Search API vs Agent API Perplexity: Mengapa Hasilnya Tidak Boleh Disamakan?
Perplexity Search API mengembalikan hasil web real-time yang diranking sebagai data terstruktur. Agent API menghasilkan jawaban web-grounded dengan inline citations dan dapat menjalankan loop tool use. Keduanya bekerja pada tahap berbeda.
Search API membantu developer memperoleh results untuk diproses sendiri. Agent API membantu menyelesaikan pertanyaan menjadi respons. Membandingkan output keduanya seolah sama akan mencampur retrieval list dengan synthesized answer.
Output berbeda
Search API dapat mengembalikan URL, title, snippet, date, and content. Developer menentukan bagaimana results dipakai.
Agent API menghasilkan prose, reasoning outcome, and citation. Model dapat memilih tools, menjalankan multiple searches, membaca results, and stop.
Satu URL di Search API tidak menjamin muncul pada Agent answer. Satu citation Agent tidak harus berada pada posisi yang sama dari satu Search API call manual.
Unit observasi
Untuk Search API, unit dapat berupa query_result: query, rank position, URL, domain, score if exposed, content, and filters.
Untuk Agent API, unit adalah agent_run: prompt, preset/model, tools, tool calls, answer, citations, context, and stop reason.
Do not store both in field search_result.
Ranked result versus citation
Search result position adalah order dalam response Search API untuk query dan parameters. Citation order dalam Agent answer adalah display relation to claims.
Citation pertama bukan Search rank one.
Agent may run multi-query and combine. A citation can come from later tool call.
Do not infer ranking from citation placement.
Prompt versus search query
Search API receives explicit search query or multiple queries. Agent API receives instruction and may generate its own tool queries.
Prompt “bandingkan tiga platform” is not equivalent to Search API query same sentence. Agent may search each product, pricing, and reviews separately.
If tool trace exposed, save actual queries. If not, unknown.
Multi-query
Perplexity Search API supports multi-query search to run related queries in one request. Results still structured search output.
Agent API can conduct bounded multi-turn loop and use web search based on prompt. Multi-query behavior and synthesis differ.
Counting source diversity must account for query count. More queries naturally widen pool.
Filters
Search API offers domain, language, region, and content controls. Agent API web search also has filters and configurations, but presets or model may affect use.
To compare, align parameters where possible. Document unaligned fields.
Do not claim same environment just because both are Perplexity.
Content extraction
Search API can return extracted content. Agent model may receive selected content and process it.
Truncation, token budget, and relevance filtering affect passages.
If result URL same but answer claim differs, passage selection or synthesis may be cause.
Save content snapshot and request parameters.
Search evaluation
Evaluate Search API with relevance judgments, freshness, coverage, duplicate results, domain diversity, and result quality.
Use ground-truth query set. Review rank metrics carefully.
Do not evaluate it based on final answer accuracy unless you build answer layer.
Agent evaluation
Evaluate completeness, claim accuracy, citation support, reasoning, task success, source diversity, and limitation.
Agent answer can be good even if not citing every top Search result. It can also be wrong with relevant sources.
Citation verification remains claim-level.
Comparative experiment
Step 1, define user task and explicit search queries.
Step 2, run Search API with recorded parameters.
Step 3, run Agent API with task prompt and recorded preset/model/tools.
Step 4, capture tool trace if available.
Step 5, compare URL overlap between Search results and Agent citations.
Step 6, examine sources unique to Agent. They may come from generated queries.
Step 7, audit answer claims.
Overlap interpretation
High overlap can show Agent uses sources similar to explicit query results in sample. It does not prove a direct pipeline.
Low overlap can result from query generation, filters, timing, answer needs, or source rotation.
Use multiple runs.
Do not label low overlap inconsistency without context.
Timing
Real-time web changes. Run APIs close in time. Save timestamps and region.
If news breaks between calls, source sets differ legitimately.
API version and docs date matter. Perplexity products evolve.
Keep request and response schema version.
Caching and repeatability
If caching behavior is exposed, record. Do not assume none.
Repeated Search API calls may rotate results. Agent output also varies.
Use replay and distribution. One call is not benchmark.
Errors and missing data
Search timeout, rate limit, empty result, and Agent refusal are different states.
Do not count Agent error as zero citations. Do not count empty Search result as irrelevant automatically.
Store error code and retry.
Cost and latency
Search API and Agent API have different workflows and cost drivers. Do not compare latency without request complexity.
Multi-query Search may issue several searches. Agent can run multiple steps.
Measure end-to-end and tool calls. Report percentile, not only average.
Publisher observation
Search API result appearance and Agent citation are different visibility signals.
Publisher may appear in raw search results but not answer citation. That means retrieval availability in one tested query, not guaranteed representation.
Agent citation adds display signal but not click or conversion.
Store separately.
Example
Search API query “best accounting software Indonesia” returns ten URLs, including Brand A official page at position four.
Agent prompt asks for software for a cafe with QRIS and tax reporting. Agent citations include a tax guide, two product pages, and a review. Brand A absent.
This is not contradiction. Agent task has more constraints and may search differently.
To test Brand A fit, inspect features and queries. Do not move it manually into answer.
Misleading dashboard
Avoid a metric “Perplexity presence” that adds Search result appearances and Agent citations.
Create Search API coverage, Agent citation rate, claim support, and referral separately.
Document denominator: explicit queries, agent runs, valid responses.
If building composite index, publish weights and no universal claim.
