Exa 3.0 搶攻 AI 代理人的搜尋需求，低價 Lite 能否改變 AI 搜尋競爭？

Exa 是什麼？AI 搜尋 API 如何運作？

Exa 是一家提供 AI 搜尋與研究基礎設施的技術公司，旗下服務包含 Search API、Contents API 與 Agent API。

與大家熟悉的 Google 搜尋不同，Exa 的核心產品並不是供人類瀏覽的搜尋結果頁，而是提供開發者能夠直接呼叫的搜尋服務。

根據官方 FAQ，Exa 經營自己的網路爬蟲與獨立搜尋索引，並提供語意搜尋、網頁內容擷取及代理式研究能力。截至 2026 年 10 月，官方宣稱其索引追蹤超過 2 兆個網址，可供搜尋的網頁規模達 1,000 億頁。

為什麼 AI 需要獨立的搜尋 API？

假設今天要開發一個研究產業新聞的 AI 代理人，希望它每天搜尋不同公司的最新動態，再根據資料整理成報告。

如果只有語言模型，它可能無法掌握當天發生的事件，也無法保證所有資訊都仍然有效。因此，需要為它提供一個能取得外部資料的搜尋工具。

在這個情境下，Exa 的 Search API 可以接收查詢，回傳相關網頁的標題、網址與內容摘錄；接著再由語言模型根據這些資料進行摘要、分析或比較。

對開發者來說，這省去了自行建立大規模網頁索引、維護爬蟲與開發搜尋排序系統的成本。

這也與 RAG（檢索增強生成）的概念有關。RAG 透過先檢索外部資料、再交由模型生成答案，降低模型完全依賴既有訓練知識的限制。

但 RAG 並不等於 Exa，也不是所有 AI 應用都會使用 Exa。開發者可以選擇其他搜尋供應商、搜尋引擎 API，甚至自行建立檢索系統。

因此，Exa 真正想競爭的市場，是 AI 應用背後的資料檢索需求。

Exa 3.0 更新了什麼？

根據 Exa 3.0 官方公告，本次升級主要包含三個方向，分別是搜尋模型、網頁內容擷取效率，以及索引資料範圍。

1. 更大的 Embedding 模型，改善語意搜尋品質

Exa 表示，3.0 使用了更大的 Embedding 模型，並投入比過去更多的訓練資料與運算資源，以改善搜尋結果的相關性。

Embedding 是將文字轉換成數值向量的技術，讓搜尋系統可以比較不同內容之間的語意關係，而不只是尋找相同關鍵字。

例如，當使用者搜尋「有哪些企業正在開發降低 AI 推論成本的技術」時，相關文章未必都會出現完全相同的關鍵字，有些可能是在討論推論晶片、模型量化或運算架構。

語意搜尋便能協助系統找出這些內容之間的關聯。

對 AI 代理人而言，搜尋結果的相關性相當重要。因為它通常不會像人類一樣，逐頁閱讀數十筆結果後再重新判斷，而是根據搜尋工具回傳的候選資料進行後續處理。

如果一開始檢索到的來源不夠準確，即使語言模型有良好的推理能力，也可能因為缺乏正確資料而產生錯誤回答。

不過，模型變大不必然代表所有搜尋情境都會改善。Exa 3.0 的實際效果，仍需要依不同任務與資料類型進行評估。

2. Dynamic Highlights 減少 95% 的 Token 消耗

Exa 3.0 的另一項改進，是讓 Dynamic Highlights 正式成為產品更新的一部分。

一般而言，當 AI 透過搜尋 API 找到網頁後，還需要閱讀網頁內容，才能判斷哪些資訊適合用來回答問題。

但假設一次搜尋取得十篇文章，每篇都有數千字，直接把所有內容交給語言模型，不只會增加 Token 成本，也可能讓大量不相關資訊占用上下文空間。

Exa 的 Highlights 功能會從網頁中挑出與查詢相關的內容，而 Dynamic Highlights 則進一步考慮整批搜尋結果之間的關係。

例如，當三篇文章都在討論同一個事件，系統可以減少重複內容，將更多文字額度分配給提供不同資訊、且與問題更相關的來源。

依照 Exa 公布的評估結果，Dynamic Highlights 相較於完整網頁文字，平均可減少約 95% 的 Token 使用量，同時改善部分下游回答品質。

這是 Exa 自行測試的結果，不代表每種查詢都能達到相同比例的節省。

3. 擴充商品、商家與即時資料索引

如果說前兩項更新是在改善搜尋品質與成本，第三項則涉及 Exa 能夠搜尋哪些資訊。

依照官方公布的資料，Exa 3.0 的索引目前包含：

12.7 億筆商品資料

商品價格、庫存狀態

超過 2.11 億筆在地商家

營業時間、評分

即時與日常資訊

新聞、體育、天氣、金融市場、航班、活動、交通與 Podcast

這些資料並非全部在 10 月 19 日首次推出。例如 Exa 早在 10 月 5 日便已宣布 Exa Places，提供超過 2.11 億筆地點與商家資料。3.0 則將這些資料能力納入整體搜尋升級。

