Search API: mellor extracción, probas dinámicas

A calidade dos fragmentos da nosa Search API optimizouse en dúas dimensións: relevancia e tamaño.

En setembro, publicamos unha descrición xeral técnica da arquitectura da API de busca de Perplexity e lanzamos search_evals, o noso marco de avaliación de código aberto para realizar probas comparativas de APIs de busca en fluxos de traballo de axentes. Desde entón, o investimento máis importante realizouse na calidade dos fragmentos, optimizada en dúas dimensións: relevancia e tamaño. Devolver o contido axeitado na cantidade axeitada determina directamente a precisión das respostas posteriores e a eficiencia dos tokens. O traballo para conseguilo implicou a construción de novos sistemas de extracción, etiquetaxe a nivel de fragmento e avaliación, destacando especialmente unha canalización de etiquetaxe de fragmentos que identifica qué segmentos dun documento de orixe responden a unha consulta dada.

Avaliación de fragmentos a nivel de fragmento

Para mellorar os fragmentos de forma sistemática, deseñamos un novo sistema de avaliación. Para unha consulta e un documento determinados, o sistema identifica e etiqueta os fragmentos dentro do documento segundo a súa relación coa consulta: fragmentos "vitais" que deben incluírse no fragmento, varias clases de fragmentos "irrelevantes" que deberían terse en conta, duplicados e outras categorías. Esta etiquetaxe a nivel de fragmento permítenos avaliar a calidade dos fragmentos cun nivel de precisión que non era posible anteriormente, medindo tanto o que se incluíu correctamente como o que se omitiu correctamente.

Na práctica, estas melloras permítennos xerar fragmentos máis pequenos e máis relevantes para a consulta. A nosa canalización de comprensión de contido de auto-mellora xera agora unha gama máis ampla de formatos de datos estruturados, incluíndo táboas, listas anidadas e contido renderizado dinámicamente que as regras anteriores non lograban analizar de forma fiable.

Estas melloras xurdieron dos nosos propios sistemas de produción. A medida que a nosa investigación interna impulsaba a relevancia e o tamaño dos fragmentos, as avaliacións internas revelaron que os orzamentos de contido máis pequenos producían resultados máis precisos tras unha serie de melloras de calidade. Realizamos algunhas modificacións nas nosas configuracións predeterminadas para reflectir os nosos descubrimentos, reducindo o tamaño da carga útil da resposta e a latencia ao tempo que ofrecemos contido máis útil por resultado. Para os programadores, os fragmentos máis pequenos e relevantes tradúcense directamente en custos de token máis baixos e nunha mellor xestión do contexto para os LLM posteriores.

SEAL: probas comparativas de recuperación sensible ao tempo

A proba comparativa SEAL comproba se un sistema de recuperación pode responder a preguntas cuxa resposta correcta cambia co tempo. Responder de forma fiable require frescura do índice en tempo real, unha extracción de fragmentos máis intelixente de varias fontes de datos actualizadas continuamente e unha análise que poida identificar o valor actual en lugar dun histórico.

Cando executamos search_evals fronte á versión de SEAL do 22 de febreiro usando Claude Sonnet 4.5, as puntuacións de Perplexity aumentaron mentres que outros provedores baixaron en SEAL-Hard:

Ampliaramos o noso marco search_evals para incluír SEAL xunto coas probas comparativas informadas na nosa publicación de setembro. Os resultados actualizados e a metodoloxía están dispoñibles no repositorio actualizado en GitHub.

Compatibilidade con consultas múltiples

A API admite agora ata 5 consultas nunha única solicitude. Os resultados devólvense agrupados por consulta na mesma orde na que se enviaron. Isto reduce as viaxes de ida e volta para as aplicacións que necesitan emitir buscas relacionadas en paralelo, como os axentes que descompoñen unha pregunta complexa en múltiples subarefas de recuperación.

Filtrado ampliado

Ademais do filtrado de dominios (lista de permitidos e lista de denegados, ata 20 dominios) e do filtrado de recencia, a API admite agora o filtrado por idioma mediante o código ISO 639-1 e a busca rexional por código de país ISO. Estes pódense combinar para acoutar os resultados con precisión, por exemplo, restrinxindo aos resultados en inglés de dominios alemáns.

SDK e dispoñibilidade

O SDK de Python (pip install perplexityai) ofrece agora compatibilidade nativa coa Search API xunto coa Agent API e a Sonar API.

A documentación completa está en docs.perplexity.ai