Security and prompt injection
Agent reading web content may face prompt injection. Perplexity tool configuration and application design should limit domains and actions as needed.
Search API result ingestion also needs sanitization before feeding to another model.
Do not treat search content as trusted instruction.
Evaluation includes safety, not only relevance.
Bahasa laporan
Tulis:
“Brand A appeared in 62 percent of explicit Search API queries and was cited in 28 percent of valid Agent API runs. The datasets are not directly additive because Search API measures ranked result inclusion, while Agent API measures citation in synthesized answers with potentially different tool queries.”
Hindari:
“Perplexity menurunkan Brand A dari 62 ke 28 persen.”
Itu bukan funnel yang terbukti.
When to use each
Use Search API when application needs raw results, control, and own processing.
Use Agent API when application needs researched answer with citations and conversation context.
Use both for research if roles are clear.
Search API and Agent API share ecosystem but not unit. One gives ingredients. One prepares a dish. Ingredient position does not dictate what appears on plate.
Observasi yang baik menyimpan keduanya terpisah, lalu menghubungkannya hanya ketika tool trace dan method memberi dasar yang sah.
Kontrol negatif
Sertakan query kontrol yang tidak menyebut entitas utama, query dengan formulasi netral, dan query yang sengaja memperjelas ambiguitas. Kontrol negatif membantu menunjukkan apakah hasil dipicu oleh wording atau memang bagian dari pola yang lebih luas. Pada Search API vs Agent API Perplexity: Mengapa Hasilnya Tidak Boleh Disamakan, kontrol juga dapat memakai entitas pembanding yang kategori dan skala informasinya serupa. Jika hanya target utama yang diuji, setiap perubahan terasa istimewa. Pembanding mengembalikan konteks dan menurunkan risiko overclaim.
Replay dan variabel tunggal
Ubah satu variabel per replay. Coba perubahan prompt sekecil tanda baca, tetapi jangan mengubahnya bersama lokasi, mode, dan wording sekaligus. Simpan urutan percobaan agar efek pembelajaran session atau freshness dapat dipertimbangkan. Dua atau tiga hasil identik belum membuktikan stabilitas permanen, namun cukup untuk membedakan kejadian tunggal dari pola awal. Jika hasil beragam, laporkan distribusi observasi, bukan memilih capture yang paling dramatis.
Membaca ketidaksepakatan
Ketidaksepakatan antarhasil adalah data, bukan gangguan yang harus dibersihkan. Tanyakan bagian mana yang berubah: mention, urutan, source pool, passage, framing, atau tindakan antarmuka. Perbedaan pada masing-masing bagian menunjuk kelas masalah yang berbeda. Bila citation berubah tetapi klaim tetap, kemungkinan yang diamati adalah source rotation. Bila klaim berubah sementara sumber tetap, synthesis atau interpretasi patut diperiksa. Bila semuanya berubah, kondisi eksperimen dan freshness harus dibuka kembali sebelum cerita kausal ditulis.
Materialitas
Tidak setiap selisih layak menjadi isu. Materialitas ditentukan oleh dampaknya terhadap identitas, keputusan pengguna, kewajiban, keselamatan, harga, ketersediaan, atau reputasi. Kesalahan kapitalisasi berbeda dari salah parent company. Hilangnya satu link berbeda dari claim yang berbalik makna. Tetapkan threshold sebelum review selesai. Dengan begitu, label material tidak diberikan hanya karena temuan terasa baru. Threshold juga membantu mengarahkan penambahan review manual sebelum laporan diterbitkan ke kasus yang benar-benar memerlukannya.
Dari temuan ke tindakan
Tindakan yang sah adalah menentukan apakah kegagalan terjadi saat melihat, memilih, mengklik, atau memverifikasi. Mulailah dari lapisan yang dapat dikendalikan dan paling dekat dengan bukti. Jangan langsung menyimpulkan bahwa diperlukan produksi konten besar-besaran, perubahan teknis menyeluruh, atau kampanye publisher. Kadang tindakan terbaik hanya memperjelas satu relation, memperbarui satu halaman, atau memperbaiki measurement plan. Setiap rekomendasi harus menyebut observasi yang memicunya, pemilik tindakan, hasil yang diharapkan, dan cara menguji apakah keadaan berubah.
Bahasa laporan
Kalimat laporan sebaiknya memakai kata kerja yang sesuai dengan bukti. Tulis terlihat, tercatat, atau ditemukan untuk observasi. Gunakan mengindikasikan untuk pola awal. Simpan menyebabkan atau membuktikan bagi desain yang benar-benar dapat menopang kausalitas. Sebut jumlah replay dan kondisi, bukan frasa sering atau selalu tanpa denominator. Bahasa yang terkalibrasi bukan tanda ragu. Ia adalah cara menjaga agar pembaca dapat membedakan temuan operasional, hipotesis, dan pengetahuan yang sudah mapan.
Kesalahan analisis yang umum
Kesalahan pertama adalah menganggap tampilan akhir menjelaskan pipeline. Kesalahan kedua adalah mencampur unit yang berbeda. Kesalahan ketiga adalah memilih replay yang mendukung ekspektasi. Kesalahan keempat adalah menyebut absennya bukti sebagai bukti absensi. Pada topik ini, jebakan paling dekat tetap satu kegagalan klik langsung disebut sebagai masalah aksesibilitas atau kualitas situs. Checklist membantu, tetapi reviewer masih perlu membaca sumber dan memahami konteks. Otomasi dapat menemukan URL atau perubahan teks, bukan memutuskan seluruh makna.