AI 快讯
编译自 the_decoder #搜索架构#AI 模型#成本优化
Perplexity 推出 Search as Code：让 AI 模型用 Python 自写搜索管道，成本降低 85%
Perplexity 发布全新 Search as Code 架构，AI 模型不再调用固定搜索 API，而是用 Python 代码自主构建搜索管道。在关键基准测试中超越 OpenAI 和 Anthropic，token 成本最高降低 85%。了解这一创新对中文开发者和搜索场景的影响。
一句话看懂
Perplexity 推出 Search as Code，让 AI 模型用 Python 编写自己的搜索管道，替代固定 API，成本降低 85%，性能超越 GPT-4o 和 Claude 3.5。
详细发生了什么
Perplexity 发布了一项名为 “Search as Code” 的新架构，彻底改变了 AI 模型与搜索引擎交互的方式。传统上，AI 模型（如 GPT-4o、Claude 3.5）调用固定的搜索 API 来获取结果，然后由模型进行后处理。而 Search as Code 允许模型在沙箱环境中用 Python 代码自主编写搜索管道，包括查询构建、结果过滤、去重和排序等步骤。
在多个基准测试中，Search as Code 在事实准确性和信息检索效率上均超过了 OpenAI 和 Anthropic 的现有方案。更关键的是，由于减少了不必要的 API 调用和冗余数据处理，token 消耗最高降低了 85%。Perplexity 表示，该架构已在其 Pro 和 Enterprise 版本中上线，用户无需额外配置即可体验。
中文圈视角
对中文用户来说，Search as Code 的意义在于：
- 降低搜索成本：国内开发者使用 Perplexity 进行 RAG 或知识检索时，token 费用大幅下降，尤其适合高频调用场景（如客服机器人、研究助手）。
- 绕过 API 限制：传统搜索 API 往往有速率和字段限制，而 Search as Code 的灵活性让模型可以自定义搜索逻辑，更适合中文长尾查询和复杂需求。
- 国产替代对比：目前国内类似产品（如秘塔 AI 搜索、天工 AI 搜索）仍采用固定 API 模式，Perplexity 的创新可能倒逼国产搜索 AI 升级。不过，Perplexity 需要科学上网，对部分用户有门槛。
- 合规提醒：Search as Code 在沙箱中执行代码，但用户仍需注意数据出境问题，尤其是企业场景下涉及敏感信息时。
几条值得记住的细节
- Search as Code 让 AI 模型在沙箱中用 Python 编写搜索管道，而非调用固定 API。
- 在多个基准测试中，该架构在事实准确性和检索效率上超越 GPT-4o 和 Claude 3.5。
- token 成本最高降低 85%，对高频搜索场景尤其有利。
- 该功能已在 Perplexity Pro 和 Enterprise 版本中默认启用。
- 用户无需更改现有工作流，模型自动选择最优搜索策略。
一句话总结
Perplexity 的 Search as Code 让 AI 搜索更智能、更便宜，中文用户可借此降低搜索成本，但需注意网络和合规问题。