Maison
Perplexity dévoile « Search-as-Code », une solution permettant aux agents IA de créer de manière autonome des pipelines de recherche
La liste de liens bleus traditionnelle, optimisée pour la navigation humaine, est devenue un frein pour les agents IA en quête d’efficacité. Lorsqu’ils traitent des tâches de recherche complexes, les systèmes d’IA sont contraints de recourir à des appels d’API manuels en plusieurs étapes, avec des ajustements rigides des termes, et souffrent d’un manque de souplesse architecturale ainsi que de fenêtres contextuelles encombrées d’informations non pertinentes.
Pour remédier à cela, Perplexity a introduit une nouvelle architecture : Search as Code (SaC). Au lieu de s'appuyer sur des API de recherche monolithiques prêtes à l'emploi, cette approche permet aux modèles d'IA de construire et d'exécuter dynamiquement des workflows de recherche personnalisés à l'aide de code Python.

Les trois couches principales de l’architecture
L’architecture SaC de Perplexity est organisée verticalement en trois couches :
Couche « Modèle » (couche supérieure) : gère la compréhension des tâches complexes et élabore des stratégies de recherche de haut niveau.
Sandbox de sécurité (couche intermédiaire) : offre un environnement d’exécution sécurisé pour le code, doté d’un système de fichiers permettant le stockage des états intermédiaires.
SDK de recherche intelligente (couche inférieure) : encapsule les opérations atomiques — récupération, expansion, filtrage, déduplication, reclassement et analyse des champs — dans des fonctions primitives, offrant ainsi au code généré un accès au niveau des composants à l’infrastructure de recherche.
Cette conception permet aux agents IA d’exécuter des requêtes en parallèle, d’écarter par programmation les données non pertinentes et de ne transmettre à la fenêtre de contexte que des résultats hautement pertinents et affinés, préservant ainsi la continuité de la réflexion dans les tâches de recherche de longue haleine.
Recherche sur les vulnérabilités CVE en conditions réelles : amélioration des performances et réduction du nombre de tokens
Pour valider l’architecture en pratique, Perplexity l’a testée sur une tâche exigeante en matière de cybersécurité : le suivi de 200 CVE critiques publiés entre 2023 et 2025 et l’extraction précise des avis officiels, des logiciels affectés et des versions corrigées.

Grâce à SaC, le modèle d’IA a créé de manière autonome un script en trois étapes : tout d’abord, il a lancé des recherches parallèles et personnalisées pour différents éditeurs (par exemple, Mozilla, Google) en fonction de leurs formats d’annonce ; ensuite, il a automatiquement analysé les résultats, identifié les données manquantes et effectué des requêtes de suivi ciblées ; enfin, il a utilisé la validation de schéma pour garantir l’alignement complet des enregistrements de vulnérabilités.
Les résultats ont montré que le système avait accompli la tâche en utilisant 85 % de tokens en moins que les pipelines standard. Dans l’ensemble des benchmarks internes de Perplexity (DSQA, BrowseComp, HLE, WideSearch et le nouveau benchmark de recherche en largeur WANDR), SaC s’est classé en tête dans quatre cas sur cinq, surpassant largement l’ancienne architecture. Sur WANDR en particulier, l’amélioration relative a atteint 45 %.
Le code, nouvelle couche opérationnelle de l’IA
Les rapports du secteur indiquent que l’écriture de code devient de plus en plus la méthode par défaut permettant aux agents d’IA d’interagir avec le monde physique. Les logiciels traditionnels suivent des instructions déterministes, tandis que les grands modèles avancés raisonnent dans l’espace des tokens. Les systèmes les plus puissants combinent les deux : ils utilisent de grands modèles pour la stratégie, exploitent des environnements déterministes pour le traitement par lots et le filtrage, et traitent l’infrastructure de recherche comme une couche d’E/S.
Actuellement, la fonctionnalité « Search as Code » est en cours de déploiement chez Perplexity Computer
Article connexe
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés
Conformité des véhicules autonomes en Californie : une nouvelle ère marquée par les amendes, les zones de géolocalisation et 1 million de miles
Guident exploite une navette AuveTech dans le sud de la Floride, gérant un parcours de quatre miles à West Palm Beach et un parcours d’un mile à Boca Raton grâce à sa technologie de surveillance à dis
Recommandations de sujets spéciaux liés
commentaires (0)
La liste de liens bleus traditionnelle, optimisée pour la navigation humaine, est devenue un frein pour les agents IA en quête d’efficacité. Lorsqu’ils traitent des tâches de recherche complexes, les systèmes d’IA sont contraints de recourir à des appels d’API manuels en plusieurs étapes, avec des ajustements rigides des termes, et souffrent d’un manque de souplesse architecturale ainsi que de fenêtres contextuelles encombrées d’informations non pertinentes.
Pour remédier à cela, Perplexity a introduit une nouvelle architecture : Search as Code (SaC). Au lieu de s'appuyer sur des API de recherche monolithiques prêtes à l'emploi, cette approche permet aux modèles d'IA de construire et d'exécuter dynamiquement des workflows de recherche personnalisés à l'aide de code Python.

