Perplexity представила подход Search as Code: агент больше не дёргает жёстко заданный поисковый API, а генерирует собственный Python-скрипт, который сам фильтрует и дедуплицирует результаты в изолированной среде. По данным компании, это снизило затраты на токены до 85% и вывело систему вперёд по бенчмаркам относительно решений OpenAI и Anthropic.
Контекст
Perplexity — один из немногих AI-поисковиков, который открыто экспериментирует с архитектурой агентного поиска в продакшне. С самого основания компания позиционировала себя не как обёртку над Google, а как полноценный AI-first answer engine. Search as Code — логичный следующий шаг: если раньше LLM получал фиксированный набор сниппетов от API, теперь агент сам формулирует логику сбора, очистки и агрегации данных.
Рынок AI-поиска к середине 2026 года жёстко конкурентен. OpenAI встроил поиск в ChatGPT и операторский API, Anthropic развивает web search через Claude, Google и Microsoft совмещают поисковые индексы с LLM-слоем. На этом фоне Perplexity делает ставку не на размер индекса, а на гибкость агентного слоя — и Search as Code является прямым выражением этой стратегии.
Подход вписывается в более широкий тренд: agentic reasoning вместо статичных инструментальных вызовов. Вместо того чтобы описывать инструмент заранее и надеяться, что он подойдёт к любому запросу, агент адаптирует сам инструмент под задачу. Это принципиально иная парадигма, чем традиционный RAG или tool calling с фиксированной схемой.
Аналитика
Снижение токенов на 85% — цифра, которая меняет юнит-экономику. Поисковый запрос в агентной системе — дорогая операция: ты платишь и за генерацию, и за ретривал, и за синтез ответа. Если Search as Code действительно даёт такую экономию, это делает агентный поиск практически применимым в высококонкурентных по стоимости сценариях — саппорт-ботах, автоматизированных исследованиях, массовом скрейпинге данных.
Важнее другое: генерация кода как механизм инструментального рассуждения начинает проникать в инфраструктурный слой. Раньше «агент пишет код» означало помощь разработчику. Теперь — это способ, которым агент организует собственный доступ к информации. Граница между «использованием инструмента» и «созданием инструмента» размывается. Это ставит вопрос о том, как строить безопасные sandbox-среды и как верифицировать корректность сгенерированного кода в реальном времени.
Для индустрии это сигнал: фиксированные MCP-серверы и tool schemas — не финальное слово. Следующая волна — динамическая генерация инструментов под задачу. Компании, которые уже вложились в жёсткую архитектуру tool calling, возможно, окажутся перед необходимостью переосмыслить слой оркестрации агентов.
Кейсы применения в бизнесе
B2B-SaaS стартап (аналитика рынка). Агент для competitive intelligence: вместо еженедельного ручного мониторинга конкурентов агент сам пишет скрипт сбора данных под конкретный запрос — новые фичи, изменения цен, вакансии. Динамический поиск позволяет адаптироваться к структуре каждого сайта без поддержки жёстких парсеров. Ожидаемый эффект — снижение стоимости мониторинга и рост актуальности данных.
Корпорация с legacy (внутренний поиск по документам). Крупные организации хранят данные в разнородных системах — SharePoint, Confluence, S3, базы данных. Search as Code-подход позволяет агенту генерировать запросы под каждый источник индивидуально, объединять и дедуплицировать результаты без жёсткой ETL-цепочки. Пилот можно запустить поверх существующей инфраструктуры, не переписывая системы хранения.
SMB в КР/СНГ (локальный e-commerce или агентство). Небольшая команда, которая хочет автоматизировать сбор данных о ценах, отзывах, новостях в нише — но не может позволить себе содержать дата-инженера. Агентный поиск с кодогенерацией снижает порог входа: достаточно описать задачу на естественном языке, агент сам формирует логику сбора. Стоимость токенов при экономии в 85% становится приемлемой даже для небольшого бюджета.
Кейсы в личной жизни
Разработчик. Ты исследуешь незнакомую библиотеку или отлаживаешь интеграцию. Вместо того чтобы вручную собирать документацию из нескольких источников, агент с Search as Code сам строит пайплайн: ищет GitHub issues, changelog, Stack Overflow, дедуплицирует и отдаёт синтез. Экономия — часы на каждую нетривиальную задачу.
Контент-мейкер. Нужно быстро собрать фактуру для статьи или видео — цифры, примеры, цитаты из разных источников. Агентный поиск без жёсткого API адаптируется к структуре каждого сайта и отдаёт релевантные блоки, а не случайные сниппеты. Итог — меньше времени на ресёрч, больше на производство контента.
Студент или исследователь. Литературный обзор или подготовка к экзамену по незнакомой теме: агент пишет поисковый скрипт под конкретный академический вопрос, обходит несколько баз знаний, агрегирует и структурирует. Это не замена критическому мышлению, но серьёзный ускоритель первичного сбора материала.
Как применить сегодня
- Протестировать Perplexity API с режимом агентного поиска — оценить качество ответов на специализированные запросы в своей нише по сравнению с прямыми вызовами через RAG.
- Пересмотреть архитектуру собственного поискового слоя: если у вас жёсткий tool schema для ретривала, оцените, насколько динамическая генерация запросов могла бы снизить токен-нагрузку.
- Изучить паттерн code-as-tool в агентных фреймворках — Claude, OpenAI Assistants, LangGraph поддерживают выполнение кода в sandbox. Search as Code — частный случай этого паттерна.
- Для команд в КР/СНГ с ограниченным бюджетом: 85% экономия токенов означает, что агентный поиск становится окупаемым даже на небольших объёмах — пора пересчитать юнит-экономику пилота.
- Следить за opensourse-реализациями схожих подходов на HuggingFace и arXiv — динамическая генерация инструментов — активная область исследований, и open-weight альтернативы появятся быстро.