API de búsqueda: Mejor extracción, puntos de referencia dinámicos

En septiembre, publicamos una descripción técnica de la arquitectura de la API de búsqueda de Perplexity y lanzamos search_evals, nuestro marco de trabajo de evaluación de código abierto para realizar pruebas comparativas de API de búsqueda en flujos de trabajo de agentes. Desde entonces, la inversión más significativa ha sido en la calidad de los fragmentos, optimizada en dos dimensiones: relevancia y tamaño. Obtener el contenido adecuado en la cantidad correcta determina directamente la precisión de las respuestas posteriores y la eficiencia de los tokens. El trabajo para lograrlo implicó la creación de nuevos sistemas para la extracción, el etiquetado a nivel de segmento y la evaluación, más notablemente una canalización de etiquetado de segmentos que identifica qué partes de un documento fuente responden a una consulta determinada.

Para mejorar los fragmentos de forma sistemática, diseñamos un nuevo sistema de evaluación. Para una consulta y un documento determinados, el sistema identifica y etiqueta los segmentos dentro del documento según su relación con la consulta: segmentos "vitales" que deben incluirse en el fragmento, varias clases de segmentos "irrelevantes" que deben excluirse, duplicados y otras categorías. Este etiquetado a nivel de segmento nos permite evaluar la calidad del fragmento con un nivel de precisión que no era posible anteriormente, midiendo tanto lo que se incluyó correctamente como lo que se omitió correctamente.

En la práctica, estas mejoras nos permiten generar fragmentos más pequeños que son más relevantes para la consulta. Nuestra canalización de comprensión de contenido de autoaprendizaje ahora maneja una gama más amplia de formatos de datos estructurados, incluyendo tablas, listas anidadas y contenido renderizado dinámicamente que los conjuntos de reglas anteriores no lograban analizar de forma fiable.

Estas mejoras surgieron de nuestros propios sistemas de producción. A medida que nuestra investigación interna impulsaba la relevancia y el dimensionamiento de los fragmentos, las evaluaciones internas revelaron que presupuestos de contenido más pequeños producían resultados más precisos después de una serie de mejoras de calidad. Realizamos algunas modificaciones en nuestras configuraciones predeterminadas para reflejar nuestros hallazgos, reduciendo el tamaño de la carga útil de respuesta y la latencia, mientras proporcionamos contenido más útil por resultado. Para los desarrolladores, los fragmentos más pequeños y relevantes se traducen directamente en menores costes de tokens y una mejor gestión del contexto para los LLM posteriores.

La evaluación comparativa SEAL prueba si un sistema de recuperación puede responder a preguntas cuya respuesta correcta cambia con el tiempo. Responder de forma fiable requiere frescura del índice en tiempo real, una extracción de fragmentos más inteligente de diversas fuentes de datos continuamente actualizadas y un análisis capaz de identificar el valor actual en lugar de uno histórico.

Cuando ejecutamos search_evals contra la versión de SEAL del 22 de febrero utilizando Claude Sonnet 4.5, las puntuaciones de Perplexity aumentaron mientras que otros proveedores disminuyeron en SEAL-Hard:

Hemos ampliado nuestro marco de trabajo search_evals para incluir SEAL junto con los puntos de referencia reportados en nuestra publicación de septiembre. Los resultados actualizados y la metodología están disponibles en el repositorio actualizado en GitHub.

La API ahora admite hasta 5 consultas en una sola solicitud. Los resultados se devuelven agrupados por consulta en el mismo orden en que se enviaron. Esto reduce los viajes de ida y vuelta para las aplicaciones que necesitan realizar búsquedas relacionadas en paralelo, como los agentes que descomponen una pregunta compleja en múltiples sub-tareas de recuperación.

Además del filtrado de dominio (lista de permitidos y lista de bloqueados, hasta 20 dominios) y el filtrado de recencia, la API ahora admite el filtrado de idioma por código ISO 639-1 y la búsqueda regional por código de país ISO. Estos se pueden combinar para limitar los resultados con precisión, por ejemplo, restringiendo a resultados en inglés de dominios alemanes.

El SDK de Python (pip install perplexityai) ahora proporciona soporte nativo para la API de búsqueda junto con la API de agente y la API de Sonar.

La documentación completa se encuentra en docs.perplexity.ai

Evaluación de fragmentos a nivel de segmento

SEAL: evaluación comparativa de recuperación sensible al tiempo

Soporte para consultas múltiples

Filtrado expandido

SDK y disponibilidad