Les trois couches principales de l’architecture
L’architecture SaC de Perplexity est organisée verticalement en trois couches :
Couche « Modèle » (couche supérieure) : gère la compréhension des tâches complexes et élabore des stratégies de recherche de haut niveau.
Sandbox de sécurité (couche intermédiaire) : offre un environnement d’exécution sécurisé pour le code, doté d’un système de fichiers permettant le stockage des états intermédiaires.
SDK de recherche intelligente (couche inférieure) : encapsule les opérations atomiques — récupération, expansion, filtrage, déduplication, reclassement et analyse des champs — dans des fonctions primitives, offrant ainsi au code généré un accès au niveau des composants à l’infrastructure de recherche.
Cette conception permet aux agents IA d’exécuter des requêtes en parallèle, d’écarter par programmation les données non pertinentes et de ne transmettre à la fenêtre de contexte que des résultats hautement pertinents et affinés, préservant ainsi la continuité de la réflexion dans les tâches de recherche de longue haleine.
Recherche sur les vulnérabilités CVE en conditions réelles : amélioration des performances et réduction du nombre de tokens
Pour valider l’architecture en pratique, Perplexity l’a testée sur une tâche exigeante en matière de cybersécurité : le suivi de 200 CVE critiques publiés entre 2023 et 2025 et l’extraction précise des avis officiels, des logiciels affectés et des versions corrigées.

Grâce à SaC, le modèle d’IA a créé de manière autonome un script en trois étapes : tout d’abord, il a lancé des recherches parallèles et personnalisées pour différents éditeurs (par exemple, Mozilla, Google) en fonction de leurs formats d’annonce ; ensuite, il a automatiquement analysé les résultats, identifié les données manquantes et effectué des requêtes de suivi ciblées ; enfin, il a utilisé la validation de schéma pour garantir l’alignement complet des enregistrements de vulnérabilités.
Les résultats ont montré que le système avait accompli la tâche en utilisant 85 % de tokens en moins que les pipelines standard. Dans l’ensemble des benchmarks internes de Perplexity (DSQA, BrowseComp, HLE, WideSearch et le nouveau benchmark de recherche en largeur WANDR), SaC s’est classé en tête dans quatre cas sur cinq, surpassant largement l’ancienne architecture. Sur WANDR en particulier, l’amélioration relative a atteint 45 %.
Le code, nouvelle couche opérationnelle de l’IA
Les rapports du secteur indiquent que l’écriture de code devient de plus en plus la méthode par défaut permettant aux agents d’IA d’interagir avec le monde physique. Les logiciels traditionnels suivent des instructions déterministes, tandis que les grands modèles avancés raisonnent dans l’espace des tokens. Les systèmes les plus puissants combinent les deux : ils utilisent de grands modèles pour la stratégie, exploitent des environnements déterministes pour le traitement par lots et le filtrage, et traitent l’infrastructure de recherche comme une couche d’E/S.
Actuellement, la fonctionnalité « Search as Code » est en cours de déploiement chez
PDG de DeepMind, Hassabis : Je dors six heures par jour et je me sens généralement plein d’énergie vers 1 h du matin.
Fortune a récemment publié une interview avec Demis Hassabis, PDG de Google DeepMind, révélant son approche non conventionnelle du repos et de la productivité. Hassabis a divulgué qu’il dort très peu, structurant ses heures d’éveil en deux blocs de t
OpenAI et Anthropic se disputent des parts de marché malgré des résultats en deçà des attentes
Bien que des informations récentes laissent entendre qu’OpenAI n’aurait pas atteint ses objectifs de chiffre d’affaires, ce qui a pesé sur les valeurs technologiques ce mardi, les investisseurs privés











