---
title: "Rethinking Search as Code Generation (Perplexity SaC)"
source: "https://research.perplexity.ai/articles/rethinking-search-as-code-generation"
type: paper
published: 2026-06-01
ingested: 2026-06-03
tags: [perplexity, search, agentic-ai, code-generation, agent-harness, MCP, SDK, NIP-rel]
summary: "A Perplexity új keresési architektúrája (Search as Code / SaC): a hagyományos monolitikus keresési csővezetékeket programozható primitívekre bontja, hogy az AI ágensek kódgeneráláson keresztül irányíthassák a keresést. 5 benchmarkon 4-ből legjobb, WANDR-ön 2,5x jobb a másodiknál."
---

### Keresés kódként: Perplexity új architektúrája az ágens-korszakra

A Perplexity egy új keresési architektúrát mutat be Search as Code (SaC) néven, amely a hagyományos monolitikus keresési csővezetékeket programozható, atomizált primitívekre bontja. A cél: a frontier modellek ne csak a keresés végeredményét fogyasszák, hanem magát a keresési folyamatot irányíthassák kódgeneráláson keresztül. *„A keresésnek agens-szintűvé kell válnia, építőelemei közvetlenül SDK-ként elérhetők az ágens harnessben.”* A rendszer három rétegből áll: modellek (vezérlősík), biztonságos compute sandboxok (determinisztikus végrehajtás) és egy Agentic Search SDK (keresési primitívek). A Perplexity Computer és Agent API már ezen az architektúrán fut.

### A hagyományos keresés merevsége és hibamódjai

A hagyományos keresőrendszerek egyetlen fix csővezetéket kínálnak: bejön a lekérdezés, lefut a előre definiált pipeline, visszatér a feldolgozott eredmény. Ez emberi felhasználóknak megfelelt, de AI ágensek számára három visszatérő hibamódot generál: durva kontextus (túl sok irreleváns információ kerül a modelbe), kihasználatlan doméniismeret (a modell nem tudja befolyásolni a rangsorolást vagy forrásválasztást), és ineffektív vezérlésflow (a soros MCP/függvényhívások késleltetnek és kontextusszennyezést okoznak). A Perplexity tapasztalata szerint egyetlen feladat alatt akár több ezer keresési művelet is szükségessé válik percek alatt — ez lehetetlen a hagyományos soros interfészekkel.

### Az Agentic Search SDK és a sandboxok

Az SDK nem egy meglévő API csomagolása könyvtárba, hanem a Perplexity keresési stackjének teljes rearchitektúrája moduláris, komponálható primitívekké. A magas szintű, végponttól-végpontig tartó csővezetékek még elérhetők, de csak gyorsírás ként, nem egyetlen opcióként. A runtime Python lett, belső tesztek alapján. Egy folyamatos autoresearch hurok iterálja és javítja az SDK-t hetek át, latency, codegen minőség és feladatteljesítmény metrikák alapján. A sandboxok között a Perplexity a perzisztens fájlrendszer + explicit szerializáció/deszerializáció mellett döntött a REPL-stílusú változat helyett, mert hosszú trajektóriáknál megbízhatóbb — a deklaratív állapotátvitel segti a modelt a hatékonyabb állapotkezelésben.

### Modellek és Agent Skills

A SaC vezérlősíkját frontier modellek adják, amelyek a feladat alapján dinamikusan állítják össze a keresési pipeline-t SDK-ból. A fő kihívás: az egyedi SDK nincs a modellek tréningadataiban, és a korábbi modellek függvényhívásra és MCP-re vannak szocializálva. A Perplexity ezért kevesebb mint 2000 tokenes Agent Skills-eket fejlesztett, amelyek többsége nem az API felsorolása, hanem tömör, generalizálható útmutatás és few-shot példák a komplex minták komponálásához. Ezeket egy dedikált autoresearch hurok optimalizálja.

### Eredmények: teljesítmény és költséghatékonyság

Öt benchmarkon értékelték (DSQA, BrowseComp, HLE, WideSearch, WANDR), öt rendszeren (Perplexity SaC, OpenAI, Anthropic, Exa, Parallel), egyedi futásokon — nem best-of-N —, hogy az architektúra teljesítményét mérjék. SaC négyből a legjobb:

| Benchmark | SaC | OpenAI | Anthropic | Exa | Parallel |
|---|---|---|---|---|---|
| DSQA | **0,871** | 0,733 | 0,815 | 0,530 | 0,810 |
| BrowseComp | **0,805** | 0,720 | 0,598 | 0,380 | 0,560 |
| HLE | 0,612 | **0,614** | 0,566 | 0,387 | 0,515 |
| WideSearch | **0,651** | 0,522 | 0,590 | 0,471 | 0,584 |
| WANDR | **0,386** | 0,130 | 0,152 | 0,057 | 0,126 |

A WANDR-ön SaC 2,5x jobban teljesít a második helyezettnél. A nem-SaC Perplexity baseline-hoz képest a legnagyobb abszolút nyereség DSQA-n (+19,77 pp, 29%), a legnagyobb relatív WANDR-en (+12,00 pp, 45%). A CVE vendor advisory esettanulmányban SaC 100%-os pontosságot ért el 85,1%-os tokenmegtakarítással (288,7K-ról 42,9K tokenre), míg a többi rendszer 25% alatt teljesített. Költség-performancia front: DSQA-n az alacsony reasoning beállítás minden más rendszernél olcsóbb, miközben ketten túl teljesít; a medium reasoning $1/feladat alatt minden nem-SaC rendszert megelőz.