打破僵化API!Perplexity 推出“搜索即代碼”，讓 AI 智能體自主編寫搜索管道

2026年6月8日 01:325300 次瀏覽

重點摘要

傳統搜索引擎的“藍色鏈接列表”模式已無法滿足AI智能體的高效需求。AI在處理複雜研究時，需手動調整搜索詞並多次調用API，面臨架構僵化和上下文被垃圾信息擠佔的問題。為此，Perplexity推出“搜索即代碼”（SaC）架構，放棄調用現成整體結果，轉而將搜索過程轉化為代碼指令，讓AI更靈活地獲取精準信息，提升研究效率。

站內 AI 整理稿

### 打破僵化API！Perplexity推出「搜索即代碼」，讓AI智能體自主編寫搜尋管道

Perplexity近日發布了一項名為「搜索即代碼」（Search as Code, SaC）的全新架構，試圖從根本上解決傳統搜尋引擎與AI智能體之間的協作痛點。不同於過去那種直接調用固定API、回傳一整組結果的做法，SaC將搜尋過程轉化為可執行的程式碼指令，讓AI能夠自行設計、迭代搜尋策略，從而精準提取所需資訊。這項技術不僅標誌著搜尋引擎從「被動回應」走向「主動編程」，也為AI驅動的研究工具帶來全新想像。

#### 背景：藍色鏈結模式已不敷AI需求

傳統搜尋引擎的「藍色鏈結列表」模式，本質上是為了人類閱讀而設計的。當AI智能體要進行複雜研究時，往往需要先手動調整搜尋關鍵詞，再反覆呼叫API取得結果，最後從大量網頁片段中過濾出有用內容。這種流程不僅效率低下，更會讓AI的上下文視窗被無關的垃圾資訊擠佔，導致「架構僵化」——AI無法根據中間結果靈活調整下一步搜尋方向，只能重複同樣的呼叫循環。Perplexity正是意識到這個瓶頸，才決定放棄傳統的整體結果回傳，改以程式碼驅動搜尋。

#### 重點整理：SaC如何運作？

「搜索即代碼」的核心邏輯，是讓AI智能體在收到查詢後，不直接去調用一個預先定義好的搜尋API，而是自主產生一段搜尋指令碼，例如指定搜尋引擎、篩選條件、排序規則，甚至串聯多個搜尋步驟。這段程式碼由AI自行撰寫並即時執行，若首次搜尋結果不理想，AI可立刻修改程式碼中的參數，重新搜尋，直到取得足夠精準的資訊。這就像給了AI一個「程式設計師的權限」，讓它不再只能被動接收結果，而是能主動控制整個搜尋流程。

#### 拋開僵化API，賦予AI靈活性

過去，開發者若要讓AI進行多輪搜尋，通常需要手寫大量程式碼來管理API請求、解析回應、過濾重複內容。SaC則將這些繁瑣工作交給AI自己處理：AI理解使用者意圖後，自行產生最適合的搜尋管道，例如「先在新聞資料庫搜尋關鍵字，再對比權威網站的最新報導，最後摘要呈現」。這種「搜尋即代碼」的模式大幅降低了開發者對API架構的依賴，也讓AI能根據上下文動態調整策略，避免無效資訊佔用珍貴的token配額。

#### 可能影響：重塑AI研究工具與搜尋生態

首先，對於AI開發者與研究人員而言，SaC降低了建置複雜檢索系統的門檻，無需再糾結於API版本更新或參數調整。其次，搜尋引擎的商業模式也可能受到衝擊——若AI能自主產生搜尋指令，傳統的排名系統與廣告投放邏輯將難以直接作用於這些自動化查詢。此外，使用者體驗層面，當使用者下達一個模糊的研究問題（例如「比較近期AI晶片設計的趨勢」），AI不再回傳十個網址，而是直接給出結構化報告，效率與準確度都將顯著提升。

#### 讀者可關注的後續

接下來，我們可以觀察Perplexity如何開放SaC架構給第三方開發者使用，是否會推出類似「搜尋腳本範本市集」的生態系統。同時，競爭對手如Google、微軟等是否也會跟進，將搜尋API改造成更適合AI自主呼叫的格式。此外，隨著AI自主編寫搜尋程式碼，其產生的程式碼安全性與穩定性也需要關注——若AI寫出不合理的搜尋迴圈，可能導致資源浪費或資訊偏誤。未來幾個月，實際應用案例的出現將是檢驗SaC價值的關鍵。

原始來源：AIBase ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

16 小時前閱讀分析