Comment le Search as Code de Perplexity permet aux agents d’écrire leur propre pipeline de recherche

Perplexity a dévoilé au printemps 2026 une architecture de recherche nouvelle pour les agents autonomes : le Search as Code (SaC). Au lieu d’enchaîner les requêtes une par une, l’agent écrit un programme Python qui orchestre l’accès à un index de 200 milliards d’URL. Intégré à l’Agent API, ce modèle promet une meilleure précision tout en réduisant la consommation de tokens de plus de 85 %.

---

Search as Code : quand la recherche devient un programme

Jusqu’ici, la recherche d’information pour les agents IA reposait sur un modèle séquentiel et monolithique. Le Search as Code change la logique : il transforme la recherche en un objet logiciel programmable, composé de briques élémentaires que l’agent assemble selon le besoin.

« Nous transformons la recherche en une série de briques programmables, donnant aux agents la capacité d’écrire leur propre pipeline de données. »
Extrait d’une publication de l’équipe Perplexity Research

D’une boîte noire monolithique à un pipeline sur mesure

Dans les systèmes antérieurs, un agent qui devait explorer une question complexe lançait une première requête, attendait la réponse, l’analysait, puis relançait une nouvelle requête, et ainsi de suite. Ce cycle « requête – lecture – nouvelle requête » générait de la latence, une forte consommation de tokens et laissait peu de place à l’optimisation globale. Avec le SaC, cette approche séquentielle est remplacée par un schéma d’exécution unique : l’agent génère un script qui définit l’ensemble des opérations à mener, les parallélise et les exécute en une seule passe.

Cette différence compte surtout pour les tâches de recherche à la fois larges (wide) et profondes (deep). Pour un sujet vaste qui demande de consulter des centaines de sources, le code peut déclencher des appels simultanés vers plusieurs segments de l’index, filtrer les résultats, éliminer les doublons et ne remonter que l’information utile. En quelques minutes, un agent réalise l’équivalent de ce qui prenait auparavant des dizaines de cycles.

Des primitives de recherche pour composer des stratégies complexes

Le SaC ne se contente pas d’exposer un moteur de recherche classique : il met à disposition un SDK Agentic Search composé de fonctions atomiques, appelées primitives. Ces primitives incluent le filtrage par date ou par domaine, la déduplication, le re‑ranking (réordonnancement des résultats), le rendu de contenu ou encore le fan‑out massif, c’est-à-dire la capacité à lancer des milliers de sous‑requêtes simultanément.

En écrivant un script Python, l’agent peut chaîner ces primitives selon la tâche. Par exemple, pour cartographier les vulnérabilités CVE d’une gamme de produits, il va d’abord récupérer une liste large, filtrer par sévérité, recouper avec les avis d’éditeurs, puis synthétiser le tout. Le code devient reproductible, testable et versionnable, avec des pratiques d’ingénierie logicielle appliquées à la recherche.

Une nouvelle ère pour les flux de travail intensifs

Les cas d’usage les plus frappants concernent l’automatisation de la veille, l’audit de conformité ou la recherche scientifique. Perplexity cite un test d’identification de 200 vulnérabilités CVE où le SaC a atteint 100 % de précision, un résultat impossible à obtenir avec une approche par requêtes successives. Dans le même esprit, la fonctionnalité Deep Research de Perplexity Computer orchestre désormais plus de 20 modèles de pointe simultanément, en s’appuyant sur le Search as Code pour brasser des quantités massives de données.

En traitant la recherche comme un programme, le SaC permet aussi d’appliquer des optimisations en vol (in‑flight optimization) : si une branche de la recherche s’avère stérile, le code peut l’abandonner et réaffecter les ressources à une autre piste, sans intervention humaine. Cette flexibilité renforce la robustesse des agents face à des environnements d’information mouvants.

Un moteur de recherche décomposé en briques logicielles

Derrière le Search as Code se cache une architecture en trois couches qui sépare nettement la stratégie de l’exécution. Ce découplage garantit à la fois la performance, la sécurité et l’interopérabilité avec différents modèles de langage.

Le plan de contrôle : le modèle décide, le code exécute

Au sommet de l’architecture, un modèle de langage (le plan de contrôle) analyse la question posée et élabore un plan de recherche. Ce plan n’est pas une simple liste de mots-clés : c’est un script Python qui orchestre précisément les appels aux primitives du SDK. Le code est ensuite automatiquement envoyé dans un bac à sable (sandbox) sécurisé, isolé du reste du système, où il s’exécute sans risque de fuite ou d’altération des données.

