Программирование • 13 июня • 29

Search as Code от Perplexity: поиск, который агент пишет кодом

Содержание

⚡ Коротко
🚧 Зачем новая архитектура поиска
💡 Идея: поиск как код
🏗️ Как это устроено: три слоя
🛡️ Доказательства: кейс и бенчмарки
🛠️ Как использовать разработчику
🔗 Источники

Search as Code (SaC) — новая поисковая архитектура Perplexity для AI-агентов. Вместо «чёрного ящика», который принимает запрос и возвращает готовый ответ, поиск разбит на атомарные примитивы, а агент сам собирает из них пайплайн кодом. Ниже — разбор от простого к сложному: что это, почему работает и как подключить к Claude Code.

⚡ Коротко

Что это. SaC превращает поиск из монолитного сервиса в программируемый SDK: модель пишет код, который дёргает отдельные шаги поиска (retrieve, fanout, filter, dedupe, rerank…) и оркеструет тысячи операций за один ход — внутри песочницы.

Зачем. Больше контроля над тем, что и как попадает в контекст модели → выше точность, ниже стоимость и латентность.

Метрика	Результат
Точность на CVE-задаче	100% против `<25%` у не-Perplexity
Экономия токенов	−85% (288.7K → 42.9K)
Бенчмарки (лучший результат)	4 из 5
Отрыв на WANDR	в 2.5 раза от ближайшего

🚧 Зачем новая архитектура поиска

SaC живёт внутри Perplexity Agent API — рантайма для агентных задач (в отличие от классического «вопрос-ответ» в Sonar). Агент не просто отвечает: он декомпозирует задачу, многократно ищет, обрабатывает промежуточные данные и формирует итог — сотни и тысячи операций поиска за минуты.

Классический поиск работает по одному контракту: принять запрос → прогнать фиксированный пайплайн → вернуть результат. Модель управляет только параметрами запроса; всё, что после них, зашито в движок. Для простых запросов хватает, для агентных — нет.

Традиционный поиск: последовательные tool-calls

Отсюда три слабых места монолитного поиска для агентов:

Нет контроля над контекстом. Нужна одна деталь — а эндпоинт, заточенный на recall, тащит гору мусора. Нужно много деталей — приходится серийно дёргать тот же субоптимальный пайплайн.
Знания модели не используются. Модель может «знать», как смешать лексический и семантический сигнал или приоритизировать источники, но жёсткий интерфейс не даёт это применить.
Неэффективный control flow. Реальный поиск не линеен: fan-out по вариантам, параллельная загрузка, дедуп. Прогон через повторные «ходы» модели добавляет латентность и засоряет контекст.

Вывод: узкое место — это контроль (controllability). Современные модели в code-first харнессах умеют управлять любыми примитивами через код — нужно лишь дать им правильные примитивы.

💡 Идея: поиск как код

Суть SaC проста: компоненты поискового стека выставлены как примитивы внутри SDK, а модель собирает из них пайплайн под конкретную задачу — генерируя и исполняя код в защищённой песочнице. High-level «end-to-end» пайплайны остались, но теперь это лишь shorthand для частых паттернов, а не единственный путь.

Традиционный поиск против Search as Code

SaC даёт два рычага: control — прямое управление каждым шагом (retrieval, ranking, filtering, fanout), и legibility — доступ к промежуточному состоянию (списки кандидатов, ранжирующие сигналы). Вместе они позволяют строить пайплайны на тысячи операций и забирать в контекст только самое полезное.

🏗️ Как это устроено: три слоя

1. Модель — управляющий слой. Разбирает задачу, декомпозирует, решает, какие пайплайны нужны, и генерирует код. Кастомный SDK не представлен в претрейне, поэтому модель учат через компактные Agent Skills (<2000 токенов) — это не перечень функций, а сжатые few-shot-примеры сборки сложных паттернов.

2. Песочница — детерминированный compute. Безопасный рантайм для исполнения кода: control flow, батчинг, ретраи, фильтрация, агрегация. Промежуточное состояние модель сохраняет в файлы (state/*.json) и читает на следующем ходу — это надёжнее неявного in-memory на длинных траекториях.

3. Agentic Search SDK — атомарные примитивы. Сердце архитектуры: заново собранный стек из модульных примитивов (retrieve, fanout, filter, dedupe, rerank, parse_field…) — от низкоуровневого retrieval до семантического парсинга. Чего не хватает, модель достраивает кодом (например, сложный regex поверх выдачи) — без раздувания SDK нишевыми функциями.

