Perplexity推搜索即代码，AI智能体自主写搜索管道，告别僵化API

传统搜索API拖慢AI智能体

处理复杂研究任务之时, 人工智能往往得反复去调整搜索词, 还需多次调用API接口。按照业内工程师所反馈的情况来看, 进行这种人工干预这一步骤, 平均而言要历经5到8次尝试, 才能够获取到满意结果。旧有的那种“蓝色链接列表”模式, 已然无法适应AI智能体的高效需求了。智能体在逐层深入展开分析的进程当中, 常常会由于API返回数量众多的冗余信息, 进而导致逻辑链条中断。

小李, 这位业内的开发人员表明, 每当调用API之时, AI都得另外去清理以及筛选数据, 如此这般便浪费了数量巨大的算力。更为糟糕的是, 容易遭受垃圾信息的挤占, 上下文窗口使得核心任务没办法向前推进。

架构僵化导致效率低下

传统搜索API的结构, 全然是为人类浏览作设计的, 所返回的是格式化页面，并非结构化数据。AI智能体若要从中提取精确信息, 就必须自行编写解析规则。有一位在硅谷工作的AI工程师指出, 这样的一种模式, 使得智能体无法充分发挥其自动化优势。

开发团队察觉到, 在AI要交叉验证多个来源之际, 传统搜索机制展现得格外笨拙, 智能体不得不屡次重复调用相同API, 每一回都得清理诸多无关内容, 进而致使处理时间延长了40%以上。

搜索过程转化为代码指令

核心有创新, “搜索即代码”（SaC）架构放弃调用现成完整结果, 把整个搜索过程变为精准代码指令, 让AI直接编写查询逻辑, 开发团队负责人张工程师解释说, 此架构允许 AI 动态生成筛选条件, 而非被动接受预设参数。

于这种新架构情形下, AI能够自行界定搜索的深度及广度, 系统将会实时生成Python或SQL风格的代码片段, 这些代码直接同后端数据库展开交互, 省却了传统API的中间转换环节。

灵活获取精准信息

具有灵活性, 这是SaC架构所拥有的最大优势之处。AI能够依据当下的研究需求, 随心所欲地对搜索管道的参数设置作出调整。比如说, 在开展医学文献综述这个行为的时候, 智能体会自然而然地把并非同行评审的来源给过滤掉, 并且会按照引用次数来对结果进行排序。

依据测试数据所呈现的情况表明, 当运用了SaC之后, AI获取具备高相关度信息的速度出现了提升, 提升幅度超60%。与此同时, 鉴于代码指令对搜索逻辑实施直接控制, 由此返回的数据格式在一致性方面表现优良, 令接下来的处理效率得到了显著的提高。

提升研究效率的新路径

率先部署了 SaC 系统的是某科技公司的研发团队, 该团队负责人王总监称, 在为期三个月的测试里, AI 智能体完成复杂研究报告的用时缩减了 55%。新架构对需要多层次搜索的科研场景尤为适配。

公司于内部所做的估算表明, 进行部署 SaC 的情况下, 每年能够节省掉的成本约为 200 万次 API 调用所产生的成本。更为关键且值得注意的是, 如今 AI 已可凭借自身能力去完成以往必须要有人工参与进来才能够开展的数据收集以及整理工作, 进而使得研究人员能够更专注聚焦于分析这一环节。

未来AI搜索的新标准

存在于业内的专家持有这样的一种看法, 那就是“搜索即代码”极有可能转变成为下一代AI搜索方面的标准范式, 好几家搜索引擎厂商都已经着手开始对这一技术方向予以关注, 并且还规划推算在2027年之前推出能够兼容SaC架构的接口标准。

有分析师作出预测, SaC会率先于金融、医疗以及科研领域实现落地, 这些行业对于信息的精准度以及时效性有着很高的要求, 传统搜索API的局限性格外明显, 您觉得这种促使AI自主去编写搜索管道的方式, 会在多大程度上对我们使用搜索引擎的习惯产生改变呢? 欢迎在评论区去分享您的看法, 点赞并且转发本文, 让更多人知晓这项创新技术。