Ce cloisonnement permet d’exécuter du code potentiellement complexe sans compromettre l’environnement hôte. En pratique, le sandbox offre un espace éphémère où l’agent peut lire des résultats intermédiaires, les transformer, puis réinjecter uniquement les informations consolidées dans le contexte final du modèle. Le modèle garde une vue d’ensemble tout en déléguant les manipulations de masse à une couche d’exécution spécialisée.

Le SDK Agentic Search : des primitives pour manipuler l’index

Le centre du dispositif est l’Agentic Search SDK, une bibliothèque qui donne accès aux entrailles du moteur de Perplexity. Celui‑ci repose sur un index de 200 milliards d’URL, mis à jour en continu à raison de dizaines de milliers de modifications par seconde. Les primitives exposées permettent d’interroger cet index de façon granulaire, bien au-delà d’une simple liste de liens bleus.

• Filtrage : restreindre par plage de dates, géolocalisation, langue, autorité du domaine.
• Déduplication : éliminer les contenus redondants pour ne pas encombrer le contexte.
• Re‑ranking : réordonner dynamiquement les résultats en fonction de leur pertinence par rapport à la sous‑tâche en cours.
• Rendu : extraire le corps du texte des pages pour nourrir une analyse approfondie.
• Fan‑out massif : lancer jusqu’à plusieurs milliers de requêtes parallèles, puis agréger les résultats (pattern map‑reduce).

Cette granularité change la nature même de la recherche : l’agent ne dépend plus d’une boîte noire qui renvoie une page de résultats. Il peut, par exemple, demander indépendamment le classement de popularité d’une source, son ton éditorial ou sa fraîcheur, et croiser ces signaux avant de décider s’il doit en extraire le texte intégral.

Interopérabilité et persistance : un socle pour les agents longue durée

L’Agent API a été pensée pour fonctionner avec plusieurs fournisseurs de modèles (OpenAI, Anthropic, Google, xAI) sans imposer un verrouillage propriétaire. Un développeur utilisant déjà le SDK d’OpenAI peut basculer vers l’API Perplexity en changeant simplement l’URL de base et la clé d’authentification, grâce à une compatibilité avec les endpoints habituels.

Pour les sessions de longue durée, l’Agent API maintient un état persistant. Un agent qui enquête pendant des heures sur un sujet peut ainsi mémoriser les sources déjà consultées, les filtres appliqués et les conclusions intermédiaires. Combinée au Search as Code, cette persistance permet d’affiner la stratégie de recherche au fil du temps, tout en évitant de dupliquer les efforts. L’API devient un système d’exploitation pour agents, capable de gérer aussi bien des questions factuelles instantanées que des rapports approfondis évoluant sur plusieurs jours.

Des gains spectaculaires en efficacité et en coûts

Les performances du Search as Code ne relèvent pas de la seule théorie : les mesures publiées par Perplexity montrent des améliorations nettes à la fois sur la qualité des résultats, la consommation de ressources et la transparence économique.

Jusqu’à 85 % de tokens économisés

L’un des chiffres les plus marquants concerne la réduction de la consommation de tokens. Par rapport à une méthode traditionnelle qui enchaîne les appels en série, le Search as Code permet une baisse pouvant atteindre 85,1 %. Ce gain est directement lié à la capacité du code à paralléliser les recherches, à dédoublonner les contenus avant de les injecter dans le modèle et à ne conserver que l’essentiel.

Moins de tokens signifie mécaniquement une latence plus faible et un coût par requête divisé par près de sept. Sur un flux de centaines de milliers de questions mensuelles, l’économie est structurelle. Ce gain a aussi un impact positif sur l’empreinte environnementale : la moindre sollicitation des centres de calcul réduit la consommation d’énergie et les émissions de CO₂ associées, un aspect de plus en plus surveillé par les entreprises.

Des résultats jusqu’à 2,5 fois plus pertinents

La qualité des réponses est évaluée via le benchmark WANDR (Web Agent Navigation and Dynamic Research), qui mesure la capacité à mener des recherches complexes et adaptatives. Le Search as Code y affiche des performances jusqu’à 2,5 fois supérieures aux alternatives existantes. Concrètement, cela signifie que l’agent trouve plus souvent la bonne information du premier coup, même quand la question exige de naviguer à travers des dizaines de pages et de croiser des sources disparates.

