Lar
A Perplexity lança o Search-as-Code, permitindo que agentes de IA criem pipelines de pesquisa de forma autônoma
A tradicional lista de links azuis, otimizada para a navegação humana, tornou-se um gargalo para os agentes de IA que buscam eficiência. Ao lidar com tarefas complexas de pesquisa, os sistemas de IA são obrigados a realizar chamadas manuais de API com várias etapas e ajustes rígidos de termos, sofrendo com a inflexibilidade arquitetônica e janelas de contexto sobrecarregadas com informações irrelevantes.
Para superar isso, a Perplexity introduziu uma nova arquitetura: Search as Code (SaC). Em vez de depender de APIs de pesquisa monolíticas pré-construídas, essa abordagem permite que modelos de IA construam e executem dinamicamente fluxos de trabalho de pesquisa personalizados usando código Python.

As três camadas principais da arquitetura
A arquitetura SaC da Perplexity está organizada verticalmente em três camadas:
Camada de Modelo (Camada Superior): Lida com a compreensão de tarefas complexas e elabora estratégias de pesquisa de alto nível.
Sandbox de segurança (camada intermediária): oferece um ambiente de execução seguro para a execução de código, completo com um sistema de arquivos para armazenamento de estados intermediários.
SDK de Pesquisa Inteligente (Camada Inferior): encapsula operações atômicas — recuperação, expansão, filtragem, deduplicação, reclassificação e análise de campos — em funções primitivas, proporcionando ao código gerado acesso em nível de componente à infraestrutura de pesquisa.
Esse projeto permite que agentes de IA executem consultas paralelas, descartem programaticamente dados irrelevantes e alimentem a janela de contexto apenas com resultados altamente relevantes e refinados — preservando a continuidade do raciocínio em tarefas de pesquisa de longo prazo.
Pesquisa de vulnerabilidades CVE no mundo real: aumento de desempenho e redução de tokens
Para validar a arquitetura na prática, a Perplexity a testou em uma tarefa exigente de segurança cibernética: rastrear 200 CVEs críticos divulgados entre 2023 e 2025 e extrair com precisão alertas oficiais, softwares afetados e versões corrigidas.

Com o SaC, o modelo de IA criou autonomamente um script em três etapas: primeiro, executou buscas paralelas e personalizadas para diferentes fornecedores (por exemplo, Mozilla, Google) com base em seus formatos de anúncio; em seguida, analisou automaticamente os resultados, identificou dados ausentes e realizou consultas de acompanhamento direcionadas; por fim, utilizou a validação de esquema para garantir o alinhamento completo dos registros de vulnerabilidades.
Os resultados mostraram que o sistema concluiu a tarefa utilizando 85% menos tokens do que os pipelines padrão. Nos benchmarks internos da Perplexity (DSQA, BrowseComp, HLE, WideSearch e o novo benchmark de pesquisa de amplitude WANDR), o SaC ficou em primeiro lugar em quatro dos cinco, superando significativamente a arquitetura antiga. Especificamente no WANDR, a melhoria relativa chegou a 45%.
O código como a nova camada operacional para a IA
Relatórios do setor sugerem que escrever código está se tornando cada vez mais o método padrão para que agentes de IA interajam com o mundo físico. O software tradicional segue instruções determinísticas, enquanto modelos avançados de grande porte raciocinam no espaço de tokens. Os sistemas mais poderosos combinam ambos: utilizam modelos de grande porte para estratégia, aproveitam ambientes determinísticos para processamento em lote e filtragem e tratam a infraestrutura de busca como uma camada de E/S.
Atualmente, o recurso “Search as Code” está sendo implementado na Perplexity Computer
Artigo relacionado
CEO da DeepMind, Hassabis: Durmo seis horas por dia, geralmente me sinto energético por volta da 1h
O Fortune recentemente publicou uma entrevista com Demis Hassabis, CEO da Google DeepMind, revelando sua abordagem incomum para descanso e produtividade. Hassabis revelou que dorme muito pouco, estruturando suas horas acordadas em dois blocos de trab
OpenAI e Anthropic disputam participação no mercado, apesar da queda na receita
Apesar de relatos recentes sugerirem que a OpenAI não atingiu suas metas de receita, o que gerou pressão sobre as ações do setor de tecnologia nesta terça-feira, os investidores privados em laboratóri
Conformidade com a regulamentação de veículos autônomos na Califórnia: uma nova era de multas, geocercas e 1 milhão de milhas
A Guident opera um veículo de transporte da AuveTech no sul da Flórida, administrando uma rota de quatro milhas em West Palm Beach e uma rota de uma milha em Boca Raton por meio de sua tecnologia de m
Recomendações de tópicos especiais relacionados
Comentários (0)
A tradicional lista de links azuis, otimizada para a navegação humana, tornou-se um gargalo para os agentes de IA que buscam eficiência. Ao lidar com tarefas complexas de pesquisa, os sistemas de IA são obrigados a realizar chamadas manuais de API com várias etapas e ajustes rígidos de termos, sofrendo com a inflexibilidade arquitetônica e janelas de contexto sobrecarregadas com informações irrelevantes.
Para superar isso, a Perplexity introduziu uma nova arquitetura: Search as Code (SaC). Em vez de depender de APIs de pesquisa monolíticas pré-construídas, essa abordagem permite que modelos de IA construam e executem dinamicamente fluxos de trabalho de pesquisa personalizados usando código Python.

