Perplexity 將 Deep Research 接入 Computer：寫程式碼並行檢索，直接輸出研報和看板

過去用 AI 做深度調研，最折磨人的地方往往不是搜不到東西，而是來回倒騰。

你先開一個 Deep Research 視窗，等它洋洋灑灑跑完幾千字的背景分析，然後再把文字複製出來，扔進另一個工作區或者給專門的寫作工具，讓它排版成彙報 PPT 或者 PDF。整個過程像是在兩個辦公室之間來回遞小紙條。

Perplexity 今天把這兩步合二為一了。他們把自家的深度調研功能 Deep Research，直接塞進了生產力環境 Computer 裡面。

調研也是程式碼，一次跑上千步

根據官方披露的一組資料，在 Computer 的日常任務裡，有近 26% 的需求都是研究和分析，甚至排在了寫程式碼和資產生成的前面。

既然大家本來就在拿它做調研，Perplexity 乾脆重構了背後的底層架構，提出了一個叫 Search as Code 的概念。

以前 AI 檢索通常就是一問一答，模型想一個關鍵詞，去搜索引擎拉幾條結果回來看。但現在，Computer 會把搜尋本身當成一段程式來寫。

模型會在一個安全的沙盒環境裡編寫指令碼，針對你的問題一次性並行跑上千個檢索步驟。程式碼跑出來的同時，模型就在旁邊看著，如果發現某條線索質量不行，它會中途改換檢索方向，或者直接在程式碼層面對資料去重和過濾。

整個複雜任務會被拆解，路由分派給 20 多個前沿模型協同處理。而且除了全網檢索，它還能通過 App Connectors 讀取你授權的內部檔案，甚至直接呼叫 Statista、PitchBook、CB Insights 這類收費資料庫。

在 Humanity's Last Exam、BrowseComp 和 DeepSearchQA 這三個評測基準上，官方表示其事實準確度、分析深度和引用質量都有所提升，每一個事實依然帶有點開就能驗證的原文角標。

從複雜推理直接拿到成品

查完了只是前半截，合體後最大的變化在後半截。

Perplexity 舉了個例子：如果一家加州公司剛剛收購了一家得州初創團隊，想弄清楚員工的競業禁止協議到底還有沒有法律效力。系統會並行拆解成四條路徑，去查加州法院對州外協議的態度、得州的標準判例、併購後的合同轉讓法案以及 FTC 的最新規章。

但在 Computer 裡，模型不會只給你吐出一堆法條解釋，它能把調研結論直接封裝成一份給管理層看的風險備忘錄、對比表格，甚至是可互動的看板或排版好的 PDF 和演示幻燈片。

也就是說，從原始輸入一個商業問題，到拿到可以交付給老版的格式化成果，中間不需要再切換任何會話。

為什麼重要

我們認為，Perplexity 這次動作最聰明的地方，在於它終於砍掉了深度搜索和具體幹活之間的斷層。

以往很多所謂的 AI 調研，充其量只是一個加強版的百科全書。它查出來的內容確實比普通檢索詳實，但由於缺乏後續的排版和處理能力，使用者最後還是得自己花半小時手動整理成報告。現在直接打通交付物管道，不管是做金融盡調還是做競品跟蹤，確實能省下大把黏貼格式的時間。

另一個關鍵在於付費資料來源和內部聯結器的加入。純靠公開網際網路做企業研究往往浮於表面，引入 PitchBook 和內部文件，才真正讓它有了充當外包初級分析師的底氣。

不過在我們看來，隱患也同樣明顯。讓模型自己寫程式跑上千次檢索並呼叫 20 多個模型，背後的算力消耗和等待時間註定不會低。對於那些並不需要窮盡法條或海量對比的日常查詢來說，這種殺雞用牛刀的模式可能會顯得過於沉重。

但不管怎麼說，它給行業劃定了一條新標準：以後的搜尋工具如果只能給出一堆文字答案，而不能直接端出可用的交付物，恐怕很快就會被職場使用者拋在腦後了。