Lar
A Perplexity lança o Search-as-Code, permitindo que agentes de IA criem pipelines de pesquisa de forma autônoma
A tradicional lista de links azuis, otimizada para a navegação humana, tornou-se um gargalo para os agentes de IA que buscam eficiência. Ao lidar com tarefas complexas de pesquisa, os sistemas de IA são obrigados a realizar chamadas manuais de API com várias etapas e ajustes rígidos de termos, sofrendo com a inflexibilidade arquitetônica e janelas de contexto sobrecarregadas com informações irrelevantes.
Para superar isso, a Perplexity introduziu uma nova arquitetura: Search as Code (SaC). Em vez de depender de APIs de pesquisa monolíticas pré-construídas, essa abordagem permite que modelos de IA construam e executem dinamicamente fluxos de trabalho de pesquisa personalizados usando código Python.

As três camadas principais da arquitetura
A arquitetura SaC da Perplexity está organizada verticalmente em três camadas:
Camada de Modelo (Camada Superior): Lida com a compreensão de tarefas complexas e elabora estratégias de pesquisa de alto nível.
Sandbox de segurança (camada intermediária): oferece um ambiente de execução seguro para a execução de código, completo com um sistema de arquivos para armazenamento de estados intermediários.
SDK de Pesquisa Inteligente (Camada Inferior): encapsula operações atômicas — recuperação, expansão, filtragem, deduplicação, reclassificação e análise de campos — em funções primitivas, proporcionando ao código gerado acesso em nível de componente à infraestrutura de pesquisa.
Esse projeto permite que agentes de IA executem consultas paralelas, descartem programaticamente dados irrelevantes e alimentem a janela de contexto apenas com resultados altamente relevantes e refinados — preservando a continuidade do raciocínio em tarefas de pesquisa de longo prazo.
Pesquisa de vulnerabilidades CVE no mundo real: aumento de desempenho e redução de tokens
Para validar a arquitetura na prática, a Perplexity a testou em uma tarefa exigente de segurança cibernética: rastrear 200 CVEs críticos divulgados entre 2023 e 2025 e extrair com precisão alertas oficiais, softwares afetados e versões corrigidas.

Com o SaC, o modelo de IA criou autonomamente um script em três etapas: primeiro, executou buscas paralelas e personalizadas para diferentes fornecedores (por exemplo, Mozilla, Google) com base em seus formatos de anúncio; em seguida, analisou automaticamente os resultados, identificou dados ausentes e realizou consultas de acompanhamento direcionadas; por fim, utilizou a validação de esquema para garantir o alinhamento completo dos registros de vulnerabilidades.
Os resultados mostraram que o sistema concluiu a tarefa utilizando 85% menos tokens do que os pipelines padrão. Nos benchmarks internos da Perplexity (DSQA, BrowseComp, HLE, WideSearch e o novo benchmark de pesquisa de amplitude WANDR), o SaC ficou em primeiro lugar em quatro dos cinco, superando significativamente a arquitetura antiga. Especificamente no WANDR, a melhoria relativa chegou a 45%.
O código como a nova camada operacional para a IA
Relatórios do setor sugerem que escrever código está se tornando cada vez mais o método padrão para que agentes de IA interajam com o mundo físico. O software tradicional segue instruções determinísticas, enquanto modelos avançados de grande porte raciocinam no espaço de tokens. Os sistemas mais poderosos combinam ambos: utilizam modelos de grande porte para estratégia, aproveitam ambientes determinísticos para processamento em lote e filtragem e tratam a infraestrutura de busca como uma camada de E/S.
Atualmente, o recurso “Search as Code” está sendo implementado na Perplexity Computer
Artigo relacionado
Startup sueca de IA Lovable Eyes tem avaliação de US$ 13,2 bilhões após rodada principal de investimentos
À medida que as ferramentas de codificação impulsionadas por IA ganham tração, a startup sueca Lovable garantiu uma grande rodada de financiamento. A empresa visa captar US$ 3 bilhões, o que poderia elevar sua avaliação para US$ 13,2 bilhões — o dobr
O Google testa o Agente Remy AI para o Gemini, à medida que o foco se desloca para o controle do usuário
De acordo com o Business Insider, o Google está testando o Remy, um novo agente pessoal de IA para o Gemini. Esta ferramenta tem como objetivo executar tarefas em nome dos usuários, simplificando tanto os fluxos de trabalho profissionais quanto as ro
Como corrigir as Core Web Vitals para melhorar o ranqueamento de SEO
Simplifique os Comentários do Boletim Escolar com Ferramentas de IAIntroduçãoFerramentas de IA para Gerar Comentários do Boletim EscolarMagic SchoolAlmanac AIChat GPTUsando o Magic School para Gerar Comentários do Boletim EscolarFazendo login n
Recomendações de tópicos especiais relacionados
Comentários (0)
A tradicional lista de links azuis, otimizada para a navegação humana, tornou-se um gargalo para os agentes de IA que buscam eficiência. Ao lidar com tarefas complexas de pesquisa, os sistemas de IA são obrigados a realizar chamadas manuais de API com várias etapas e ajustes rígidos de termos, sofrendo com a inflexibilidade arquitetônica e janelas de contexto sobrecarregadas com informações irrelevantes.
Para superar isso, a Perplexity introduziu uma nova arquitetura: Search as Code (SaC). Em vez de depender de APIs de pesquisa monolíticas pré-construídas, essa abordagem permite que modelos de IA construam e executem dinamicamente fluxos de trabalho de pesquisa personalizados usando código Python.

