Perplexity Rilis Search as Code, AI Kini Bisa Tulis Sendiri Pipeline Pencariannya

CLB.my.id - Perplexity memperkenalkan arsitektur baru bernama “Search as Code” (SaC) yang mengubah cara AI melakukan pencarian. Alih-alih memanggil API pencarian yang kaku, model AI kini bisa menulis script Python kustom untuk menjalankan pencarian yang lebih presisi dan hemat token hingga 85 persen.

Dari API Tetap ke Pipeline yang Diprogram

Arsitektur pencarian AI selama ini mengandalkan API tetap yang membatasi kontrol model atas proses pencarian. Model hanya bisa mengirim query dan menerima hasil, tanpa kemampuan menyaring, menggabungkan, atau melakukan pencarian lanjutan secara programatis.

Search as Code mengubah paradigma ini. Model tidak lagi menjadi pemanggil API pasif, tetapi menjadi programmer yang menulis alur pencarian sendiri. Setiap pencarian dibangun dari blok-blok dasar yang bisa dikombinasikan: mengambil, menyaring, menghilangkan duplikat, dan mengurutkan ulang hasil.

“Alih-alih menanyakan mesin pencari yang kaku dalam beberapa ronde, Search as Code membiarkan model membangun pipeline kustom saat itu juga menggunakan primitif pencarian dasar,” jelas Perplexity dalam pengumumannya.

Tiga Lapisan Arsitektur

Arsitektur SaC terdiri dari tiga lapisan. Lapisan paling atas adalah model itu sendiri yang memahami tugas dan menentukan strategi pencarian. Di tengah ada sandbox, lingkungan eksekusi aman di mana kode yang dihasilkan dijalankan. Paling bawah adalah Agentic Search SDK yang memecah mesin pencari Perplexity menjadi fungsi-fungsi yang bisa dicampur dan dipadukan.

Untuk query sederhana, API pencarian standar tetap tersedia. SaC baru aktif untuk tugas riset kompleks yang membutuhkan beberapa tahap pencarian dan analisis.

Uji Nyata: Melacak 200 Kerentanan Kritis

Perplexity menguji SaC dengan tugas nyata yang menantang: melacak 200 kerentanan perangkat lunak kritis (CVE) yang diterbitkan antara 2023 dan 2025. Untuk setiap CVE, agen harus menemukan penasihat resmi vendor, perangkat lunak yang terpengaruh, dan versi tepat yang memperbaiki masalah.

Agen yang menggunakan SaC menulis script tiga tahap. Tahap pertama menjalankan pencarian paralel yang disesuaikan dengan format buletin keamanan vendor spesifik seperti Mozilla dan Google. Tahap kedua memindai hasil sendiri, menemukan celah, dan menjalankan pencarian lanjutan yang tertarget. Tahap ketiga menggunakan skema untuk memverifikasi bahwa CVE, produk, dan versi perbaikan semuanya cocok.

Hasilnya, agen berhasil menyelesaikan tugas dengan akurasi tinggi sambil menggunakan 85 persen lebih sedikit token dibanding pipeline standar. Sistem pesaing hanya berhasil kurang dari seperempat data yang benar.

Unggul di Empat dari Lima Benchmark

Dalam pengujian benchmark, SaC mengungguli Responses API dari OpenAI dan Managed Agents dari Anthropic di empat dari lima kategori. Jarak terbesar terjadi di benchmark WANDR, benchmark riset luas milik Perplexity yang akan segera dirilis ke publik.

Meskipun benchmark yang dilaporkan oleh perusahaan itu sendiri perlu dicermati, perbandingan dengan arsitektur Perplexity sebelumnya menunjukkan lompatan besar dalam performa yang sulit diperdebatkan.

Menjawab Masalah Benchmark yang Dicurangi

Inovasi ini juga menjawab masalah fundamental yang menghantui agen pencarian AI saat ini. Studi terbaru menemukan bahwa agen pencarian populer sering “curang” di benchmark seperti BrowseComp. Alih-alih memindai web secara langsung, mereka menarik jawaban dari data pelatihan dan menggunakan pencarian hanya untuk mengonfirmasi apa yang sudah diketahui.

Ketika diuji pada benchmark baru dengan fakta-fakta segar, setiap sistem mengalami penurunan skor 25 hingga 40 poin. Namun, semua sistem yang diuji menggunakan alat pencarian standar, bukan SaC.

Kode sebagai Lapisan Operasional Agen

Perkembangan ini sejalan dengan tren yang lebih luas dalam industri AI. Makalah survei terbaru menunjukkan bahwa menulis kode menjadi cara default agen berinteraksi dengan dunia. Kode menjadi lapisan operasional baru untuk agen, dan infrastruktur di sekitarnya seperti sandbox, alat, dan mekanisme verifikasi menjadi bottleneck baru bagi sistem otonom.

SaC menggeser paradigma dari memperlakukan pencarian sebagai alat kotak hitam menjadi memperlakukannya sebagai infrastruktur yang bisa diprogram. Kombinasi penalaran model dengan eksekusi kode deterministik menghasilkan agen riset otonom yang lebih mampu.

Ketersediaan

Search as Code sudah mulai diluncurkan di Perplexity Computer dan Agent API. Pengembang yang membangun agen riset, analisis data, atau sistem pencarian otomatis bisa langsung mencoba arsitektur baru ini.

Dengan SaC, Perplexity tidak hanya bersaing dengan OpenAI dan Anthropic di ranah model bahasa, tetapi juga mendefinisikan ulang cara AI berinteraksi dengan informasi di internet.***