L’exemple le plus éloquent est le test CVE déjà évoqué : sur 200 vulnérabilités à identifier, le SaC a obtenu 100 % de précision, là où un pipeline classique en laissait passer ou en inventait. Pour les métiers de la cybersécurité, de la pharmacovigilance ou de l’analyse de brevets, cette fiabilité est déterminante, car une seule omission peut avoir des conséquences légales ou économiques lourdes.

Un modèle économique transparent pour les développeurs

L’Agent API fonctionne en paiement à l’usage (pay‑as‑you‑go), sans abonnement obligatoire. Chaque requête peut être tracée avec une granularité fine : le développeur sait exactement combien de tokens ont été consommés par la phase de planification, par l’exécution du code et par la génération de la réponse finale. Aucun surcoût caché ne vient alourdir la facture.

Cette transparence facilite la maîtrise budgétaire, en particulier pour les start‑ups et les projets expérimentaux qui souhaitent itérer rapidement sans engagement. La documentation expose des paramètres de plafonnement des tokens et de limitation de la profondeur de recherche, si bien que l’on peut calibrer précisément le compromis entre exhaustivité et coût. Un tel contrôle évite les mauvaises surprises et encourage l’adoption à grande échelle.

L’Agent API : mettre le Search as Code à portée des développeurs

Pour exploiter la puissance du Search as Code, Perplexity a bâti l’Agent API, une interface conçue pour l’interopérabilité, la simplicité d’intégration et l’adaptabilité à tous les profils de projet.

Une compatibilité native avec les outils existants

L’accès principal s’effectue via le point de terminaison POST https://api.perplexity.ai/v1/agent. Pour simplifier la transition, l’API reprend la structure des appels du SDK OpenAI : il suffit de modifier l’URL de base et la clé pour que la plupart des intégrations existantes basculent vers Perplexity. Des bibliothèques officielles Python et TypeScript sont fournies, avec une gestion intégrée de l’authentification, des sessions et des appels aux primitives.

Cette compatibilité accélère la mise en œuvre : un prototype qui fonctionnait avec un modèle standard de langage peut immédiatement bénéficier de la recherche augmentée sans réécriture lourde. Les développeurs peuvent ainsi se concentrer sur les spécificités métier de leur agent plutôt que sur la plomberie des requêtes.

Configuration fine et presets pour tous les besoins

L’Agent API offre deux niveaux de paramétrage. Les presets proposent des configurations prêtes à l’emploi pour les cas les plus fréquents : recherche rapide centrée sur l’actualité, enquête approfondie multi‑sources ou encore synthèse documentaire. Derrière chaque preset, un réglage pré‑calibré des budgets de tokens, de la profondeur de fan‑out et du niveau de raisonnement.

Pour les usages avancés, l’API expose des paramètres granulaires : choix du modèle de langage (parmi Claude, Gemini ou Grok), seuil de confiance pour le re‑ranking, filtrage géographique ou thématique, durée maximale de session, etc. Cette souplesse permet d’adapter le comportement de la recherche à des contraintes de latence, de budget ou de couverture métier très spécifiques, qu’il s’agisse d’un chatbot en temps réel ou d’un pipeline de veille nocturne.

De la requête au rapport : transformer les résultats en données exploitables

Une fonctionnalité clé de l’API est la méthode output_text, qui agrège l’ensemble du processus de recherche en un texte consolidé et directement utilisable. Plus besoin d’écrire une logique complexe pour rassembler les fragments : l’API livre un rapport structuré, avec citations et renvois aux sources. En pratique, l’agent peut générer des analyses, des tableaux comparatifs, voire remplir une base de données à partir des informations glanées.

Les utilisateurs peuvent également définir des Skills personnalisés, c’est‑à‑dire des modules métier qui guident la stratégie de recherche vers un domaine précis (analyse juridique, revue de littérature scientifique, audit SEO, etc.). L’API orchestre alors automatiquement les primitives de recherche adaptées à ce module, tout en conservant la possibilité de dévier si une piste imprévue s’avère pertinente. Ce niveau d’autonomie fait de l’Agent API une couche d’abstraction capable de s’adapter à des contextes d’affaires variés sans supervision permanente.