🛡️ Доказательства: кейс и бенчмарки

Реальный кейс — 230+ CVE за один проход. Задача: для 230+ серьёзных CVE (2023–2025, CVSS ≥ 7.0) найти каноничный URL security-advisory вендора, продукт и версию-исправление. Модель решила её в три приёма: fan-out по официальным форматам advisory вендоров, LLM-подзадача для добора «бедных» vendor-годов и верификатор, связывающий CVE с конкретной fixed-версией. Примерно так это выглядит кодом внутри песочницы:

# Параллельный fan-out и батч-извлечение — за счёт них и получается −85% токенов
seed_hits = sdk.search.web_many(queries, limit_per_query=8, concurrency=12)
all_hits = dedupe_by_url(flatten(seed_hits))

verified = sdk.llm.extract_many(
    all_hits,
    instruction="Оставить только advisory, где CVE привязан к конкретной fixed-версии.",
    schema={"cve": str, "vendor": str, "fix_version": str, "version_bound_to_cve": bool},
)
records = dedupe_by(verified, key="cve")

Результат: 100% точность против <25% у систем не-Perplexity, при −85.1% токенов (288.7K → 42.9K).

Систематические бенчмарки. Пять наборов, стресс-тестирующих поисковые сценарии (accuracy для DSQA / BrowseComp / HLE, F1 по строкам для WideSearch, wide-research для WANDR). SaC — лучший в 4 из 5; на HLE — паритет с OpenAI.

Benchmark	Perplexity (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

Сравнение на 1 июня 2026, одиночные прогоны (не best-of-N). Perplexity SaC — Agent API, GPT 5.5 (high) · OpenAI — Responses API, GPT 5.5 · Anthropic — Managed Agents, Opus 4.7 · Exa — Agent API, effort=high · Parallel — Tasks API, ultra4x.

На WANDR (новый бенчмарк «широкого исследования») SaC обходит ближайшую систему в 2.5 раза. А прирост над собственным традиционным пайплайном на той же инфраструктуре — везде заметный: DSQA +29%, WideSearch +32%, WANDR +45%, HLE +22%, BrowseComp +7%.

Цена против качества. На DSQA и WideSearch три режима рассуждения SaC (low/medium/high) лежат на Pareto-фронте: low дешевле всех конкурентов и сильнее части из них, high — топ-результат при конкурентной цене.

Проверить можно самому: Perplexity открыла runner search_evals (MIT), который воспроизводит 4 из 5 бенчмарков (BrowseComp, DSQA, HLE, WideSearch). WANDR пока не входит — он анонсирован отдельно. Команды запуска — ниже, в практике.

🛠️ Как использовать разработчику

Главное понять сразу. SaC — это внутренняя механика Perplexity, а не API, который пишут руками. Разработчик не пишет SaC-код: он просто включает инструмент sandbox, а модель сама генерирует Python и вызывает SDK «под капотом». Снаружи интерфейсы прежние — HTTP API и MCP-сервер.

Шаг 1. Доступ и ключ

Регистрация на perplexity.ai → API Portal (console.perplexity.ai) → пополнить кредиты → Generate ключ (показывается один раз).
Один ключ работает и для классического Sonar Chat API, и для нового Agent API.
База: https://api.perplexity.ai, заголовок Authorization: Bearer $PERPLEXITY_API_KEY.

Две поверхности API

Поверхность	Endpoint	Когда
Sonar Chat API	`POST /chat/completions`	Поиск-граундед чат, OpenAI-совместимо. Модели: `sonar`, `sonar-pro`, `sonar-reasoning-pro`, `sonar-deep-research`
Agent API (тут живёт SaC)	`POST /v1/agent`	Агентный рантайм: «поиск → рассуждение → инструменты → проверка». Тут включается `sandbox`

Шаг 2. Базовый вызов Agent API

Форма — как OpenAI Responses API: верхнеуровневый input + instructions вместо messages.

pip install perplexityai                    # Python SDK
npm install @perplexity-ai/perplexity_ai    # TypeScript SDK

from perplexity import Perplexity

client = Perplexity()  # ключ из env PERPLEXITY_API_KEY

response = client.responses.create(
    model="openai/gpt-5.5",
    input="Сравни подходы к refresh-token rotation в NestJS + Passport (2026), со ссылками.",
    tools=[{"type": "web_search"}],
)
print(response.output_text)

Модель задаётся строкой provider/model: openai/gpt-5.5, anthropic/claude-opus-4-8, google/gemini-3.1-pro-preview, perplexity/sonar и др. Либо пресет (fast-search / pro-search / deep-research).

