Heim
Perplexity stellt „Search-as-Code“ vor, mit dem KI-Agenten Suchpipelines selbstständig erstellen können
Die traditionelle blaue Linkliste, die für das Surfen durch Menschen optimiert ist, hat sich zu einem Engpass für KI-Agenten entwickelt, die nach Effizienz streben. Bei der Bearbeitung komplexer Rechercheaufgaben sind KI-Systeme gezwungen, manuelle, mehrstufige API-Aufrufe mit starren Begriffsanpassungen durchzuführen, wobei sie unter architektonischer Inflexibilität und Kontextfenstern leiden, die mit irrelevanten Informationen überladen sind.
Um dies zu überwinden, hat Perplexity eine neue Architektur eingeführt: „Search as Code“ (SaC). Anstatt sich auf vorgefertigte, monolithische Such-APIs zu verlassen, ermöglicht dieser Ansatz KI-Modellen, benutzerdefinierte Such-Workflows mithilfe von Python-Code dynamisch zu erstellen und auszuführen.

Die drei Kernschichten der Architektur
Die SaC-Architektur von Perplexity ist vertikal in drei Schichten gegliedert:
Modellschicht (oberste Schicht): Verarbeitet komplexe Aufgabenbeschreibungen und entwickelt übergeordnete Suchstrategien.
Sicherheits-Sandbox (mittlere Ebene): Bietet eine sichere Laufzeitumgebung für die Codeausführung, einschließlich eines Dateisystems zur Speicherung von Zwischenzuständen.
Intelligent Search SDK (unterste Ebene): Kapseln atomare Operationen – Abruf, Erweiterung, Filterung, Deduplizierung, Neureihung und Feldanalyse – in primitive Funktionen ein und gewähren dem generierten Code Zugriff auf die Suchinfrastruktur auf Komponentenebene.
Dieses Design ermöglicht es KI-Agenten, parallele Abfragen durchzuführen, irrelevante Daten programmgesteuert zu verwerfen und nur hochrelevante, verfeinerte Ergebnisse in das Kontextfenster einzuspeisen – wodurch die Kontinuität des Denkprozesses bei umfangreichen Rechercheaufgaben gewahrt bleibt.
CVE-Schwachstellenforschung in der Praxis: Leistungssteigerung und Token-Reduzierung
Um die Architektur in der Praxis zu validieren, testete Perplexity sie an einer anspruchsvollen Cybersicherheitsaufgabe: der Nachverfolgung von 200 kritischen CVEs, die zwischen 2023 und 2025 veröffentlicht wurden, sowie der präzisen Extraktion offizieller Sicherheitshinweise, betroffener Software und gepatchter Versionen.

Mit SaC erstellte das KI-Modell autonom ein dreistufiges Skript: Zunächst führte es parallele, maßgeschneiderte Suchläufe für verschiedene Anbieter (z. B. Mozilla, Google) auf der Grundlage ihrer Ankündigungsformate durch; anschließend scannte es automatisch die Ergebnisse, identifizierte fehlende Daten und führte gezielte Folgeabfragen durch; schließlich nutzte es eine Schemavalidierung, um die vollständige Übereinstimmung der Schwachstelleneinträge sicherzustellen.
Die Ergebnisse zeigten, dass das System die Aufgabe mit 85 % weniger Tokens absolvierte als Standard-Pipelines. Bei den internen Benchmarks von Perplexity (DSQA, BrowseComp, HLE, WideSearch und dem neuen Breite-Forschungs-Benchmark WANDR) belegte SaC bei vier von fünf Tests den ersten Platz und übertraf damit die alte Architektur deutlich. Speziell bei WANDR betrug die relative Verbesserung 45 %.
Code als neue operative Ebene für KI
Branchenberichte deuten darauf hin, dass das Schreiben von Code zunehmend die Standardmethode für KI-Agenten ist, um mit der physischen Welt zu interagieren. Traditionelle Software folgt deterministischen Anweisungen, während fortschrittliche große Modelle im Token-Raum argumentieren. Die leistungsstärksten Systeme kombinieren beides: Sie nutzen große Modelle für die Strategie, setzen deterministische Umgebungen für die Stapelverarbeitung und Filterung ein und behandeln die Suchinfrastruktur als I/O-Schicht.
Derzeit wird die Funktion „Search as Code“ bei Perplexity Computer eingeführt
Verwandter Artikel
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
Google testet den Remy AI Agent für Gemini, da der Fokus auf die Benutzerkontrolle verlagert wird
Laut Business Insider testet Google Remy, einen neuen KI-Personalagenten für Gemini. Dieses Tool soll Aufgaben im Auftrag von Nutzern ausführen und sowohl professionelle Arbeitsabläufe als auch tägliche Routinen optimieren.Derzeit wird Remy in einer
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
Die traditionelle blaue Linkliste, die für das Surfen durch Menschen optimiert ist, hat sich zu einem Engpass für KI-Agenten entwickelt, die nach Effizienz streben. Bei der Bearbeitung komplexer Rechercheaufgaben sind KI-Systeme gezwungen, manuelle, mehrstufige API-Aufrufe mit starren Begriffsanpassungen durchzuführen, wobei sie unter architektonischer Inflexibilität und Kontextfenstern leiden, die mit irrelevanten Informationen überladen sind.
Um dies zu überwinden, hat Perplexity eine neue Architektur eingeführt: „Search as Code“ (SaC). Anstatt sich auf vorgefertigte, monolithische Such-APIs zu verlassen, ermöglicht dieser Ansatz KI-Modellen, benutzerdefinierte Such-Workflows mithilfe von Python-Code dynamisch zu erstellen und auszuführen.

