你有没有发现，当AI智能体尝试处理复杂研究任务时，传统的搜索引擎实际上越来越像一件“落后的摆设”？那种专为人类浏览设计的蓝色链接列表，放在AI眼里，就好比让一辆跑车在乡村小道上行驶——不仅效率低下，还处处受限。AI只能依赖人工反复调整关键词，通过多轮API调用来拼凑信息，结果呢？架构缺乏弹性，上下文窗口还被大量低质冗余内容挤占得满满当当。这显然不是什么好体验。

从另一个角度看，这种困境其实揭示了一个核心矛盾：我们给AI配备的工具，本质上还是为人类设计的。好在，Perplexity最近推出了一套新解法，称为“搜索即代码”——这一新范式极具创新性，它不再依赖封装好、功能固定的搜索API，而是让AI模型自己用Python代码动态生成并运行个性化的搜索流程。

三层协同架构

具体如何运转？Perplexity的SaC方案采用垂直分层设计，共分三层，各司其职：

• 模型层（顶层）：负责理解研究意图，规划宏观搜索策略——简而言之，就是让AI明确要去哪里、怎么去；
• 安全沙箱（中层）：提供一个受控的执行环境，内置持久化文件系统用于暂存中间状态，既安全又灵活；
• 智能搜索SDK（底层）：将检索、扇出查询、条件过滤、结果去重、相关性重排和结构化解析这些细粒度能力，封装成可编程的函数原语，代码可直接调用。

这样一来，AI智能体就能并行发起多路查询，按需去除噪声，只将真正关键的信息注入上下文窗口。对于长周期、多步骤的研究任务，逻辑一致性和推理连贯性都得到了保障。

CVE漏洞分析实战：效率跃升与Token大幅缩减

理论讲完，咱们来看看真刀真枪的实战。Perplexity设计了一项高难度的网络安全任务：系统性地追踪200个发布于2023至2025年间的重点软件漏洞（CVE），并准确提取它们的官方披露文档、受影响产品清单以及对应的修复版本号。

在SaC的支持下，AI自己编写了一套“三阶段自动化脚本”：第一阶段针对不同厂商（如Mozilla、Google）的公告格式差异，启动并行定制化搜索；第二阶段自动扫描首轮结果中的缺口，触发补充查询；第三阶段则借助Schema校验机制，确保最终输出的漏洞数据字段完整、语义对齐。

结果相当惊人：不仅高质量完成了全部任务，而且Token使用量比传统标准流程下降了85%。在Perplexity的内部基准测试中（涵盖DSQA、BrowseComp、HLE、WideSearch和最新推出的广度研究评测集WANDR），SaC在五项指标里拿下了四项领先，相对原有架构提升显著。尤其在最具挑战性的WANDR上，增益高达45%——这才是真正的效率跃升。

编程能力正演变为AI的核心交互界面

从行业趋势来看，代码编写正在加速成为AI智能体与现实世界连接的主流接口。传统软件依赖确定性指令流，而前沿大模型则在Token空间中进行概率化推理。真正有竞争力的系统，往往是两者优势融合：大模型负责策略生成，确定性运行环境承担批量处理和精细过滤，而搜索基础设施则作为统一的输入/输出通道。

目前，“搜索即代码”能力已经全面集成到Perplexity Computer平台和Agent API接口中，逐步向开发者开放。对于当前AI搜索智能体普遍面临的问题——过度依赖训练数据的幻觉、难以响应实时变化的信息——这一新范式，或许正是一条切实可行的破局路径。