Perplexity ogłosiła nową architekturę wyszukiwania – Search as Code (SaC) – która rezygnuje z sztywnych interfejsów API na rzecz programowalnych komponentów. Modele AI nie tylko wysyłają zapytania do czarnej skrzynki; teraz same budują potok wyszukiwania za pomocą generowanego kodu Pythona, co daje im większą kontrolę nad każdym etapem przetwarzania informacji. To zmiana, która pozwala agentom AI na przeprowadzanie setek, a nawet tysięcy operacji wyszukiwania w ramach jednego przebiegu wnioskowania.
Kluczowe informacje o Search as Code
- Perplexity wprowadza Search as Code w ramach Agent API oraz w produkcie Computer, zastępując wcześniejsze interfejsy typu function calling i MCP.
- Modele AI generują kod Pythona, który orkiestruje wyszukiwanie – od pobierania danych, przez ranking, filtrowanie, aż po fan-outy – i wykonują go w izolowanym środowisku.
- Agent uzyskuje dostęp do stanów pośrednich, takich jak listy kandydatów czy sygnały rankingowe, co pozwala na dynamiczną optymalizację strategii podczas realizacji zadania.
- Architektura SaC wprowadza nowy standard wydajności kosztowej w benchmarkach wyszukiwania agentowego, znacznie poprawiając precyzję i redukując zbędne obciążenie kontekstu modelu.
Czym jest Search as Code?
Termin „Search as Code” może budzić skojarzenia z narzędziami do przeszukiwania repozytoriów (jak Google Code Search czy Sourcegraph), jednak w kontekście ogłoszenia Perplexity oznacza coś innego. SaC to architektura, w której wyszukiwanie nie jest wywoływane jako gotowy serwis przez funkcję API czy protokół MCP, lecz składane na żądanie przez model AI z atomowych prymitywów udostępnionych w SDK. Model, korzystając z generowania kodu, decyduje, jak skonfigurować retrieval, jakie filtry zastosować, czy uruchomić wiele równoległych zapytań i jak połączyć wyniki. Cały proces odbywa się w bezpiecznym środowisku, bez udziału zewnętrznych interfejsów komunikacyjnych.
Tradycyjne systemy wyszukiwania były projektowane dla ludzi: użytkownik wpisywał zapytanie, a silnik zwracał stronę wyników (SERP). Gdy modele AI zaczęły korzystać z tych systemów, dziedziczyły ten sam kontrakt – podaj zapytanie, otrzymaj przetworzoną listę dokumentów. Dla prostych zadań to wystarczało, ale dla złożonych, wieloetapowych zadań agentowych stało się to wąskim gardłem.
Dlaczego tradycyjne API przestało wystarczać?
Monolityczne API narzuca modelowi sztywną logikę potoku wyszukiwania, co prowadzi do trzech powtarzających się problemów:
- Zbyt gruby kontekst – gdy agent potrzebuje jednej precyzyjnej informacji, a pipeline nastawiony jest na wysoką kompletność, do kontekstu trafia wiele nieistotnych danych, co zwiększa koszty i szum.
- Niewykorzystana wiedza dziedzinowa – model może rozpoznać, że dla danego zadania lepiej połączyć sygnały leksykalne z semantycznymi, nadać priorytet konkretnym źródłom lub agregować wyniki po określonym kluczu, ale nie ma możliwości przekazania tych wskazówek do API.
- Nieefektywna kontrola przepływu – agent nie może dostosować logiki potoku do specyfiki zadania, co prowadzi do nieoptymalnych wyników.