As três camadas principais da arquitetura
A arquitetura SaC da Perplexity está organizada verticalmente em três camadas:
Camada de Modelo (Camada Superior): Lida com a compreensão de tarefas complexas e elabora estratégias de pesquisa de alto nível.
Sandbox de segurança (camada intermediária): oferece um ambiente de execução seguro para a execução de código, completo com um sistema de arquivos para armazenamento de estados intermediários.
SDK de Pesquisa Inteligente (Camada Inferior): encapsula operações atômicas — recuperação, expansão, filtragem, deduplicação, reclassificação e análise de campos — em funções primitivas, proporcionando ao código gerado acesso em nível de componente à infraestrutura de pesquisa.
Esse projeto permite que agentes de IA executem consultas paralelas, descartem programaticamente dados irrelevantes e alimentem a janela de contexto apenas com resultados altamente relevantes e refinados — preservando a continuidade do raciocínio em tarefas de pesquisa de longo prazo.
Pesquisa de vulnerabilidades CVE no mundo real: aumento de desempenho e redução de tokens
Para validar a arquitetura na prática, a Perplexity a testou em uma tarefa exigente de segurança cibernética: rastrear 200 CVEs críticos divulgados entre 2023 e 2025 e extrair com precisão alertas oficiais, softwares afetados e versões corrigidas.

Com o SaC, o modelo de IA criou autonomamente um script em três etapas: primeiro, executou buscas paralelas e personalizadas para diferentes fornecedores (por exemplo, Mozilla, Google) com base em seus formatos de anúncio; em seguida, analisou automaticamente os resultados, identificou dados ausentes e realizou consultas de acompanhamento direcionadas; por fim, utilizou a validação de esquema para garantir o alinhamento completo dos registros de vulnerabilidades.
Os resultados mostraram que o sistema concluiu a tarefa utilizando 85% menos tokens do que os pipelines padrão. Nos benchmarks internos da Perplexity (DSQA, BrowseComp, HLE, WideSearch e o novo benchmark de pesquisa de amplitude WANDR), o SaC ficou em primeiro lugar em quatro dos cinco, superando significativamente a arquitetura antiga. Especificamente no WANDR, a melhoria relativa chegou a 45%.
O código como a nova camada operacional para a IA
Relatórios do setor sugerem que escrever código está se tornando cada vez mais o método padrão para que agentes de IA interajam com o mundo físico. O software tradicional segue instruções determinísticas, enquanto modelos avançados de grande porte raciocinam no espaço de tokens. Os sistemas mais poderosos combinam ambos: utilizam modelos de grande porte para estratégia, aproveitam ambientes determinísticos para processamento em lote e filtragem e tratam a infraestrutura de busca como uma camada de E/S.
Atualmente, o recurso “Search as Code” está sendo implementado na
Startup sueca de IA Lovable Eyes tem avaliação de US$ 13,2 bilhões após rodada principal de investimentos
À medida que as ferramentas de codificação impulsionadas por IA ganham tração, a startup sueca Lovable garantiu uma grande rodada de financiamento. A empresa visa captar US$ 3 bilhões, o que poderia elevar sua avaliação para US$ 13,2 bilhões — o dobr
Como corrigir as Core Web Vitals para melhorar o ranqueamento de SEO
Simplifique os Comentários do Boletim Escolar com Ferramentas de IAIntroduçãoFerramentas de IA para Gerar Comentários do Boletim EscolarMagic SchoolAlmanac AIChat GPTUsando o Magic School para Gerar Comentários do Boletim EscolarFazendo login n











