Perplexity AI представила архитектуру Search as Code: модели сами пишут поисковые алгоритмы
Perplexity AI представила архитектуру "Search as Code", которая позволяет ИИ-моделям самостоятельно писать в Python свои поисковые алгоритмы, а не полагаться на готовые API. Это сокращает затраты на токены до 85% и позволяет системе превосходить решения OpenAI и Anthropic в ключевых тестах.
Perplexity AI представила архитектуру Search as Code. Она меняет подход к интеграции поиска в работу больших языковых моделей. Система позволяет ИИ-моделям самостоятельно писать поисковые алгоритмы на Python, вместо использования статичных API с фиксированными функциями.
По данным The Decoder, агенты сами управляют фильтрацией результатов и удалением дубликатов в изолированной песочнице. Ключевая деталь: модель получает свободу создать оптимизированный под конкретный запрос поисковый пайплайн. Традиционные системы заставляют модель вызывать готовые API. Они возвращают набор результатов, часто содержащий дубли или нерелевантные данные. Это требует дополнительной обработки и расходует токены.
Search as Code переворачивает парадигму. Модель пишет код, который выполняет поиск, фильтрует и структурирует информацию под текущий вопрос. Процесс происходит в безопасной песочнице. По данным The Decoder, система показывает практические результаты. Архитектура сокращает затраты на токены до 85%. Экономия возникает потому, что модель оптимизирует процесс, избегая отправки больших объемов текста для пост-обработки.
Для отрасли ИИ это движение к более автономным и адаптивным системам. Search as Code — шаг к интеллектуальным агентам, которые не просто используют инструменты, но и программируют их под свои нужды. Это снижает зависимость от внешних сервисов и их ограничений. Потенциально повышается скорость и снижается стоимость операций, особенно в задачах глубокого поиска и анализа.
Для компаний, использующих ИИ в продуктах, архитектура открывает путь к созданию более эффективных и экономичных помощников и инструментов. Search as Code указывает на тенденцию: большие языковые модели становятся не только потребителями информации, но и активными архитекторами процессов ее получения. Это приближает нас к системам, которые самостоятельно решают сложные задачи, комбинируя генерацию кода с исполнением.
В долгосрочной перспективе такие технологии могут привести к созданию полностью автономных исследовательских агентов. Они способны планировать и выполнять сложные информационные задачи с минимальным вмешательством человека. Это важный этап в развитии агентного ИИ, который фокусируется на практической эффективности и снижении операционных затрат.