為什麼 Exa 要特別擴充這類資料？

原因可能與 AI 代理人的使用情境正在改變有關。

過去人們使用 AI 搜尋，可能是為了查詢一個技術名詞、理解某篇新聞，或蒐集研究資料。但當 AI 逐漸開始協助使用者安排行程、購物或尋找附近店家，搜尋需求也跟著發生變化。

例如，使用者要求 AI「幫我找附近現在還有營業、評價不錯的咖啡廳」，系統需要的就不只是介紹咖啡廳的文章，而是店家位置、營業時間與評分等可供比較的資訊。

商品搜尋也是如此。AI 如果要幫使用者比較不同平台的商品，除了文字介紹，還必須知道當下的價格與庫存。

這類任務通常需要結構化資料，而不是單純依靠網頁全文檢索。

當然，索引包含這些欄位，不代表資料一定完整或即時。對商品庫存、營業狀態這類經常變動的資訊，資料更新頻率與來源可靠性仍然相當重要。

Exa Lite 和 Auto 差在哪？價格怎麼算？

除了搜尋品質，Exa 3.0 最直接的商業變化是推出低價搜尋模式 Exa Lite。

根據 Exa 官方價格頁，Lite 每 1,000 次請求為 4 美元，而預設的 Auto 為 7 美元，兩者使用相同的搜尋索引，但在運算資源與可用功能上存在差異。

