过去一年，AI行业最热门的话题之一，是谁能率先打造真正可执行任务的智能体（Agent）。如今竞争焦点已经不再是单纯回答问题，而是谁能让AI像一名研究员、一名分析师，甚至一名数字员工那样自主完成复杂工作。
Perplexity最新动作，恰好踩中了这个方向。
公司宣布将Deep Research作为原生能力整合进AI智能体系统Computer，并向Pro和Max订阅用户开放。表面上看，这只是一次产品升级，但背后折射出的其实是AI搜索赛道正在发生的一场路线调整：从“搜索答案”，转向“生成研究过程”。
在传统搜索模式下，无论是搜索引擎还是早期AI问答产品，本质上都在帮助用户找到信息。问题越复杂，用户往往需要自己拆解任务、筛选资料、交叉验证结论。
Deep Research试图解决的则是另一件事。
Perplexity披露，新版本基于所谓的Search as Code架构构建。简单理解，模型不再只是调用固定搜索接口，而是在运行过程中动态编写代码，自主设计搜索路径、组织信息流，并根据问题实时调整研究策略。
这种思路很像人类研究员的工作方式。
当分析一家上市公司时，你不会只搜索一次财报。你可能先看收入结构，再检查行业数据，然后寻找竞争对手信息，最后回头验证关键数字。整个过程充满分支判断和动态决策。
过去的AI往往只能模拟最后一步。
现在Perplexity希望让模型参与整个过程。
官方数据显示，该系统能够并行执行数千次搜索步骤，将复杂问题拆解为多个子任务，并调度超过20个前沿模型协同工作。某种程度上，这已经不是单一大模型能力的竞争，而更像一个由多个AI组成的研究团队。
这也是当前AI行业出现的新趋势。
OpenAI推出Deep Research，Google强化Gemini的Agent能力，Anthropic不断提升Claude在复杂任务链中的推理表现。大家逐渐发现，大模型本身正在成为基础设施，而真正拉开差距的，是围绕模型建立起来的任务编排系统。
换句话说，未来用户购买的未必是某个模型，而是一个能够完成工作的AI流程。
Perplexity此次升级还有一个细节值得关注。
用户不仅可以检索公开互联网数据，还能导入本地文件、企业资料和内部应用信息。这意味着研究对象不再局限于开放网络，而是开始进入企业知识库、私有文档和内部数据系统。
对于企业客户而言，这比模型参数提升更有现实意义。
因为很多商业决策并不缺公开信息，而是缺乏将内部数据与外部市场动态结合分析的能力。过去需要咨询团队花数天完成的研究工作，未来可能由智能体在数十分钟内生成初稿。
当然，这类产品也面临新的挑战。
当AI自主执行成千上万次搜索、调用多个模型并生成结论时，用户实际上越来越难追踪它的完整决策路径。准确率提升固然重要，但可解释性、引用可信度以及错误追溯能力，同样会成为企业采购的重要标准。
某种意义上，AI搜索行业正在经历第二阶段竞争。
第一阶段比拼的是谁能给出答案。
第二阶段开始比拼谁能完成工作。
Perplexity把Deep Research嵌入Computer，本质上是在押注后者。搜索框正在消失，取而代之的是一个能够自行规划、执行和交付结果的数字研究员。而当越来越多AI产品朝着这个方向演进时，搜索引擎、知识管理软件乃至部分咨询服务的边界，也将被重新定义。
