Традиционные поисковики, заточенные под человека, стали бутылочным горлышком для автономных AI-систем. Пока инженеры пытаются втиснуть многослойные задачи в прокрустово ложе стандартных API, Perplexity предлагает смену парадигмы: Search as Code (SaC). Вместо того чтобы выпрашивать у поисковика список «синих ссылок», модель сама пишет Python-код для сбора и препарирования данных. Поиск превращается из внешнего сервиса в гибкую программную среду, где AI выступает не потребителем контента, а архитектором собственной цепочки поставок информации.
Проблема человекоцентричного поиска — в его избыточности. Как следует из технического отчета Perplexity, нынешние архитектуры обрекают агентов на бесконечный цикл «запрос — получение ссылок — чтение — новый запрос». Этот процесс забивает контекстное окно информационным шумом. Стандартные поисковые API остаются для агентов «черным ящиком» с жесткими сценариями, которые не позволяют масштабировать исследования в реальном времени. В Perplexity уверены: пора ломать эту схему.
Модель как архитектор данных
Архитектура SaC строится на трех уровнях: когнитивная модель, изолированная программная песочница и Agentic Search SDK. Модель больше не гадает на кофейной гуще токенов — она определяет стратегию и генерирует Python-скрипт, который исполняется в защищенном окружении. Вместо готовых ответов агент использует SDK как набор инструментов для фильтрации, дедупликации и ранжирования результатов «на лету». Это позволяет запускать параллельные поисковые сессии и вытягивать только те факты, которые критически важны здесь и сейчас.
«Search as Code позволяет AI-моделям писать собственные поисковые конвейеры вместо вызова фиксированных API».
Такой подход переносит поиск в плоскость детерминированных алгоритмов. Агент верифицирует данные через код, а не полагается на вероятностное рассуждение модели, склонной к галлюцинациям в условиях дефицита данных.
Экономика и верификация на практике
Эффективность метода проверили на «полевых» испытаниях при анализе уязвимостей CVE. Агенту поручили отследить 200 критических багов за 2023–2025 годы, используя только официальные бюллетени вендоров. С помощью SaC модель собрала трехстадийный скрипт: параллельный поиск по специфическим базам Mozilla и Google, анализ пробелов и финальная кросс-верификация. Итог: по оценке Perplexity, агент выполнил задачу, затратив на 85% меньше токенов, чем классический конвейер.
Конкуренты на этом фоне выглядят бледно, корректно обработав меньше четверти данных. SaC дает модели свободу управления инфраструктурой ввода-вывода, что радикально снижает задержки и избавляет контекстное окно от перегрузки мусором. Код становится основным языком взаимодействия агентов с миром. Пока классический софт живет инструкциями, а нейросети — рассуждениями, SaC объединяет оба мира. Впрочем, за эффективностью маячит старый вопрос безопасности: насколько можно доверять коду, который модель пишет «на лету» для доступа к внешней среде? Изоляция в песочнице — это необходимый минимум, но автономная генерация инфраструктуры поиска всё еще требует скептического надзора.