barrett Zoph, regresa a Google para colaborar en el desarrollo de Gemini
Barret Zoph, que anteriormente abandonó de forma repentina la empresa para incorporarse a OpenAI debido a un desacuerdo con la directora general de Thinking Machines Lab, Miriam Mularati, ha vuelto a
Cómo Recursive Intelligence recaudó 335 millones de dólares con una valoración de 4.000 millones de dólares en cuatro meses
Las cofundadoras de la startup Ricursive Intelligence parecían destinadas a ser cofundadoras.Anna Goldie, directora ejecutiva, y Azalia Mirhoseini, directora técnica, son tan conocidas en la comunidad
Recomendaciones de temas especiales relacionados
comentario (0)
0/500
La tradicional lista de enlaces azul, optimizada para la navegación humana, se ha convertido en un cuello de botella para los agentes de IA que buscan la eficiencia. A la hora de gestionar tareas de búsqueda complejas, los sistemas de IA se ven obligados a realizar llamadas manuales a la API en múltiples pasos con ajustes rígidos de los términos, lo que les hace sufrir una falta de flexibilidad arquitectónica y ventanas de contexto saturadas de información irrelevante.
Para superar esto, Perplexity ha introducido una nueva arquitectura: Search as Code (SaC). En lugar de depender de API de búsqueda monolíticas predefinidas, este enfoque permite a los modelos de IA construir y ejecutar dinámicamente flujos de trabajo de búsqueda personalizados utilizando código Python.

Las tres capas principales de la arquitectura
La arquitectura SaC de Perplexity se organiza verticalmente en tres capas:
Capa de modelo (capa superior): se encarga de la comprensión de tareas complejas y diseña estrategias de búsqueda de alto nivel.
Entorno de pruebas seguro (capa intermedia): ofrece un entorno de ejecución seguro para el código, que incluye un sistema de archivos para el almacenamiento de estados intermedios.
SDK de búsqueda inteligente (capa inferior): encapsula operaciones atómicas —recuperación, expansión, filtrado, deduplicación, reordenación y análisis de campos— en funciones primitivas, lo que proporciona al código generado acceso a nivel de componentes a la infraestructura de búsqueda.
Este diseño permite a los agentes de IA ejecutar consultas en paralelo, descartar mediante programación los datos irrelevantes e introducir únicamente resultados altamente relevantes y refinados en la ventana de contexto, preservando así la continuidad del razonamiento en tareas de investigación de gran envergadura.
Investigación de vulnerabilidades CVE en el mundo real: mejora del rendimiento y reducción de tokens
Para validar la arquitectura en la práctica, Perplexity la puso a prueba en una exigente tarea de ciberseguridad: el seguimiento de 200 CVE críticas publicadas entre 2023 y 2025 y la extracción precisa de avisos oficiales, software afectado y versiones parcheadas.

Con SaC, el modelo de IA creó de forma autónoma un guion de tres etapas: en primer lugar, realizó búsquedas paralelas y personalizadas para diferentes proveedores (por ejemplo, Mozilla o Google) en función de sus formatos de anuncio; a continuación, analizó automáticamente los resultados, identificó los datos que faltaban y realizó consultas de seguimiento específicas; por último, utilizó la validación de esquemas para garantizar la alineación completa de los registros de vulnerabilidades.
Los resultados mostraron que el sistema completó la tarea utilizando un 85 % menos de tokens que los flujos de trabajo estándar. En las pruebas comparativas internas de Perplexity (DSQA, BrowseComp, HLE, WideSearch y la nueva prueba comparativa de amplitud WANDR), SaC se situó en primera posición en cuatro de las cinco, superando significativamente a la arquitectura anterior. Concretamente en WANDR, la mejora relativa alcanzó el 45 %.
El código como nueva capa operativa para la IA
Los informes del sector sugieren que escribir código se está convirtiendo cada vez más en el método predeterminado para que los agentes de IA interactúen con el mundo físico. El software tradicional sigue instrucciones deterministas, mientras que los grandes modelos avanzados razonan en el espacio de tokens. Los sistemas más potentes combinan ambos enfoques: utilizan grandes modelos para la estrategia, aprovechan entornos deterministas para el procesamiento por lotes y el filtrado, y tratan la infraestructura de búsqueda como una capa de E/S.
Actualmente, la función «Search as Code» se está implementando en
Stripe adquirirá OpenRouter a medida que el enrutamiento basado en modelos de IA cobra impulso
Stripe ha acordado adquirir OpenRouter, una plataforma de enrutamiento de modelos de IA que ofrece a los desarrolladores acceso a cientos de modelos a través de una única interfaz. El acuerdo amplía e
El exinvestigador de OpenAI, Barrett Zoph, regresa a Google para colaborar en el desarrollo de Gemini
Barret Zoph, que anteriormente abandonó de forma repentina la empresa para incorporarse a OpenAI debido a un desacuerdo con la directora general de Thinking Machines Lab, Miriam Mularati, ha vuelto a
Cómo Recursive Intelligence recaudó 335 millones de dólares con una valoración de 4.000 millones de dólares en cuatro meses
Las cofundadoras de la startup Ricursive Intelligence parecían destinadas a ser cofundadoras.Anna Goldie, directora ejecutiva, y Azalia Mirhoseini, directora técnica, son tan conocidas en la comunidad











