Perplexity’nin ‘Search as Code’ Mimarisi: AI Arama Artık Python Kodu Yazıyor
perplexity, 1 Haziran 2026’da search-as-code (SaC) adını verdiği yeni arama mimarisini duyurdu. Bu yaklaşımda AI modelleri sabit API çağrıları yapmak yerine, atomik arama primitiflerini Python koduyla birleştirerek görev-özel retrieval pipeline’ları oluşturuyor. SaC, Perplexity Computer’da varsayılan arama motoru oldu ve agentic-search-sdk aracılığıyla Agent API üzerinden erişilebilir durumda.
Ana Gelişme
Geleneksel arama mimarilerinde model bir sorgu gönderir, arama motoru önceden tanımlı pipeline’ı çalıştırır ve sonuçlar context olarak tüketilir. SaC bu monolitik yapıyı parçalıyor: model, güvenli bir sandbox içinde kod üreterek retrieval, filtering, ranking, deduplication ve parsing gibi primitifleri orkestre ediyor.
Üç katmanlı mimari şöyle çalışıyor:
- Model katmanı — kontrol düzlemi; görevleri parçalar, hangi pipeline’ların gerekli olduğuna karar verir ve kod üretir.
- Compute sandbox — deterministik hesaplama için güvenli kod çalıştırma ortamı; batching, retry, filtering ve aggregation sağlar.
- Agentic Search SDK — Perplexity’nin arama yığınını composable primitifler olarak sunar.
SaC’te tek bir retrieval operasyonu bile function calling veya MCP arayüzü üzerinden gönderilmiyor; tüm operasyonlar model tarafından üretilen Python koduyla yönetiliyor.
Neden Önemli?
agentic-ai çağında agent’lar saatlerce veya günlerce süren görevler üstleniyor; tek bir görevde dakikalar içinde yüzlerce hatta binlerce retrieval operasyonu tetiklenebiliyor. Monolitik arama bu talebi karşılayamıyor. SaC, tool-calling döngülerinden kod-orkestreli arama pipeline’larına geçişi temsil ediyor — autonomous-agents ve multi-agent-systems tasarımında önemli bir paradigm shift.
Türk geliştiriciler için SDK ve retrieval altyapısı proprietary olsa da mimari pattern açık kaynak agent runtime’larına (Hermes Agent gibi) uyarlanabilir. RAG ve agent pipeline’ı inşa eden ekipler, “sabit API mi, kod orkestrasyonu mu?” sorusunu yeniden değerlendirmeli.
Teknik Detaylar
Perplexity’nin kendi verilerine göre 200-CVE araştırma görevinde SaC %100 doğruluk elde etti ve token kullanımı %85,1 azaldı (288,7K’dan 42,9K’ya). DeepSearchQA, BrowseComp, Humanity’s Last Exam, WideSearch ve WANDR dahil beş benchmark’tan dördünde openai Responses API, anthropic Managed Agents, Exa ve Parallel’ı geride bıraktığını iddia ediyor.
Bu benchmark sonuçları Perplexity tarafından self-reported; bağımsız doğrulama veya üçüncü taraf reprodüksiyonu bulunmuyor. Makaledeki tüm performans rakamları şirketin kendi araştırma bloguna dayanıyor.
Bağlam
llm-applications alanında arama, frontier modellerin dış dünyadan bilgi çekmesinin temel primitifidir. tool-use ve MCP’ler erken dönemde yeterli olsa da, code-capable agent harness’ler bugün her türlü hesaplama primitifini kod üzerinden kontrol edebiliyor. SaC bu yeteneği arama yığınının içine taşıyor.
Perplexity’nin Eylül 2025’te yayınladığı arama mimarisi genel bakışından bu yana yığın önemli evrim geçirdi: Search API, Agent API ve Computer lansmanları, self-improvement loop’larıyla arama kalitesini sürekli optimize etti. SaC, bu evrimin en son ve en radikal adımı — arama artık dışarıdan çağrılan bir servis değil, agent harness’in içinde kodla orkestre edilen bir pipeline.
Rakip karşılaştırmasında Perplexity, openai Responses API ve anthropic Managed Agents’ı dört benchmark’ta geride bıraktığını iddia ediyor. DeepSearchQA’da 0,871 vs. 0,815 (Anthropic) ve 0,733 (OpenAI); WANDR’da en yakın rakibin 2,5 katı performans. Bu rakamlar self-reported olduğu için dikkatli yorumlanmalı, ancak mimari farkın performansa etkisi teorik olarak mantıklı: kod orkestrasyonu, sabit API çağrılarına kıyasla görev-özel optimizasyon sağlar.
Sonraki Adımlar
Perplexity, SaC mimarisini üç katmanın tamamında optimize etmeye devam edeceğini belirtti. SDK indirilebilir değil; ancak mimari fikir, kendi agent projelerinizde sandbox + composable primitives pattern’ini uygulamak için referans teşkil ediyor.
Türk geliştiriciler için pratik soru: Kendi RAG pipeline’ınızda sabit retrieval API’si mi yoksa sandbox içinde Python ile composable primitives mi kullanmalısınız? SaC’nin iddia ettiği %85 token tasarrufu, bağımsız doğrulanmamış olsa da “gereksiz context’i filtrele, yalnızca yararlı bilgiyi modele ver” prensibini somutlaştırıyor. ai-benchmarks bağlamında bu iddiaların üçüncü taraf testlerle doğrulanması beklenmeli.
Perplexity Computer’da SaC’nin varsayılan olması, mimarinin production-ready sinyali taşıdığını gösteriyor. Agent API üzerinden erişim, harici uygulamaların da bu yetenekleri tüketebileceği anlamına geliyor — ancak retrieval altyapısı proprietary kaldığı sürece tam bağımsızlık mümkün değil.
CVE vendor advisory case study’si, SaC’nin güçlü yanını somutlaştırıyor: 200 CVE’lik araştırma görevinde atomik primitiflerin (retrieval, filtering, ranking, deduplication, parsing) kodla birleştirilmesi, monolitik arama API’sine kıyasla hem doğruluğu artırıyor hem de gereksiz context’i eleyerek token maliyetini düşürüyor. Bu pattern, güvenlik araştırma agent’ları ve compliance otomasyonu gibi alanlara transfer edilebilir.