上述價格以美元計算，基礎費用包含每次請求最多 10 筆搜尋結果；超過 10 筆後，每增加 1,000 筆結果另收 1 美元。進階內容處理也可能涉及額外費用。

表格中的延遲是官方提供的典型數值，不包含所有可能的額外資料擷取或生成處理時間。

Lite 為什麼比較便宜？

Lite 和 Auto 最大的差別，不在於使用的網頁索引，而在於系統投入的運算資源。

Auto 會在候選結果產生、Highlights 與排序等環節投入較多運算，以追求更好的檢索品質。

Lite 則把成本與延遲放在更優先的位置，但也因此存在一些限制。

因此，對需要控制資料新鮮度或進行進階輸出處理的應用，Auto 可能更合適。但選擇 Auto 並不等於保證所有結果都是即時取得，仍須依需求設定資料擷取方式。

低價搜尋對 AI 代理人有什麼意義？

AI 代理人和傳統搜尋使用者有個明顯差異，就是單次任務可能觸發多輪搜尋。

舉例來說，當使用者要求 AI 研究某個產業的市場現況，它可能先搜尋整體市場規模，接著尋找主要競爭者，再查詢各公司的產品、財務與近期新聞。

整個過程可能呼叫搜尋 API 數十次，而不只是單次查詢。

因此，開發者需要考量的成本不只有語言模型的 Token 費用，也包含搜尋、網頁擷取及其他外部工具的呼叫成本。

這不代表 Lite 的整體效益一定比較好。如果檢索品質不足，導致代理人需要重複搜尋，節省的單次請求成本也可能被額外呼叫抵消。

對開發者而言，合理的比較方式應該是觀察完成相同任務所需的總搜尋成本、完成時間，以及最終結果品質。

目前 Exa 提供每月 10 美元的免費額度，另有新帳號 10 美元啟用獎勵，不需要先綁定付款方式。這讓開發者可以先進行小規模測試，再決定採用哪一種模式。

Exa 宣稱 Benchmark 第一，搜尋能力真的領先嗎？

Exa 在發布 3.0 時，宣稱新版本在所有受測 Benchmark 中取得第一名，包含通用搜尋、程式開發、金融研究與企業資料檢索等不同場景。

依照 Exa 官方首頁公布的比較結果：

這三項測試的領先差距分別為 0.3、0.6 與 0.7 個百分點。

數據顯示 Exa 在這些測試條件下取得了較高分數，但目前仍不能據此認定它在所有實際應用中都優於其他搜尋供應商。

截至 2026 年 10 月 21 日，本次資料查核尚未找到針對 Exa 3.0 完整重現上述結果的獨立第三方測試。

另外，Benchmark 通常只能反映特定評估條件下的表現。對 AI 應用而言，實際使用時還需要考慮搜尋結果覆蓋率、資料新鮮度、來源可信度，以及延遲與價格。

尤其當不同供應商擁有不同索引時，即使它們在同一項 Benchmark 的分數相近，也不代表面對相同問題時會找到相同的資料來源。

如何開始使用 Exa Search API？

如果想自行測試 Exa，官方提供 Python、JavaScript SDK，也支援直接發送 HTTP API 請求。

搜尋 API 接入之後，代理人能否找到並選用它，是另一個需要檢查的環節。TSO 工具選擇優化將工具接入、候選曝光、選擇與成功呼叫分開觀察。

以 Python 為例，首先到 Exa Dashboard 建立 API Key，並設定 EXA_API_KEY 環境變數。

接著安裝官方套件：

pip install exa-py

完成後，可以使用以下程式進行 Lite 搜尋：

from exa_py import Exa

exa = Exa()

result = exa.search(
    "latest AI search API developments",
    type="lite",
    num_results=5,
    contents={"highlights": True},
)

for item in result.results:
    print(item.title, item.url)

這個範例會要求 Exa 搜尋最新 AI Search API 相關資訊，最多回傳五筆搜尋結果及可取得的內容摘錄。

若想比較 Auto，只需要將 type="lite" 改成 type="auto"，再觀察結果與成本差異。

開發者也可以直接向 https://api.exa.ai/search 發送 POST 請求，並在 Authorization 標頭帶入 API Key。

更多參數與回傳格式可參考 Exa Search API 官方文件。

不會寫程式，也可以透過 MCP 使用 Exa

除了傳統 API，Exa 也提供託管的 MCP（Model Context Protocol）伺服器：

https://mcp.exa.ai/mcp

MCP 可以理解為讓 AI 應用連接外部工具與資料服務的一套通用協定。

對不熟悉程式開發的使用者而言，只要使用支援 MCP 的用戶端，便有機會直接將 Exa 搜尋能力加入原本的 AI 工作流程，而不需要自行撰寫完整的 API 串接程式。

依照官方 MCP 文件，Exa 已提供 ChatGPT、Codex、Claude、Cursor 等工具的整合方式。託管伺服器可以在沒有 API Key 的情況下開始使用，但免費使用仍受到速率與功能限制，部分整合也可能要求登入。

這類整合也反映了搜尋 API 市場的一個變化。搜尋工具不再只服務於自行開發應用程式的工程師，也開始進入一般 AI 使用者的工作流程。

ExaSearchBot 是什麼？對 GEO 有什麼影響？

當 AI 應用開始透過不同搜尋 API 取得外部資訊，網站經營者便會面臨另一個問題。

過去網站經營者主要關注 Google 是否成功索引網站、關鍵字排名如何，以及內容能否進入 Google AI Overviews（AIO）。

但若某款 AI 助理使用 Exa 作為搜尋來源，網站能否被 Exa 找到，也可能影響內容是否有機會成為該應用的回答依據。

需要注意的是，Exa 與 Google 是不同的搜尋系統。網站被 Google 收錄，不代表它一定存在於 Exa 的索引中。

Exa 如何抓取網站內容？

Exa 使用名為 ExaSearchBot 的網路爬蟲，探索並索引公開網頁。

依照官方爬蟲政策，ExaSearchBot 會遵守 robots.txt，並依以下順序判讀規則：

1. 優先使用網站針對 ExaSearchBot 設定的規則。
2. 如果沒有專屬規則，參考主要搜尋引擎的爬蟲設定。
3. 若上述規則皆不存在，則使用通用的 * 群組。

另外，Exa 也使用 ExaUser 處理由使用者請求觸發的頁面擷取，兩者用途有所不同。

如果網站不希望 ExaSearchBot 抓取內容，可以在 robots.txt 加入以下設定：

User-agent: ExaSearchBot
Disallow: /

但這裡需要特別區分爬取與索引。

依照官方說明，robots.txt 控制的是爬蟲能否存取網頁，並不等於要求搜尋引擎移除已收錄內容。

若希望讓 Exa 移除已收錄的網頁，應使用 noindex meta 標籤或 HTTP X-Robots-Tag: noindex 標頭，讓爬蟲在下次重新讀取頁面後辨識移除要求。若同時封鎖抓取，也可能妨礙爬蟲讀取新加入的 noindex。

此外，ExaSearchBot 支援 Web Bot Auth 簽章驗證，網站管理者可以透過密碼學簽章確認請求是否真正來自 Exa，而不是單純相信 User-Agent 字串。

