ИИ пишет исходник, чтобы искать в разы эффективнее: новая техника Perplexity

Perplexity представила Search as Code (SaC) — новую архитектуру поиска для ИИ-агентов, которая уже доступна в Agent программный интерфейс и работает по умолчанию в продукте Computer. Вместо того чтобы вызывать поисковик как готовую функцию и получать обработанный ответ, схема сама пишет код, который управляет поиском на низком уровне. На одной из тестовых задач это позволило сократить расход токенов почти в семь раз — с 288,7 до 42,9 тысячи — при стопроцентной точности.

Раньше ИИ-поиск работал как закрытая коробка. Схема отправляла запрос, поисковик по своей жесткой схеме что-то делал внутри и выдавал готовый ответ — а как именно он искал, модель не видела и повлиять на это не могла. Search as Code пишет программу на Python, которая сама управляет поиском по шагам, обращаясь к набору готовых команд под названием Agentic Search SDK. Команды простые и мелкие: найти документы, отсортировать их по важности, отсеять лишнее, разослать сразу пачку запросов веером. Из этих кубиков схема каждый раз собирает свою схему поиска под конкретную задачу. Работает все на трех уровнях: схема решает, что и как искать, изолированная среда (песочница) безопасно запускает ее код, а SDK дает этому коду доступ к внутренностям поисковика. Причем это не косметическая надстройка над старым поиском — Perplexity специально разобрала свой поисковый движок на отдельные детали, чтобы моделью можно было управлять из кода.

Для простых задач это усложнение, но Search as Code создан для сложных кейсов, когда ИИ или собирает информацию из множества источников, или ведет долгое исследование, раз за разом уточняя запрос. Такие задачи могут требовать сотен и даже тысяч запросов за пару минут — Если гонять их по очереди, обращаясь к поисковику снова и снова, выходит долго, дорого, а контекст модели быстро забивается грудой промежуточных результатов, которые мешают ей работать. Код решает это иначе: он запускает кучу запросов разом, сам отбирает по нужным признакам только важное и отдает модели уже чистую выжимку, а не всю свалку из выдачи.

Заявку Perplexity подкрепляет бенчмарками. По оценке компании, SaC обходит решения OpenAI, Anthropic, Exa и Parallel на четырех тестах из пяти (DSQA, BrowseComp, WideSearch и собственном новом WANDR), а на пятом — экзамене HLE — фактически сравнивается с лучшим конкурентом, OpenAI. Под капотом у конфигурации Perplexity работала GPT-5.5 в режиме высокого рассуждения, у сетапа Anthropic — Opus 4.7. Самый резкий отрыв пришелся на WANDR, который имитирует тяжелые задачи Computer: там SaC опередил ближайшую систему в 2,5 раза. Закономерность видна и в остальном: чем сложнее задача, тем заметнее выигрыш, а на простых запросах исходник сводится к обычным вызовам и преимущество почти исчезает.

За технологией стоит более широкий сдвиг в проектировании софта. Десятилетиями системы строились вокруг детерминированных инструкций, которые исполняет чип. В SaC поиск перестает быть готовым сервисом и становится программируемым примитивом, который агент каждый раз собирает под себя. Эта технология может быть расширена на другие сферы: вместо того, чтобы применять готовое решение, ИИ каждый раз будет писать код, оптимизированный под конкретную задачу.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.