Perplexity、検索基盤 Search as Code を最適化──OpenAI と Anthropic を 5 ベンチマーク中 4 つで凌駕
エージェントが検索パイプラインを Python で動的構築する Search as Code により、タスク単価を約 10% 削減しつつ実行信頼性を 92.6% に向上させた。
リリース: 2026-08-13 · 読了 3 分記事の要約
1. 核心（What）
- Perplexity はエージェント向け検索アーキテクチャ Search as Code (SaC) の最適化を実施し、タスク単価を約 10% 削減した
- Search SDK の連続アップデートにより Perplexity Computer 内のアクション実行信頼性が 81.9% から 92.6% に上昇した
- 200 CVE のリサーチタスクで精度 100% を達成し、トークン数を 288.7K から 42.9K へ 85.1% 削減した
- WANDR ベンチマークで 2.5 倍のスコアを記録するなど、OpenAI や Anthropic の競合システムを 5 つ中 4 つのベンチマークで上回った
2. 影響（Why）
- 固定検索からのパラダイムシフト: モデルが固定エンドポイントを叩く従来型では複雑なタスク要求に対応できないため、タスクごとに Python で検索パイプラインを動的構築する設計がエージェントのスケーラビリティを決定づける。
- 国内 SaaS のコスト構造への直撃: 国内の法的調査やログ解析 SaaS において、トークン消費量を 80% 超削減できる検索基盤の有無は、高頻度エージェント機能を実装する際のユニットエコノミクスを直接左右する。
3. 根拠・詳細（How）
- Agentic Search SDK による三層構造: モデルをコントロールプレーンとし、決定論的実行用のサンドボックスと、原子的な検索 SDK プリミティブ群を組み合わせることで、タスク専用の検索スタックをコードベースで生成する。
- コンテキスト粒度の動的制御: リコール重視の固定パイプラインが抱える「無関係な情報の混入」という欠点を排除し、モデル自身が必要な粒度のデータのみを要求する機構によってトークン効率を最大化した。
4. 展望・課題（Next）
- 第三者検証と API 展開: 現在の主要ベンチマーク結果は自社報告に基づくため、第三者機関による独立した検証と、Agent API 経由での利用環境の安定稼働が今後の焦点となる。