搜尋引擎與 AI 的整合，這幾年一直在玩同一件事：把自然語言問題拆解成多輪 tool calling，再串回答案。Perplexity 最近推出的 Search as Code，直接把這個過程砍掉重練——它不再讓 AI 一輪一輪去問工具，而是直接產生一段 Python pipeline code，一次搞定搜尋、過濾、摘要、分析，然後才回答。這不是一個小更新，而是把搜尋從「對話式」推向「程式化」的關鍵一步。
Search as Code 到底改了什麼
傳統的做法是：你問一個問題，AI 先判斷要呼叫哪個搜尋 API，得到結果後再決定要不要再問一次，不斷來回。這種 multi-turn tool calling 的問題很明顯——延遲高、成本高，而且每多一輪就有機會出錯。
Perplexity 的做法是：你給一個查詢，它背後直接產生一段 Python pipeline，這段 pipeline 裡頭已經定義好要去哪些來源、用什麼條件篩選、要不要排序、要不要摘要，然後整段跑完，直接給答案。使用者看到的是結果，但底層已經不是多輪對話，而是一次執行。
對開發者和重度使用者來說，這是真正的解放
如果你是那種每天都在用 AI 查資料，又對「結果不夠準」「回應太慢」感到煩躁的人，Search as Code 直接解決了兩個痛點。第一個是延遲：以前你要等 AI 來回好幾次，現在一段 pipeline 一次到位，回應時間明顯縮短。第二是可控性：以前你無法指定 AI 要先用哪個來源、後過濾什麼條件，現在底層的 pipeline 是透明的，理論上可以調整參數來優化結果。
舉個實際情境：假設你要追蹤某個產業的最新論文，同時想看社群討論。傳統做法你要問好幾次：「幫我找 2025 年的論文」「幫我過濾掉非開放取用的」「再幫我看 Hacker News 上有哪些討論」。Search as Code 的 pipeline 直接一次做完這些動作，結果已經按你需要的邏輯整理好。
表面是搜尋更新，實際是 AI Agent 能力的結構性升級
很多人看到 Search as Code 只會覺得「哦，搜尋變快了」，但真正值得注意的，是這件事對 AI Agent 架構的影響。過去你要做一個能搜尋的 Agent，必須設計複雜的 tool orchestration 邏輯，管理多輪呼叫的狀態、錯誤處理、重試機制。現在 Perplexity 把搜尋包裝成一段可執行的 Python code，這意味著 Agent 不再需要自己管那些低階呼叫，它只要專注在「我要什麼結果」，剩下的由 pipeline 搞定。
這其實是把搜尋這個能力，從「需要對話協調」變成「可以程式呼叫」。對於正在開發 AI 應用的人來說，這是個巨大的差異。你可以想像未來一個撰寫報告的 Agent，直接呼叫 Search as Code 拿到結構化資料，然後餵給 LLM 產生內容，整個流程乾淨俐落。
值不值得立即關注？要看你的使用場景
如果你只是偶爾用 Perplexity 查一次性的問題，比如「今天天氣如何」，那這個功能對你的影響不大。但如果你是內容創作者、研究人員、分析師，或者正在開發 AI 驅動的資料產品，那 Search as Code 值得你立刻去試。它的價值不在於日常搜尋變快那一兩秒，而是在於它改變了搜尋結果可以被程式化利用的方式。
真正令人興奮的，不是它今天做得多好，而是這個方向。如果 Perplexity 進一步開放讓開發者自訂 pipeline 的參數，甚至允許寫 custom filter 或 source 規則，那就離「搜尋即服務」不遠了。那時候，搜尋不再是一個問答過程，而是一個資料管線。
一個值得追蹤的訊號
Search as Code 目前還不是完全開放給所有人，但已經釋出了初步的 API 與範例。如果你是那種喜歡在工具剛出來就摸熟的人，現在正是時候。這不是一個功能更新，而是一個架構轉變。搜尋不再只是「找到答案」，而是「產生可以重複執行的搜尋邏輯」。這個差異，將會區分出誰還在問問題，誰已經在寫搜尋。
追蹤以下平台，獲得最新AI資訊：
Facebook: https://www.facebook.com/drjackeiwong/
Instagram: https://www.instagram.com/drjackeiwong/
Threads: https://www.threads.net/@drjackeiwong/
YouTube: https://www.youtube.com/@drjackeiwong/
Website: https://drjackeiwong.com/
