Rethinking Search as Code Generation

原始來源與檔名：2026-06-09T093904+0800-Rethinking Search as Code Generation.md

NAPKIN | 餐巾纸

餐巾纸公式

Search as Code (SaC) = LLM (Control Plane) + Agentic Search SDK (Primitives) + Compute Sandbox (Execution) 將傳統單體的搜尋引擎解構成底層 API 原語，讓 LLM 透過生成 Python 代碼，針對每個任務動態編排專屬的檢索與處理管線。

一句话

Perplexity 提出的 Search as Code 架構，打破傳統搜尋 API 的僵化，讓 AI 代理透過寫程式直接控制底層的檢索、排序與聚合原語，大幅提升複雜任務效能。

餐巾纸草图

[Traditional Search]           [Search as Code (SaC)]
LLM -> Query -> [Monolith]     LLM -> (Generates Python Code)
                              |
                              v
                        [Compute Sandbox]
                        - sdk.search.web_many()
                        - dedupe()
                        - summarize()
                              |
                              v
                           (Targeted, dense context back to LLM)

ROUND 1: SKELETON | 骨架掃描

“这本书在说什么”

章节骨架

  1. The Rigidity of Traditional Search: 傳統搜尋管線的剛性導致三大失敗模式：粗糙的上下文污染、無法利用領域知識引導搜尋、缺乏效率的控制流 (只能線性呼叫)。
  2. Designing a Programmable Search Architecture: 介紹 SaC 三層架構。
    • Agentic Search SDK: 將搜尋打碎為可組合的基元 (Python)。
    • Sandboxes: 執行環境，利用檔案系統 (Filesystem + Serde) 傳遞跨回合的狀態，而非使用 REPL 避免命名空間混亂。
    • Models: 控制層，結合特定訓練的 Agent Skills 來教導模型使用 SDK。
  3. Case Study: CVE Vendor Advisories: 展示三段生成的程式碼，如何過濾網址格式、分析稀疏數據並驗證版本綁定。
  4. Evaluation Results: 在 BrowseComp, WideSearch, WANDR 等基準測試中，SaC 在效能與成本邊界 (Cost-Performance Frontier) 上大幅超越 OpenAI, Anthropic 等對手。
  5. Toward a New Architecture of Computing: 總結這是一種結合「Token-space 推理」與「確定性執行 (Deterministic runtime)」的混合計算架構。

ROUND 2: DISSECTION | 血肉解剖

“凭什么这么说”

论证链

[複雜任務需要非線性、去蕪存菁的檢索] --> [傳統 API 強制回傳完整結果，污染 LLM Context] --> [提供 SDK 讓 LLM 生成代碼在 Sandbox 內執行] --> [代碼執行過濾、聚合後，只回傳最高密度的資訊] --> [效能與成本雙贏]

关键证据

  1. 案例分析: 查詢 200 個 CVE。SaC 只用 42.9K Tokens 達到 100% 準確率；傳統基準線用了 288.7K Tokens 且其它非 Perplexity 系統得分低於 25%。
  2. 生成的代碼範例:
seed_hits = sdk.search.web_many(queries, limit_per_query=8, concurrency=12)
pages = [{"vendor": q["vendor"], "url": h.url, "text": join_result_fields(h)} ...]
# Agent 甚至能用 LLM 作為中間的判定函數來過濾
verified = sdk.llm.extract_many(items, instruction="...", schema={...})
  1. 基準測試結果 (WANDR): 處理複雜研究任務的 WANDR 測試中，SaC 取得 0.386 的分數，遙遙領先次佳系統 (Anthropic) 的 0.152，領先幅度達 2.5倍。

隐形假设与边界

ROUND 3: SOUL | 靈魂提取

“还能怎么用”

跨域映射

Rethinking Search as Code Generation (Architectural Deep Dive)

前言/背景

隨著 AI Agent 被要求執行持續數小時的複雜任務，傳統的搜尋 API 暴露出僵化與上下文污染的問題。Perplexity 發布了名為 Search as Code (SaC) 的新架構，賦予 AI 直接透過撰寫程式碼來編排檢索底層原語的能力。

章節詳細總結

傳統搜尋架構的瓶頸

傳統搜尋為人類設計，API 強制綁定檢索、排序與內容萃取，導致 AI 使用時遇到三大問題：

  1. 粗糙的上下文：為了獲取單一精準資訊被迫載入大量無關內容。
  2. 無法利用領域知識：模型無法在檢索中途加入特定的業務邏輯 (如特定過濾條件)。
  3. 控制流效率低下：需要多次與 LLM 來回交互 (Roundtrips) 才能完成平行搜尋或合併結果。

Search as Code (SaC) 三層架構

實際案例與基準測試效能

總結與結論