기존 검색 API의 한계
지금까지 AI 에이전트가 웹 검색을 수행할 때는 고정된 API 엔드포인트를 호출하고 정해진 형식의 결과를 받는 방식을 써왔다. 이 구조에는 근본적인 한계가 있다. 복잡한 다단계 검색(예: CVE 정보 수집 시 Mozilla, Google, Debian 등 각 벤더의 보안 공시 형식이 모두 다름)에서 단일 응답 구조로는 충분한 정확도를 얻기 어렵다.
Perplexity의 답은 이렇다: 모델이 직접 검색 코드를 작성하게 하라.
Search as Code 3계층 구조
SaC 아키텍처는 세 계층으로 구성된다:
- 모델 계층 — 작업을 이해하고 검색 전략을 결정
- 샌드박스 — 생성된 Python 코드가 안전하게 실행되는 격리 환경
- Agentic Search SDK — 검색, 필터링, 중복 제거, 재순위 등 개별 함수들을 모듈식으로 제공
모델은 이 세 계층을 활용해 각 작업에 최적화된 검색 파이프라인을 즉석에서 조립한다. 기존 방식처럼 단 한 번의 API 호출로 끝내는 것이 아니라, 검색 → 갭 파악 → 보완 쿼리 실행 → 결과 검증까지 여러 단계를 코드로 표현한다.
실전 사례: CVE 취약점 정보 수집
Perplexity가 제시한 시연 사례는 설득력이 있다. 2023~2025년 사이 발표된 CVE 200건을 수집하는 작업에서:
기존 방식: 단일 API 호출 → 여러 벤더별 형식 차이 처리 불가 → 정확도 25% 미만
SaC 방식:
- 모델이 Mozilla, Google 등 각 벤더의 보안 공시 형식에 맞춘 병렬 검색 스크립트 작성
- 결과를 스캔해 누락 항목 파악 후 보완 쿼리 실행
- 스키마를 사용해 CVE 번호·영향 제품·패치 버전 일치 여부 검증
- 결과: 정확도 100%, 토큰 사용량 85% 절감 (Perplexity 자체 수치)
경쟁 구도
| 솔루션 | 접근 방식 | 특징 |
|---|---|---|
| Perplexity SaC | 코드 생성 기반 | 모듈식 파이프라인, 샌드박스 실행 |
| OpenAI Responses API | 고정 엔드포인트 | 안정적이나 유연성 제한 |
| Exa | 의미 기반 검색 | 고품질 결과, 파이프라인 커스터마이징 제한 |
| Tavily | 에이전트 특화 API | 개발자 친화적, 파이프라인 제어 제한 |
| Google AI Search | 네이티브 통합 | 최신 정보 강점, 독점적 생태계 |
핵심 포인트
- Search as Code는 AI 모델이 직접 Python 검색 워크플로를 작성해 실행하는 새로운 아키텍처다.
- 3계층(모델·샌드박스·Agentic Search SDK) 구조로 검색, 필터링, 재순위를 모듈식으로 조합한다.
- Perplexity 자체 테스트에서 토큰 85% 절감, CVE 탐지 100% 정확도를 주장했으나 독립 검증이 필요하다.
- Perplexity Computer와 Agent API에서 우선 제공되며, WANDR 벤치마크도 곧 공개 예정이다.
- 고정 API의 한계를 코드 생성으로 극복하는 이 방식은 복잡한 다단계 리서치 작업에 특히 유효하다.
의미와 전망
SaC가 제시하는 방향은 단순한 성능 개선을 넘어선다. 에이전트가 자신의 도구를 직접 커스터마이징하는 도구의 도구화(meta-tooling) 패러다임을 검색 영역에 적용한 것이다. 이 방식이 일반화되면 검색 API 시장의 경쟁 구도 자체가 바뀔 수 있다. 단순히 빠르고 정확한 검색을 제공하는 것을 넘어, 에이전트가 코드로 표현하기 좋은 구조적·모듈식 SDK를 얼마나 잘 제공하느냐가 경쟁력이 된다. Exa, Tavily, Google AI Search가 어떻게 대응할지 주목할 필요가 있다.