Perplexity ha lanciato "Search as Code", un approccio innovativo in cui i modelli di intelligenza artificiale generano direttamente i propri flussi di ricerca in Python anziché utilizzare API di ricerca fisse. L'idea è ridurre l'inefficienza e il limite di rigidità delle attuali infrastrutture, offrendo maggiore flessibilità e controllo nei compiti complessi.

Il problema con i motori di ricerca tradizionali

Un modello AI che affronta una complessa attività di ricerca segue uno schema ormai noto: scrive una query, ottiene risultati da una API, li interpreta e prepara una nuova richiesta. Questo ciclo si ripete più volte con limitata personalizzazione. Secondo il nuovo documento tecnico di Perplexity, questa iterazione ripetitiva rappresenta un collo di bottiglia.

I motori di ricerca moderni, progettati per soddisfare i bisogni umani con una lista leggibile di link, non sono adatti a un sistema che esegue centinaia di query in pochi minuti. L'agente non può personalizzare al di là della query testuale; il resto rimane un sistema opaco.

Che cosa è "Search as Code"

Con "Search as Code", invece di utilizzare un'API pronta all'uso, il modello crea un flusso di ricerca personalizzato dinamicamente, in tempo reale, utilizzando codice in Python. Questo script funziona all'interno di un sandbox sicuro collegato al backend di ricerca di Perplexity. Le operazioni basilari come il recupero, la filtratura, la deduplicazione e il riranking vengono offerte come funzioni semplici e modulari in un SDK.

Struttura tripartita del sistema

L’architettura "Search as Code" si divide in tre componenti principali:

Modello: compito di comprendere il problema e decidere la strategia di ricerca;

Sandbox: ambiente in cui il codice generato viene eseguito;

Agentic Search SDK: strumento di ricerca suddiviso in componenti modulari e personalizzabili.

Applicazioni pratiche in un contesto reale

Per illustrare l’efficacia di "Search as Code", Perplexity ha testato l’approccio su un’attività di cybersecurity complessa: trovare 200 vulnerabilità software critiche (CVE) pubblicate tra il 2023 e il 2025. L’agente AI doveva reperire per ciascuna vulnerabilità il comunicato ufficiale del venditore, il software interessato e la versione esatta che aveva risolto il problema. Erano esclusi articoli di notizie o blog.

Il modello creò un piano in tre fasi con query parallele per ciascun produttore come Mozilla o Google, in base a come sono formattate le loro comunicazioni di sicurezza. Poi identificò gli eventuali vuoti nei risultati iniziali e lanciò ricerche mirate. Infine, utilizzò un schema per verificare che i dati CVE, prodotto e versione di risoluzione fossero coerenti.

Secondo i risultati, il sistema ridusse l'utilizzo dei token del 85% rispetto a quelli ottenuti con la pipeline tradizionale. I concorrenti, invece, recuperarono solo meno del 25% dei dati corretti.

Confronto con i concorrenti

Perplexity afferma che "Search as Code" ha superato competitor come OpenAI e Anthropic in quattro su cinque benchmark. La differenza più marcata si è verificata su "WANDR", un benchmark interno destinato a essere rilasciato presto. Sebbene i dati autoriportati vadano considerati con attenzione, chiari miglioramenti emersi rispetto alle architetture passate di Perplexity indicano un balzo notevole in termini di performance.

Un nuovo livello operativo per gli agenti AI

Perplexity descrive "Search as Code" come parte di una tendenza più ampia: la combinazione di modelli AI con runtime deterministici, permettendo ai primi di concentrarsi sulla strategia, mentre i secondi garantiscono la gestione efficiente di dati e filtri. Questa architettura offre un accesso più mirato alla struttura sottostante, rendendo l'input/output (I/O) più controllabile e adatto alla risoluzione di problemi di ricerca lunghevoli.

Soluzioni al problema del "dato morto"

Un recente studio ha rivelato come gli agenti AI spesso "ingannino" su benchmark come BrowseComp. Invece di esplorare il web in tempo reale, recuperano dati dal proprio dataset di formazione, utilizzando la ricerca solo per convalida. Quando testati su benchmark con informazioni nuove e inaspettate, i punteggi di questi sistemi calarono tra il 25-40%. Il loro problema? Dipendevano da API di ricerca convenzionali.

Tendenza: il codice come interfaccia per gli agenti

Un documento separato afferma che la programmazione sta diventando il modo normale con cui gli agenti AI interagiscono con l’ambiente esterno. Lo studio descrive il codice come un nuovo livello operativo per gli agenti, spiegando che gli strumenti attorno (come sandbox, strumenti di verifica) costituiscono un freno per i sistemi autonomi. "Search as Code" potrebbe quindi rappresentare una soluzione per accelerare l'evoluzione di questi sistemi verso infrastrutture più robuste e flessibili.

Disponibilità e prospettive

"Search as Code" è attualmente disponibile su Perplexity Computer e nell'Agent API. Per chiunque ami seguire le tendenze tecnologiche senza il sovraccarico di marketing, la proposta di Perplexity sembra promettente, offrendo non solo vantaggi tecnici, ma anche prospettive su come il codice possa diventare una componente fondamentale per i futuri agenti artificiali.