Perplexity introduce un nuovo approccio all’interazione tra modelli KI e la ricerca web, chiamato “Search as Code”, in cui gli agenti non solo chiedono informazioni ma le programmano direttamente generando codice Python. Questo sistema permette di ottimizzare il processo di ricerca, ridurre il consumo di token e generare risultati più mirati.

L’approccio tradizionale e i suoi limiti

Sino ad ora, i modelli KI effettuavano ricerche web formulando query che venivano inviate a un’API esterna. L’API restituiva un risultato, che il modello leggeva e, eventualmente, utilizzava per formulare nuove query. Questo schema ripetitivo era spesso inefficiente, specialmente quando si trattava di compiti complessi che richiedevano centinaia di passaggi di ricerca all’interno di un tempo ristretto.

Piattaforme come Perplexity hanno definito questo modello come un “collo di bottiglia”. Le interfacce di ricerca sono state pensate principalmente per gli utenti umani, non per i modelli KI che hanno bisogno di risultati specifici e personalizzati. Questo rendeva il tutto rigido e non adatto ai tempi rapidi richiesti dagli agenti autonomi.

Search as Code: un nuovo paradigma

Con “Search as Code” (SaC), Perplexity introduce una nuova architettura in cui il modello genera un programma Python per gestire autonomamente il processo di ricerca. Questo codice, eseguito in un ambiente isolato chiamato sandbox, utilizza l’interfaccia di ricerca composta da funzioni modulari. Ogni componente come la ricerca, la filtratura, la deduplicazione e il reranking è disponibile in SDK, permettendo al modello di costruire una pipe personalizzata.

L’architettura di Search as Code si compone di tre strati:

Modelli KI (strato superiore): Decidono la strategia di ricerca.
Ambiente sandbox (strato intermedio): Esegue il codice generato e interagisce con il backend.
SDK di ricerca (strato inferiore): Fornisce accesso a moduli specifici per gestire la rete di ricerca.

In questo approccio, gli endpoint di ricerca tradizionali continuano a esistere ma vengono utilizzati solo per semplici query. Per compiti complessi, il modello KI ha accesso a tutti i moduli di basso livello per personalizzare la sua strategia ricerca.

Esempio pratico: ricerca di vulnerabilità di sicurezza

Uno scenario testato da Perplexity mostra il potenziale di Search as Code: il compito era raccogliere informazioni su oltre 200 vulnerabilità critiche tra il 2023 e il 2025. Il modello doveva fornire dati precisi come la descrizione ufficiale della vulnerabilità emessa dal produttore, il prodotto interessato e la versione corretta.

Con SaC, il modello KI ha programmato un ciclo di ricerca in tre fasi:

Invio di query parallele per ricercare su fonti specifiche di grandi produttori.
Filtrare i risultati e riempire le lacune esistenti.
Verificare i dati con un’estratto schema-basi per controllare che i dati fossero coerenti.

I risultati hanno mostrato che SaC è riuscito a completare con successo la missione, consumando appena il 15%-20% in più di token rispetto a altri sistemi testati, inclusi OpenAI, Anthropic, Exa e Parallel.

Risultati e benchmark

I benchmark sviluppati da Perplexity mostrano chiaramente la superiorità di Search as Code in diverse applicazioni:

Superiore o paragonabile in quattro su cinque benchmark.
Più di 20% di efficienza rispetto al precedente sistema internoperplexity quando si trattava di ricerche su larga scala.
I dati generati in test autonomi come WANDR (che misura la capacità di ricerca) hanno mostrato una distanza notevole tra SaC e altri agenti KI.

Code as Core per la prossima generazione di agenti

Perplexity sottolinea che il trend futuro dei sistemi KI si basa su un dualismo tra la logica deterministica (tramite l’esecuzione del codice) e la capacità di ragionare (tramite token). Un sistema ideale unisce l’uno con l’altro, usando modelli KI per pianificare strategie complesse e codice per implementarle rapidamente.

Un rapporto recente mostra che molte piattaforme KI attualmente non cercano veramente, ma semplicemente recuperano informazioni già presenti nei loro dataset. Quando però vengono poste a rispondere a domande che richiedono dati real time, il loro sistema crolla notevolmente. SaC offre quindi una soluzione più affidabile quando il tempo e la precisione sono critici.

Altri studio mostra che la capacità di scrivere codice diventa una capacità strategica per gli agenti autonomi. Oltre al modello, l’infrastruttura (tools, sandbox e controlli) diventa il fattore cruciale per il successo di tali sistemi.

Dove utilizzarlo? Quando lanciare

Search as Code verrà integrato in Perplexity Computer e Agent API, due platform chiave di Perplexity. La società rivede l’architettura per permettere a entrambi di sfruttare in pieno le capacità degli agenti KI basati sulla programmazione.

Per i clienti e gli sviluppatori, Search as Code rappresenta un salto in avanti nel rapporto tra il modello e l’ambiente esterno. Non più solo un'interfaccia API ma l’espressione concreta di una programmazione autonomizzata capace di risolvere sfide complesse.