Perplexity 将 Deep Research 接入 Computer：写代码并行检索，直接输出研报和看板

过去用 AI 做深度调研，最折磨人的地方往往不是搜不到东西，而是来回倒腾。

你先开一个 Deep Research 窗口，等它洋洋洒洒跑完几千字的背景分析，然后再把文字复制出来，扔进另一个工作区或者给专门的写作工具，让它排版成汇报 PPT 或者 PDF。整个过程像是在两个办公室之间来回递小纸条。

Perplexity 今天把这两步合二为一了。他们把自家的深度调研功能 Deep Research，直接塞进了生产力环境 Computer 里面。

调研也是代码，一次跑上千步

根据官方披露的一组数据，在 Computer 的日常任务里，有近 26% 的需求都是研究和分析，甚至排在了写代码和资产生成的前面。

既然大家本来就在拿它做调研，Perplexity 干脆重构了背后的底层架构，提出了一个叫 Search as Code 的概念。

以前 AI 检索通常就是一问一答，模型想一个关键词，去搜索引擎拉几条结果回来看。但现在，Computer 会把搜索本身当成一段程序来写。

模型会在一个安全的沙盒环境里编写脚本，针对你的问题一次性并行跑上千个检索步骤。代码跑出来的同时，模型就在旁边看着，如果发现某条线索质量不行，它会中途改换检索方向，或者直接在代码层面对数据去重和过滤。

整个复杂任务会被拆解，路由分派给 20 多个前沿模型协同处理。而且除了全网检索，它还能通过 App Connectors 读取你授权的内部文件，甚至直接调用 Statista、PitchBook、CB Insights 这类收费数据库。

在 Humanity's Last Exam、BrowseComp 和 DeepSearchQA 这三个评测基准上，官方表示其事实准确度、分析深度和引用质量都有所提升，每一个事实依然带有点开就能验证的原文角标。

从复杂推理直接拿到成品

查完了只是前半截，合体后最大的变化在后半截。

Perplexity 举了个例子：如果一家加州公司刚刚收购了一家得州初创团队，想弄清楚员工的竞业禁止协议到底还有没有法律效力。系统会并行拆解成四条路径，去查加州法院对州外协议的态度、得州的标准判例、并购后的合同转让法案以及 FTC 的最新规章。

但在 Computer 里，模型不会只给你吐出一堆法条解释，它能把调研结论直接封装成一份给管理层看的风险备忘录、对比表格，甚至是可交互的看板或排版好的 PDF 和演示幻灯片。

也就是说，从原始输入一个商业问题，到拿到可以交付给老版的格式化成果，中间不需要再切换任何会话。

为什么重要

我们认为，Perplexity 这次动作最聪明的地方，在于它终于砍掉了深度搜索和具体干活之间的断层。

以往很多所谓的 AI 调研，充其量只是一个加强版的百科全书。它查出来的内容确实比普通检索详实，但由于缺乏后续的排版和处理能力，用户最后还是得自己花半小时手动整理成报告。现在直接打通交付物管道，不管是做金融尽调还是做竞品跟踪，确实能省下大把黏贴格式的时间。

另一个关键在于付费数据源和内部连接器的加入。纯靠公开互联网做企业研究往往浮于表面，引入 PitchBook 和内部文档，才真正让它有了充当外包初级分析师的底气。

不过在我们看来，隐患也同样明显。让模型自己写程序跑上千次检索并调用 20 多个模型，背后的算力消耗和等待时间注定不会低。对于那些并不需要穷尽法条或海量对比的日常查询来说，这种杀鸡用牛刀的模式可能会显得过于沉重。

但不管怎么说，它给行业划定了一条新标准：以后的搜索工具如果只能给出一堆文字答案，而不能直接端出可用的交付物，恐怕很快就会被职场用户抛在脑后了。