Perplexity lässt KI-Agenten Suchabläufe selbst in Python schreiben und senkt den Tokenverbrauch um 85 Prozent

Perplexity ersetzt starre Suchaufrufe für komplexe Recherchen durch eine neue Architektur, in der KI-Modelle eigene Suchpipelines als Python-Code erzeugen. Der Anbieter verspricht präzisere Ergebnisse und deutlich weniger Tokenverbrauch bei langen Agenten-Aufgaben.

Perplexity stellte die Architektur am 7. Juni 2026 über The Decoder als "Search as Code" vor. Statt eine feste Search-API mehrfach aufzurufen, schreibt das Modell dabei ein eigenes Python-Skript. Dieses läuft in einer abgesicherten Sandbox und greift auf einzelne Suchfunktionen aus einem "Agentic Search SDK" zu. Laut Perplexity bleiben klassische APIs für kurze Anfragen bestehen. Für mehrstufige Recherchen sollen Agenten aber parallele Abfragen, Filterung, Deduplizierung und Reranking selbst steuern.

Drei Schichten für Agenten

Die Architektur trennt Modell, Sandbox und SDK in drei Ebenen. Oben entscheidet das LLM über die Suchstrategie. In der Mitte läuft der erzeugte Code isoliert. Unten stellt Perplexity die Suchinfrastruktur als kombinierbare Funktionen bereit. Der Anbieter beschreibt herkömmliche Suchmaschinen als zu starr für Agenten, die in wenigen Minuten Hunderte Abfragen ausführen. Statt nur Suchbegriffe zu variieren, kann das Modell nun den gesamten Ablauf programmatisch anpassen und irrelevante Treffer vor dem Einlesen in das Kontextfenster entfernen.

Das zielt auf ein bekanntes Problem in Agenten-Workflows. Bei festen APIs landet oft zu viel Ballast im Kontextfenster. Das erhöht den Tokenverbrauch und erschwert längere Recherchen. Perplexity argumentiert, dass selbst geschriebene Filter den Kontext schlanker halten. Für Unternehmen ist das vor allem dort relevant, wo Recherche-Agenten Marktanalysen, Ausschreibungen oder technische Dokumentationen auswerten und dabei mit begrenzten Kontextfenstern arbeiten.

CVE-Test mit 200 Schwachstellen

Als Praxisbeispiel nennt Perplexity eine Cybersecurity-Aufgabe mit 200 kritischen CVEs aus den Jahren 2023 bis 2025. Der Agent sollte für jede Schwachstelle die offizielle Herstellerwarnung, die betroffene Software und die exakte Patch-Version finden. Blogposts und Medienberichte galten nicht. Laut dem Bericht schrieb das Modell dafür ein dreistufiges Skript. Es startete parallele Suchen, passte sie an Formate von Anbietern wie Mozilla oder Google an und prüfte die Ergebnisse anschließend gegen ein festes Schema.

Weniger Token, mehr Kontrolle

Nach Angaben von Perplexity erledigte der Agent die Aufgabe mit 85 Prozent weniger Tokens als die Standardpipeline. Konkurrenzsysteme hätten dabei weniger als ein Viertel der Daten korrekt erfasst, berichtet The Decoder unter Verweis auf den technischen Bericht. Standardisierte Suchschnittstellen bleiben damit zwar erhalten, doch für agentische Recherche verschiebt sich die Logik in den Code, den das Modell selbst erzeugt. Der Test bezog sich auf CVE-Daten aus dem Zeitraum 2023 bis 2025.