Оглавление

Разработчики поисковой системы Perplexity представили новую архитектуру под названием Search as Code (SaC), которая радикально меняет способ взаимодействия нейросетей с интернетом. Вместо того чтобы полагаться на стандартные программные интерфейсы (API) с жестко заданными правилами, языковые модели теперь будут самостоятельно писать код на Python для управления поисковыми процессами. Как сообщает The Decoder, такой подход позволяет агентам создавать индивидуальные поисковые конвейеры «на лету».

Проблема классических поисковых API заключается в их избыточности для машин: они создавались для людей, которым нужен список ссылок, а не структурированные данные. Когда современный ИИ-агент сталкивается с многоэтапной задачей, он вынужден совершать десятки итераций, каждый раз получая в ответ массу лишней информации. В Perplexity резонно заметили, что это создает «бутылочное горлышко», перегружая контекстное окно модели мусором и увеличивая расходы на токены.

Три уровня автономного поиска

Архитектура Search as Code выстроена по принципу трехслойного стека. На верхнем уровне находится сама модель, которая анализирует запрос и выбирает стратегию исследования. В центре располагается безопасная «песочница» для исполнения кода. Нижний уровень занимает Agentic Search SDK — набор инструментов, превращающий функции поисковика в элементарные блоки, которые модель может комбинировать по своему усмотрению.

Теперь агент не просто вводит поисковый запрос, а пишет скрипт, который может параллельно опрашивать разные источники, программно фильтровать результаты и отсеивать дубликаты еще до того, как текст попадет на анализ. Это позволяет сохранять контекст чистым, что критически важно для длительных исследовательских сессий, где модель легко может потерять нить рассуждений из-за обилия нерелевантных данных.

Практическое применение и тесты на уязвимостях

Для демонстрации возможностей системы компания провела эксперимент с поиском данных о 200 критических уязвимостях (CVE), опубликованных в последние годы. Задачей агента было найти официальные бюллетени вендоров и точные версии исправлений, игнорируя при этом новостные статьи и блоги. С помощью SaC модель написала трехстадийный алгоритм, учитывающий специфику сайтов таких гигантов, как Mozilla или Google.

Результаты оказались впечатляющими: система выполнила задачу, затратив на 85% меньше токенов, чем стандартная архитектура. В то время как конкурентные решения справлялись менее чем с четвертью объема данных, агент на базе «Search as Code» показал высокую точность. По данным внутренних бенчмарков Perplexity, их разработка опережает решения от OpenAI и Anthropic в четырех из пяти категорий, особенно в сложных сценариях глубокого исследования.

За экономией токенов скрывается критическая зависимость от способности модели писать безошибочный Python-код в реальном времени. Пока SaC выглядит как изящный способ обойти ограничения текущих интерфейсов, но для индустрии это скорее тревожный звонок: старые методы доставки данных окончательно перестали удовлетворять аппетиты нейросетей.

Код как новая операционная среда

Внедрение этой технологии подтверждает растущий тренд: код становится основным языком, на котором ИИ общается с внешним миром. Традиционное ПО опирается на детерминированные инструкции, в то время как ИИ привносит в процесс рассуждения. Связующим звеном выступает среда исполнения, где стратегия модели превращается в конкретные действия по обработке данных.

Это может решить и старую проблему «ленивых» поисковых агентов, которые зачастую не ищут новую информацию, а лишь пытаются подтвердить свои галлюцинации данными из обучающей выборки. Динамическое создание поисковых фильтров заставляет систему работать с живым вебом более осознанно. Судя по всему, в ближайшем будущем возможности автономных систем будут определяться не только мощностью самих моделей, но и гибкостью инфраструктуры, в которой они работают.