Perplexity 推出「Search-as-Code」,讓 AI 代理程式能夠自主建置搜尋管線
傳統的藍色連結清單,雖針對人類瀏覽進行了優化,卻已成為追求效率的人工智慧代理程式所面臨的瓶頸。在處理複雜的研究任務時,人工智慧系統被迫進行手動、多輪次的 API 呼叫,並需進行僵化的術語調整,不僅受限於架構的僵化,其語境視窗更充斥著無關資訊。
為克服此問題,Perplexity 推出了一種新架構:「Search as Code」(SaC)。此方法不再依賴預先建置的單體式搜尋 API,而是讓 AI 模型能透過Python 程式碼,動態建構並執行自訂的搜尋工作流程。

三大核心架構層
Perplexity 的 SaC 架構垂直劃分為三個層級:
模型層(頂層):負責處理複雜的任務理解,並制定高階搜尋策略。
安全沙盒(中間層):提供安全的程式碼執行環境,並配備用於儲存中間狀態的檔案系統。
智慧搜尋 SDK(底層):將原子操作——檢索、擴展、篩選、去重、重新排序及欄位解析——封裝為基本函式,使生成的程式碼能以元件層級存取搜尋基礎架構。
此設計使 AI 代理程式能夠執行並行查詢、透過程式化方式篩除無關資料,並僅將高度相關且經過精煉的結果導入上下文視窗——從而維持長篇研究任務中的思維連續性。
真實世界 CVE 漏洞研究:效能提升與標記數量減少
為了在實務中驗證此架構,Perplexity 針對一項高難度的網路安全任務進行了測試:追蹤 2023 年至 2025 年間發布的 200 項關鍵 CVE,並準確擷取官方安全通報、受影響的軟體以及已修補的版本。

透過 SaC,AI 模型自主生成了一個三階段腳本:首先,根據各廠商(例如 Mozilla、Google)的公告格式,針對不同廠商執行並行且客製化的搜尋;接著自動掃描結果、識別缺失資料,並執行針對性的後續查詢; 最後,透過模式驗證確保漏洞記錄完全一致。
結果顯示,該系統完成任務所使用的標記數量比標準處理流程減少了 85%。 在 Perplexity 的內部基準測試(DSQA、BrowseComp、HLE、WideSearch 以及新的廣度研究基準 WANDR)中,SaC 在五項測試中有四項名列前茅,表現遠優於舊架構。特別是在 WANDR 測試中,相對改善幅度高達 45%。
程式碼:AI 的新運算層
業界報告指出,編寫程式碼正日益成為 AI 代理與物理世界互動的預設方式。 傳統軟體遵循確定性指令,而先進的大型模型則在標記空間中進行推理。最強大的系統將兩者結合:它們利用大型模型制定策略,借助確定性環境進行批次處理與過濾,並將搜尋基礎架構視為 I/O 層。
目前,「Search as Code」功能正在Perplexity Computer 平台上逐步推出
相關文章
DeepMind執行長哈西里斯:我每天睡六個小時,通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪,揭示了他對休息和生產力的非傳統方法。Hassabis 透露,他睡眠時間非常少,將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣,Hassabis 表示:“我目標睡六小時,但我的習慣非同尋常。我可以在白天有效運作。”他強調,睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind(後被谷歌收購),並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期,OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標,導致本週二科技股承壓,但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認,儘管媒體報導負面,他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段,因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力,但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同,競爭對手 Anthropic 獲得了
加州自動駕駛合規:罰單、地理圍欄與 100 萬英里的新時代
Guident 在南佛羅里達州營運一輛 AuveTech 接駁車,並運用其遠端監控技術,管理西棕櫚灘的一條四英里路線以及博卡拉頓的一條一英里路線。| 圖片來源:Guident加州正重新定義無人駕駛車輛的監管格局,從科技產業的「快速行動、打破常規」心態,轉向嚴格的問責制與嚴謹的行駛里程要求。Guident 執行董事長兼執行長哈羅德·布勞恩(Harold Braun)在《機器人報告》(The Robo
相關專題推薦
評論 (0)
0/500
傳統的藍色連結清單,雖針對人類瀏覽進行了優化,卻已成為追求效率的人工智慧代理程式所面臨的瓶頸。在處理複雜的研究任務時,人工智慧系統被迫進行手動、多輪次的 API 呼叫,並需進行僵化的術語調整,不僅受限於架構的僵化,其語境視窗更充斥著無關資訊。
為克服此問題,Perplexity 推出了一種新架構:「Search as Code」(SaC)。此方法不再依賴預先建置的單體式搜尋 API,而是讓 AI 模型能透過Python 程式碼,動態建構並執行自訂的搜尋工作流程。

三大核心架構層
Perplexity 的 SaC 架構垂直劃分為三個層級:
模型層(頂層):負責處理複雜的任務理解,並制定高階搜尋策略。
安全沙盒(中間層):提供安全的程式碼執行環境,並配備用於儲存中間狀態的檔案系統。
智慧搜尋 SDK(底層):將原子操作——檢索、擴展、篩選、去重、重新排序及欄位解析——封裝為基本函式,使生成的程式碼能以元件層級存取搜尋基礎架構。
此設計使 AI 代理程式能夠執行並行查詢、透過程式化方式篩除無關資料,並僅將高度相關且經過精煉的結果導入上下文視窗——從而維持長篇研究任務中的思維連續性。
真實世界 CVE 漏洞研究:效能提升與標記數量減少
為了在實務中驗證此架構,Perplexity 針對一項高難度的網路安全任務進行了測試:追蹤 2023 年至 2025 年間發布的 200 項關鍵 CVE,並準確擷取官方安全通報、受影響的軟體以及已修補的版本。

透過 SaC,AI 模型自主生成了一個三階段腳本:首先,根據各廠商(例如 Mozilla、Google)的公告格式,針對不同廠商執行並行且客製化的搜尋;接著自動掃描結果、識別缺失資料,並執行針對性的後續查詢; 最後,透過模式驗證確保漏洞記錄完全一致。
結果顯示,該系統完成任務所使用的標記數量比標準處理流程減少了 85%。 在 Perplexity 的內部基準測試(DSQA、BrowseComp、HLE、WideSearch 以及新的廣度研究基準 WANDR)中,SaC 在五項測試中有四項名列前茅,表現遠優於舊架構。特別是在 WANDR 測試中,相對改善幅度高達 45%。
程式碼:AI 的新運算層
業界報告指出,編寫程式碼正日益成為 AI 代理與物理世界互動的預設方式。 傳統軟體遵循確定性指令,而先進的大型模型則在標記空間中進行推理。最強大的系統將兩者結合:它們利用大型模型制定策略,借助確定性環境進行批次處理與過濾,並將搜尋基礎架構視為 I/O 層。
目前,「Search as Code」功能正在
DeepMind執行長哈西里斯:我每天睡六個小時,通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪,揭示了他對休息和生產力的非傳統方法。Hassabis 透露,他睡眠時間非常少,將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣,Hassabis 表示:“我目標睡六小時,但我的習慣非同尋常。我可以在白天有效運作。”他強調,睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind(後被谷歌收購),並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期,OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標,導致本週二科技股承壓,但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認,儘管媒體報導負面,他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段,因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力,但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同,競爭對手 Anthropic 獲得了





首頁