As três camadas principais da arquitetura
A arquitetura SaC da Perplexity está organizada verticalmente em três camadas:
Camada de Modelo (Camada Superior): Lida com a compreensão de tarefas complexas e elabora estratégias de pesquisa de alto nível.
Sandbox de segurança (camada intermediária): oferece um ambiente de execução seguro para a execução de código, completo com um sistema de arquivos para armazenamento de estados intermediários.
SDK de Pesquisa Inteligente (Camada Inferior): encapsula operações atômicas — recuperação, expansão, filtragem, deduplicação, reclassificação e análise de campos — em funções primitivas, proporcionando ao código gerado acesso em nível de componente à infraestrutura de pesquisa.
Esse projeto permite que agentes de IA executem consultas paralelas, descartem programaticamente dados irrelevantes e alimentem a janela de contexto apenas com resultados altamente relevantes e refinados — preservando a continuidade do raciocínio em tarefas de pesquisa de longo prazo.
Pesquisa de vulnerabilidades CVE no mundo real: aumento de desempenho e redução de tokens
Para validar a arquitetura na prática, a Perplexity a testou em uma tarefa exigente de segurança cibernética: rastrear 200 CVEs críticos divulgados entre 2023 e 2025 e extrair com precisão alertas oficiais, softwares afetados e versões corrigidas.

Com o SaC, o modelo de IA criou autonomamente um script em três etapas: primeiro, executou buscas paralelas e personalizadas para diferentes fornecedores (por exemplo, Mozilla, Google) com base em seus formatos de anúncio; em seguida, analisou automaticamente os resultados, identificou dados ausentes e realizou consultas de acompanhamento direcionadas; por fim, utilizou a validação de esquema para garantir o alinhamento completo dos registros de vulnerabilidades.
Os resultados mostraram que o sistema concluiu a tarefa utilizando 85% menos tokens do que os pipelines padrão. Nos benchmarks internos da Perplexity (DSQA, BrowseComp, HLE, WideSearch e o novo benchmark de pesquisa de amplitude WANDR), o SaC ficou em primeiro lugar em quatro dos cinco, superando significativamente a arquitetura antiga. Especificamente no WANDR, a melhoria relativa chegou a 45%.
O código como a nova camada operacional para a IA
Relatórios do setor sugerem que escrever código está se tornando cada vez mais o método padrão para que agentes de IA interajam com o mundo físico. O software tradicional segue instruções determinísticas, enquanto modelos avançados de grande porte raciocinam no espaço de tokens. Os sistemas mais poderosos combinam ambos: utilizam modelos de grande porte para estratégia, aproveitam ambientes determinísticos para processamento em lote e filtragem e tratam a infraestrutura de busca como uma camada de E/S.
Atualmente, o recurso “Search as Code” está sendo implementado na
CEO da DeepMind, Hassabis: Durmo seis horas por dia, geralmente me sinto energético por volta da 1h
O Fortune recentemente publicou uma entrevista com Demis Hassabis, CEO da Google DeepMind, revelando sua abordagem incomum para descanso e produtividade. Hassabis revelou que dorme muito pouco, estruturando suas horas acordadas em dois blocos de trab
OpenAI e Anthropic disputam participação no mercado, apesar da queda na receita
Apesar de relatos recentes sugerirem que a OpenAI não atingiu suas metas de receita, o que gerou pressão sobre as ações do setor de tecnologia nesta terça-feira, os investidores privados em laboratóri