對正在管理 AI 爬蟲政策的網站而言，可以參考 LS-Labs 先前整理的網站封鎖 AI 代理人及媒體 robots.txt 設定觀察，評估哪些爬蟲應該允許、限制或封鎖。

GEO 是否需要開始關注 Exa？

Exa 3.0 的發布，並不代表品牌現在就必須投入一套新的「Exa SEO」策略。

但它提供了一個值得研究的方向。

當不同 AI 應用可以選擇不同的搜尋 API 時，品牌內容是否能夠進入 AI 回答，可能不只受到 Google 搜尋排名影響，也與這些搜尋供應商的索引及資料來源有關。

尤其這次 Exa 大幅擴充商品與商家資料，其提供的資訊不再只有一般文章，也包含地址、評分、價格、庫存等欄位。

以在地商家為例，Exa Places 公告提到的資料包含名稱、分類、位置、電話、營業時間、網站與評分，和 LocalBusiness Schema、Google 商家檔案（GBP）常見的資料欄位高度重疊。

不過，Exa 並未完整公開這些資料的取得方式，也沒有說明 LocalBusiness Schema 是否直接影響搜尋排序。

因此，LS-Labs 目前無法證實，只要補齊某項結構化資料，就能提高品牌在 Exa 的可見度。

比較合理的建議，是讓商家在官網、商家檔案及第三方平台的資訊保持一致，並確認重要頁面可以被相關搜尋系統正常取得。

過去在台北牛肉麵店 AI 搜尋實測中，也曾觀察到沒有官方網站的商家，仍可能透過商家資料、評論或第三方內容進入 AI 回答。

當時的測試對象是 Perplexity，不能直接推論 Exa 的檢索機制，但這也說明品牌在 AI 搜尋中的資訊來源，不一定完全依賴官方網站。

LS-Labs 觀察：搜尋 API 會如何影響 AI 的回答來源？

Exa 3.0 讓人重新注意到一個問題：當 AI 搜尋逐漸普及，搜尋結果究竟由誰提供？

對大多數使用者而言，ChatGPT、Claude 或其他 AI 助理才是直接互動的產品，至於背後如何搜尋、從哪裡取得資料，往往不會特別留意。

但從技術架構來看，語言模型和搜尋服務可以是兩個獨立的部分。

開發者可以選擇不同模型，也可以依照成本、延遲與搜尋品質，決定使用哪一家搜尋供應商。

Exa 正是在這個市場提供服務，而它並不是唯一的選項。像是 Brave Search API、Tavily、Perplexity 的搜尋服務，以及其他提供搜尋與網頁資料的業者，都在滿足類似需求，只是產品架構與側重的能力有所不同。

這次 Exa 3.0 以更大的搜尋模型改善檢索品質，再透過 Lite 降低單次搜尋成本，並擴充商品與在地商家資料，顯示它正在嘗試滿足更多 AI 代理人的日常工作需求。

不過，搜尋結果品質提高，並不等於 AI 最終回答一定更加準確。

AI 搜尋通常包含資料檢索、內容擷取與語言模型生成等不同階段。搜尋服務負責找出可能相關的資訊，但模型仍須判斷如何使用這些資料。

即使兩個 AI 代理人使用相同模型，只要背後串接不同的搜尋 API，取得的候選來源就可能不同，進而影響最後的回答；這仍需要控制變因的實測才能確認影響幅度。

反過來說，就算 Exa 成功索引了某篇文章，也不代表每個使用 Exa 的 AI 應用都會引用它。

從 GEO 的研究角度來看，這裡還有兩個值得深入探討的方向。

這些問題與 GEO 關心的內容可見度有直接關係，卻不能只靠搜尋 API 的 Benchmark 分數得出結論。

對品牌而言，若未來更多 AI 應用採用獨立搜尋服務，就有必要逐步擴大對內容可檢索性的觀察範圍，而不是只依靠單一搜尋引擎的排名數據。

但現階段仍缺乏足夠證據，判斷 Exa 對各類 AI 產品的實際引用來源具有多大影響。因此，比起立即替 Exa 建立一套專門的優化策略，更值得做的是先測試自家內容在不同搜尋 API 中的可見度。

對開發者來說也是如此。

Exa Lite 的每千次 4 美元確實降低了基本搜尋成本，但最終是否值得採用，仍取決於應用的需求。使用免費額度實際比較 Lite 與 Auto 的來源覆蓋、延遲、內容新鮮度及任務完成品質，會比單純根據價格或官方 Benchmark 做決定更有參考價值。

常見問題 FAQ