Search as Code：Perplexity如何让AI模型自主编写搜索管线，Token成本降低85%

在AI Agent快速发展的2026年，一个长期困扰研究型AI系统的问题正在被重新定义：AI模型如何更高效地搜索和检索信息？ 6月8日，Perplexity发布了其全新的"Search as Code"（SaC）架构，从根本上改变了AI与搜索引擎的交互方式——模型不再调用固定的搜索API，而是自主编写Python代码来执行搜索、过滤、去重和排序操作。这一范式转变不仅在基准测试中碾压了OpenAI和Anthropic的方案，更将Token消耗降低了85%。

传统搜索API的瓶颈：为什么AI Agent需要新范式？

"蓝色链接"时代的遗产

当今的搜索引擎——无论是Google、Bing还是Perplexity自身——本质上都是为人类用户设计的。它们返回一个整齐的蓝色链接列表，用户自行判断点击哪个、阅读哪个。但对于AI Agent来说，这种交互模式存在根本性的效率问题：

1. 查询黑箱：Agent只能修改搜索词，无法控制过滤逻辑、排序策略或去重机制 2. 信息膨胀：每次搜索返回大量无关结果，迅速填满Agent有限的上下文窗口 3. 循环低效：Agent反复执行"查询→阅读→再查询"的循环，大量Token浪费在无用信息上 4. 缺乏精确性：无法针对特定场景（如CVE漏洞追踪）定制搜索策略

Perplexity在其技术报告中指出：当前的搜索架构是为人类设计的"一刀切"方案，对需要在几分钟内执行数百次搜索的AI Agent来说，这个架构太僵化了。

一个真实的痛点场景

以网络安全领域的CVE漏洞追踪为例：Agent需要找到200个关键软件漏洞，对每个漏洞获取厂商公告、受影响软件和修补版本号。使用传统搜索API，Agent需要：

• 为每个CVE执行多次搜索（厂商公告、补丁信息、版本号）
• 阅读大量新闻文章和博客（大部分无用）
• 手动验证信息一致性

这个过程不仅缓慢，而且准确率极低——竞品系统在类似任务上的正确率不到25%。

Search as Code的三层架构

从"调用API"到"编写代码"

Search as Code的核心思想可以用一句话概括：让AI模型不再"使用"搜索工具，而是"编程"搜索工具。

传统的Agent搜索流程： `` Agent → 调用Search API(query) → 获取结果列表 → 阅读 → 再次调用API

`

SaC的流程：

`

Agent → 编写Python搜索脚本 → 在沙箱中执行 → 精确获取所需信息

`

这一架构分为三层：

层级	组件	功能
上层	AI模型（如GPT-4o、Claude）	理解任务、制定搜索策略、编写搜索代码
中层	安全沙箱	执行模型生成的Python代码，隔离运行环境
底层	Agentic Search SDK	将Perplexity搜索引擎拆解为可组合的SDK函数

Agentic Search SDK：搜索的"乐高积木"

SaC的底层是一套精心设计的SDK函数，将搜索引擎的能力原子化：

• retrieve()：基础检索，返回原始搜索结果
• filter()：按条件过滤结果（如日期范围、域名、内容类型）
• deduplicate()：去除重复信息
• rerank()：根据相关性重新排序
• validate()：验证结果是否符合预期格式

模型可以根据任务需求，自由组合这些函数，甚至并行执行多个搜索子任务。

实战效果：碾压竞品

基准测试结果

Perplexity在多个基准测试上对比了SaC与传统搜索方案：

基准测试	SaC	OpenAI Responses API	Anthropic Managed Agents	提升幅度
WANDR（广域研究）	89.2%	61.3%	58.7%	+45%
CVE漏洞追踪	95.0%	23.5%	21.8%	+304%
多源事实验证	87.6%	68.2%	65.1%	+28%
长文档摘要	91.3%	72.4%	70.8%	+26%
Token效率（相对传统方案）	15%	100%	100%	-85%

注：WANDR是Perplexity自研的广域研究基准测试，即将开源发布。

CVE漏洞追踪的三阶段脚本

以文中提到的CVE追踪任务为例，模型生成的SaC脚本分为三个阶段：

阶段一：并行定向搜索 `python

针对不同厂商的公告格式，编写专门的搜索逻辑

queries = [ retrieve(f"site:security.google.com CVE-{year}"), retrieve(f"site:security.mozilla.org advisory {cve_id}"), retrieve(f"vendor security bulletin {affected_software}") ] results = filter(queries, date_range=("2023-01-01", "2025-12-31"))

` 阶段二：差距检测与补充查询 `python

missing = detect_gaps(results, expected_fields=["vendor", "product", "patch_version"]) supplementary = retrieve(missing_queries) results = merge(results, supplementary)

` 阶段三：结构化验证 `python

validated = validate(results, schema={ "cve_id": r"^CVE-\d{4}-\d+$", "vendor": "required", "patch_version": "semver" })

``

这个脚本在实际执行中，Token消耗仅为传统方案的15%，准确率从23.5%飙升至95%。

对我们PDF文档处理的意义与启示

Search as Code的架构思想对PDF文档智能处理领域有深刻的启示：

1. 从"通用解析"到"定制化处理管线"

正如SaC让Agent为每个搜索任务编写专门的代码，PDF处理也可以采用类似的思路：

• 不再使用一套固定的解析流程处理所有PDF
• 让AI模型根据文档类型（合同、论文、报表）自动生成定制化的解析脚本
• 通过SDK函数组合（OCR、布局分析、表格提取）实现灵活处理

2. Token效率是关键竞争力

SaC将Token成本降低85%的案例表明：智能的处理架构比单纯增大模型更重要。在PDF处理场景中：

• 传统方法：将整个PDF转为文本，一次性送入大模型（Token消耗巨大）
• SaC思路：先用轻量级工具提取结构，再用大模型处理关键部分（Token消耗大幅降低）

3. 沙箱执行确保安全性

SaC的沙箱架构对处理敏感PDF文档（如合同、财务报表）尤为重要：

• 模型生成的解析代码在隔离环境中执行
• 防止恶意PDF中的提示注入攻击
• 确保数据处理过程的可审计性和可追溯性

4. SDK化思维的普适价值

将复杂的文档处理能力拆解为可组合的SDK函数，这一思路可以推广到：

• PDF文本提取函数
• 表格结构识别函数
• 图表数据提取函数
• 跨页内容聚合函数
• 文档元数据分析函数

让AI Agent像搭积木一样组合这些函数，实现高度定制化的文档处理流程。

行业趋势：搜索正在成为Agent的"操作系统层"

Perplexity在技术报告中提出了一个更宏大的愿景：搜索正在从"应用层"下沉为Agent的"操作系统层"。

传统软件依赖确定性指令运行，前沿模型在Token空间中增加推理能力。而最强大的系统将两者结合：

这种分层架构对所有AI Agent应用都有借鉴意义——包括文档处理、数据分析、代码生成等领域。

结语

Search as Code不仅仅是一次技术升级，更是AI Agent与外部工具交互范式的根本性转变。当模型从"工具使用者"变成"工具编程者"，其能力边界将被极大地拓展。

对于PDF文档处理行业来说，SaC的启示是明确的：未来的智能文档处理系统，不应该是一套固定的处理流水线，而应该是一个可编程、可组合、可定制的处理平台。AI模型根据每份文档的具体特征，动态生成最优的解析策略——这才是真正的"智能文档处理"。

Perplexity的Search as Code已在Perplexity Computer和Agent API中上线。这一架构的开源推广，可能会引发AI Agent生态的新一轮变革。