Die drei Kernschichten der Architektur
Die SaC-Architektur von Perplexity ist vertikal in drei Schichten gegliedert:
Modellschicht (oberste Schicht): Verarbeitet komplexe Aufgabenbeschreibungen und entwickelt übergeordnete Suchstrategien.
Sicherheits-Sandbox (mittlere Ebene): Bietet eine sichere Laufzeitumgebung für die Codeausführung, einschließlich eines Dateisystems zur Speicherung von Zwischenzuständen.
Intelligent Search SDK (unterste Ebene): Kapseln atomare Operationen – Abruf, Erweiterung, Filterung, Deduplizierung, Neureihung und Feldanalyse – in primitive Funktionen ein und gewähren dem generierten Code Zugriff auf die Suchinfrastruktur auf Komponentenebene.
Dieses Design ermöglicht es KI-Agenten, parallele Abfragen durchzuführen, irrelevante Daten programmgesteuert zu verwerfen und nur hochrelevante, verfeinerte Ergebnisse in das Kontextfenster einzuspeisen – wodurch die Kontinuität des Denkprozesses bei umfangreichen Rechercheaufgaben gewahrt bleibt.
CVE-Schwachstellenforschung in der Praxis: Leistungssteigerung und Token-Reduzierung
Um die Architektur in der Praxis zu validieren, testete Perplexity sie an einer anspruchsvollen Cybersicherheitsaufgabe: der Nachverfolgung von 200 kritischen CVEs, die zwischen 2023 und 2025 veröffentlicht wurden, sowie der präzisen Extraktion offizieller Sicherheitshinweise, betroffener Software und gepatchter Versionen.

Mit SaC erstellte das KI-Modell autonom ein dreistufiges Skript: Zunächst führte es parallele, maßgeschneiderte Suchläufe für verschiedene Anbieter (z. B. Mozilla, Google) auf der Grundlage ihrer Ankündigungsformate durch; anschließend scannte es automatisch die Ergebnisse, identifizierte fehlende Daten und führte gezielte Folgeabfragen durch; schließlich nutzte es eine Schemavalidierung, um die vollständige Übereinstimmung der Schwachstelleneinträge sicherzustellen.
Die Ergebnisse zeigten, dass das System die Aufgabe mit 85 % weniger Tokens absolvierte als Standard-Pipelines. Bei den internen Benchmarks von Perplexity (DSQA, BrowseComp, HLE, WideSearch und dem neuen Breite-Forschungs-Benchmark WANDR) belegte SaC bei vier von fünf Tests den ersten Platz und übertraf damit die alte Architektur deutlich. Speziell bei WANDR betrug die relative Verbesserung 45 %.
Code als neue operative Ebene für KI
Branchenberichte deuten darauf hin, dass das Schreiben von Code zunehmend die Standardmethode für KI-Agenten ist, um mit der physischen Welt zu interagieren. Traditionelle Software folgt deterministischen Anweisungen, während fortschrittliche große Modelle im Token-Raum argumentieren. Die leistungsstärksten Systeme kombinieren beides: Sie nutzen große Modelle für die Strategie, setzen deterministische Umgebungen für die Stapelverarbeitung und Filterung ein und behandeln die Suchinfrastruktur als I/O-Schicht.
Derzeit wird die Funktion „Search as Code“ bei
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des











