Agent API: Een beheerde runtime voor agentische workflows

Vandaag brengen we de Perplexity Agent API uit, een beheerde runtime voor het bouwen van agentische workflows met geïntegreerde zoekfunctionaliteit, tool-uitvoering en multi-model orchestratie.

Het vervangt een model-router, een zoeklaag, een embeddings-provider, een sandbox-service en een monitoring-stack door één enkel integratiepunt.

De agentische lus als computermodel

Een conventionele CPU voert een deterministische cyclus uit: haal een instructie op, decodeer deze, voer deze uit, sla het resultaat op. De programmateller gaat vooruit. De processor beslist nooit wat hij moet doen.

De Agent API implementeert een ander computermodel. De processor is een frontier-taalmodel. Het ontvangt een doelstelling en bepaalt hoe deze kan worden bereikt. Het ontleedt die doelstelling in een plan, selecteert welke tools uit de beschikbare toolset moeten worden gebruikt, voert uit, observeert de resultaten, evalueert of aan de doelstelling is voldaan en itereert. Het contextvenster fungeert als registers. Redenering en orchestratie fungeren als de planner.

Denk aan de voorbereiding op een verkoopgesprek met een prospect die je al een paar keer hebt gesproken. Je stuurt één verzoek naar de Agent API met drie tools: één om je interne CRM te doorzoeken, web_search en fetch_url. Het model roept eerst je CRM-tool aan en haalt context op uit eerdere gesprekken. Vervolgens roept het web_search aan om recent nieuws en concurrentie-informatie te vinden, waarbij verschillende relevante pagina's worden geretourneerd. Het besluit dat twee van die pagina's diepere lezing vereisen en roept fetch_url aan op elk ervan. In drie stappen heeft het model interne geschiedenis, brede webcontext en detailinformatie van volledige pagina's samengevoegd tot één enkel, onderbouwd antwoord. Dat is de agent-lus.

Orchestratie van de volledige agentische lus

Het is belangrijk om de Agent API te onderscheiden van model-routingdiensten. De Agent API is een beheerde runtime die de volledige agentische lus orchestreert: ophalen, tool-uitvoering, redenering en multi-model fallback, evenals alle aangepaste tools waartoe je toegang geeft. Het vervangt een model-router, een zoeklaag, een embeddings-provider, een sandbox-service en een monitoring-stack door één enkel eindpunt, account en API-sleutel.

De API is model-agnostisch voor alle frontier-modelproviders. Voor applicaties met hoge beschikbaarheid ondersteunt de API model-fallback-ketens: specificeer meerdere modellen en de API probeert automatisch de volgende als er een niet beschikbaar is. Dit zorgt voor een beschikbaarheid van bijna 100%.

Krachtige, ingebouwde tools

Er zijn twee ingebouwde tools beschikbaar: web_search en fetch_url. web_search ondersteunt domeinfiltering (allowlist en denylist, tot 20 domeinen), recentheidsfiltering, datumbereikfiltering, taalfiltering en configureerbare inhoudsbudgetten per pagina. fetch_url haalt de volledige pagina-inhoud op en extraheert deze van specifieke URL's.

Naast de ingebouwde tools maken aangepaste functies het voor ontwikkelaars mogelijk om de agent te verbinden met hun eigen backends, databases en API's.

Continu geoptimaliseerde frontier-modelvoorinstellingen

Het bouwen van een effectieve agent-configuratie vanaf nul vereist het kiezen van het juiste model, het kalibreren van de redeneerdiepte, het selecteren van tools en het afstemmen van tokenbudgetten. Perplexity doet dit continu voor zijn eigen producten, ondersteund door een intern evaluatieteam dat configuraties benchmarkt tegen echte workloads.

Voorinstellingen delen die expertise. Elke voorinstelling is een volledig transparante, vooraf geconfigureerde setup die is geoptimaliseerd voor een specifiek gebruiksgeval: snelle feitelijke opzoekingen, gebalanceerd onderzoek, diepgaande analyse uit meerdere bronnen en onderzoek op institutioneel niveau. We publiceren het aanbevolen systeemprompt, de tools en het kostenprofiel voor elk. Naarmate het modellandschap evolueert, werken we de onderliggende configuraties bij zodat de voorinstelling altijd de huidige stand van de techniek weerspiegelt tegen voorspelbare kosten. Alle parameters van voorinstellingen kunnen worden overschreven: ontwikkelaars kunnen een voorinstelling als startpunt gebruiken en het model, de tools, het aantal stappen of tokenbudgetten in één enkel verzoek aanpassen.

Diepgaand onderzoek 2.0, beschikbaar via de advanced-deep-research voorinstelling, is dezelfde redeneer-engine met meerdere stappen die het consumentenproduct van Perplexity aandrijft. Het voert tientallen zoekopdrachten per query uit, leest honderden brondocumenten en verfijnt iteratief zijn analyse. Prestaties op DRACO, de ResearchRubrics van Scale AI en DeepSearchQA van Google DeepMind worden gedetailleerd beschreven in onze DRACO benchmark-post.

De Agent API is vandaag beschikbaar. Documentatie en quickstart-gidsen zijn te vinden op docs.perplexity.ai