Шаг 3. Включить Search as Code — инструмент `sandbox`

response = client.responses.create(
    model="openai/gpt-5.5",
    input="Для всех зависимостей из этого package.json найди известные CVE и vendor-advisory со ссылками.",
    tools=[{"type": "sandbox"}, {"type": "web_search"}],
    instructions="Используй sandbox и web search, чтобы собрать и проверить данные перед ответом.",
)
print(response.output_text)

Отдельного флага нет — достаточно {"type": "sandbox"} в tools, модель сама решит, когда писать код. Доступные инструменты: web_search, fetch_url, people_search, finance_search, function, sandbox.

Долгие задачи запускайте с background=True и опрашивайте client.responses.retrieve(id) — синхронный вызов рискует упасть в таймаут (окно работы песочницы ~20 мин). Файлы из песочницы (CSV/JSON) забираются через client.responses.files.

Шаг 4. Perplexity в Claude Code через MCP

Perplexity ведёт официальный MCP-сервер (@perplexity-ai/mcp-server). Подключение в Claude Code — одной командой:

claude mcp add perplexity --env PERPLEXITY_API_KEY="your_key_here" \
  -- npx -y @perplexity-ai/mcp-server

Появляются 4 инструмента:

Инструмент	Назначение
`perplexity_search`	Сырые ранжированные результаты Search API (дёшево, без LLM-токенов)
`perplexity_ask`	Разговорный поиск с живым вебом (`sonar-pro`)
`perplexity_research`	Глубокое исследование с цитатами (`sonar-deep-research`)
`perplexity_reason`	Логика и сравнения (`sonar-reasoning-pro`)

Когда брать Perplexity, а когда нет

✅ Глубокий синтез из многих источников с цитатами → perplexity_research.
✅ Широкий fan-out (десятки дедуплицированных запросов) → Agent API + sandbox.
✅ Нужен один цитируемый ответ, а не список ссылок «прочитай сам».
❌ Быстрый единичный факт или чтение одной известной страницы → оставить встроенные WebSearch/WebFetch (они бесплатны).

Где это полезно fullstack-разработчику

🔎 Исследование темы — «лучшие практики X в 2026 со ссылками» одним цитируемым ответом вместо 10 вкладок.
🛡️ Аудит зависимостей / CVE — скормить package.json и собрать advisory по всем пакетам разом (тот самый SaC-сценарий).
🧪 Разведка breaking-changes перед апгрейдом — «что ломается при Laravel 11→12 / TypeScript 5.x» до начала миграции.
⚖️ Сравнение технологий — perplexity_reason для логики, perplexity_research для цитируемых фактов.

Шаг 5. Проверить бенчмарки самому — `search_evals`

export PERPLEXITY_API_KEY=...   # + OPENAI_API_KEY (нужен для грейдинга)
uv run python -m search_evals list                      # системы и сюиты
uv run python -m search_evals run \
  --system perplexity --suite browsecomp --limit 5 --run-suffix smoke   # дешёвый smoke
uv run python -m search_evals run \
  --system perplexity --suite browsecomp --concurrency 5                # полный прогон

Стоимость реальна. Бесплатного тарифа нет — оплата по кредитам за вызов, а инструменты тарифицируются отдельно от токенов модели.

web_search — ~$0.005 за вызов
sandbox — ~$0.03 за сессию плюс ~$0.005 за каждый SDK-поиск
Широкий fan-out умножает стоимость sandbox очень быстро
Команды run в search_evals делают платные вызовы — всегда начинайте с --limit 5

🔗 Источники

📄 Research-статья (ядро): Rethinking Search as Code Generation
🚀 Agent API — Quickstart: docs.perplexity.ai/docs/agent-api/quickstart
📦 Sandbox Tool: docs.perplexity.ai/docs/agent-api/tools/sandbox
🧪 search_evals: github.com/perplexityai/search_evals
🧩 Официальный MCP-сервер: github.com/perplexityai/modelcontextprotocol

Итог одной фразой. SaC — это сдвиг от «модель вызывает поиск» к «модель программирует поиск». Для разработчика практический вход — инструмент sandbox в Agent API и MCP-сервер в Claude Code.

Написать комментарий