Exa 3.0 抢攻 AI 智能体的搜索需求，低价 Lite 能否改变 AI 搜索竞争？

Exa 是什么？AI 搜索 API 如何运作？

Exa 是一家提供 AI 搜索与研究基础设施的技术公司，旗下服务包含 Search API、Contents API 与 Agent API。

与大家熟悉的 Google 搜索不同，Exa 的核心产品并不是供人类浏览的搜索结果页，而是提供开发者能够直接调用的搜索服务。

根据官方 FAQ，Exa 运营自己的网络爬虫与独立搜索索引，并提供语义搜索、网页内容抓取及代理式研究能力。截至 2026 年 10 月，官方宣称其索引追踪超过 2 万亿个网址，可供搜索的网页规模达 1,000 亿页。

为什么 AI 需要独立的搜索 API？

假设今天打算开发一个研究产业新闻的 AI 智能体，希望它每天搜索不同公司的最新动态，再根据数据整理成报告。

如果只有语言模型，它可能无法掌握当天发生的事件，也无法保证所有信息都仍然有效。因此，需要为它提供一个能取得外部数据的搜索工具。

在这个场景下，Exa 的 Search API 可以接收查询，返回相关网页的标题、网址与内容摘录；接着再由语言模型根据这些数据进行摘要、分析或比较。

对开发者来说，这省去了自行建立大规模网页索引、维护爬虫与开发搜索排序系统的成本。

这也与 RAG（检索增强生成）的概念有关。RAG 通过先检索外部数据、再交由模型生成答案，降低模型完全依赖既有训练知识的限制。

但 RAG 并不等于 Exa，也不是所有 AI 应用都会使用 Exa。开发者可以选择其他搜索供应商、搜索引擎 API，甚至自行建立检索系统。

因此，Exa 真正想竞争的市场，是 AI 应用背后的数据检索需求。

Exa 3.0 更新了什么？

根据 Exa 3.0 官方公告，本次升级主要包含三个方向，分别是搜索模型、网页内容抓取效率，以及索引数据范围。

1. 更大的 Embedding 模型，改善语义搜索质量

Exa 表示，3.0 使用了更大的 Embedding 模型，并投入比过去更多的训练数据与计算资源，以改善搜索结果的相关性。

Embedding 是将文字转换成数值向量的技术，让搜索系统可以比较不同内容之间的语义关系，而不只是寻找相同关键词。

例如，当用户搜索“有哪些企业正在开发降低 AI 推理成本的技术”时，相关文章未必都会出现完全相同的关键词，有些可能是在讨论推理芯片、模型量化或计算架构。

语义搜索便能协助系统找出这些内容之间的关联。

对 AI 智能体而言，搜索结果的相关性相当重要。因为它通常不会像人类一样，逐页阅读数十条结果后再重新判断，而是根据搜索工具返回的候选数据进行后续处理。

如果一开始检索到的来源不够准确，即使语言模型有良好的推理能力，也可能因为缺乏正确数据而产生错误回答。

不过，模型变大不必然代表所有搜索场景都会改善。Exa 3.0 的实际效果，仍需要依不同任务与数据类型进行评估。

2. Dynamic Highlights 减少 95% 的 Token 消耗

Exa 3.0 的另一项改进，是让 Dynamic Highlights 正式成为产品更新的一部分。

一般而言，当 AI 通过搜索 API 找到网页后，还需要阅读网页内容，才能判断哪些信息适合用来回答问题。

但假设一次搜索取得十篇文章，每篇都有数千字，直接把所有内容交给语言模型，不只会增加 Token 成本，也可能让大量不相关信息占用上下文空间。

Exa 的 Highlights 功能会从网页中挑出与查询相关的内容，而 Dynamic Highlights 则进一步考虑整批搜索结果之间的关系。

例如，当三篇文章都在讨论同一个事件，系统可以减少重复内容，将更多文字额度分配给提供不同信息、且与问题更相关的来源。

依照 Exa 公布的评估结果，Dynamic Highlights 相较于完整网页文字，平均可减少约 95% 的 Token 使用量，同时改善部分下游回答质量。

这是 Exa 自行测试的结果，不代表每种查询都能达到相同比例的节省。

3. 扩充商品、商家与实时数据索引

如果说前两项更新是在改善搜索质量与成本，第三项则涉及 Exa 能够搜索哪些信息。

依照官方公布的数据，Exa 3.0 的索引目前包含：

12.7 亿条商品数据

商品价格、库存状态

超过 2.11 亿条本地商家

营业时间、评分

实时与日常信息

新闻、体育、天气、金融市场、航班、活动、交通与 Podcast

这些数据并非全部在 10 月 19 日首次推出。例如 Exa 早在 10 月 5 日便已宣布 Exa Places，提供超过 2.11 亿条地点与商家数据。3.0 则将这些数据能力纳入整体搜索升级。

为什么 Exa 要特别扩充这类数据？

原因可能与 AI 智能体的使用场景正在改变有关。

过去用户使用 AI 搜索，可能是为了查询一个技术名词、理解某篇新闻，或收集研究数据。但当 AI 逐渐开始协助用户安排行程、购物或寻找附近商家，搜索需求也跟着发生变化。

例如，用户要求 AI“帮我找附近现在还在营业、评价不错的咖啡厅”，系统需要的就不只是介绍咖啡厅的文章，而是商家位置、营业时间与评分等可供比较的信息。

商品搜索也是如此。AI 如果要帮用户比较不同平台的商品，除了文字介绍，还必须知道当下的价格与库存。

这类任务通常需要结构化数据，而不是单纯依靠网页全文检索。

当然，索引包含这些字段，不代表数据一定完整或实时。对商品库存、营业状态这类经常变动的信息，数据更新频率与来源可靠性仍然相当重要。

Exa Lite 和 Auto 差在哪？价格怎么算？

除了搜索质量，Exa 3.0 最直接的商业变化是推出低价搜索模式 Exa Lite。

根据 Exa 官方价格页，Lite 每 1,000 次请求为 4 美元，而默认的 Auto 为 7 美元，两者使用相同的搜索索引，但在计算资源与可用功能上存在差异。

上述价格以美元计算，基础费用包含每次请求最多 10 条搜索结果；超过 10 条后，每增加 1,000 条结果另收 1 美元。进阶内容处理也可能涉及额外费用。

表格中的延迟是官方提供的典型数值，不包含所有可能的额外数据抓取或生成处理时间。

Lite 为什么比较便宜？

Lite 和 Auto 最大的差别，不在于使用的网页索引，而在于系统投入的计算资源。

Auto 会在候选结果生成、Highlights 与排序等环节投入较多计算，以追求更好的检索质量。

Lite 则把成本与延迟放在更优先的位置，但也因此存在一些限制。

因此，对需要控制数据新鲜度或进行高级输出处理的应用，Auto 可能更合适。但选择 Auto 并不等于保证所有结果都是实时取得，仍须依需求设置数据抓取方式。

低价搜索对 AI 智能体有什么意义？

AI 智能体和传统搜索用户有个明显差异，就是单次任务可能触发多轮搜索。

举例来说，当用户要求 AI 研究某个产业的市场现状，它可能先搜索整体市场规模，接着寻找主要竞争者，再查询各公司的产品、财务与近期新闻。

整个过程可能调用搜索 API 数十次，而不只是单次查询。

因此，开发者需要考量的成本不只有语言模型的 Token 费用，也包含搜索、网页抓取及其他外部工具的调用成本。

这不代表 Lite 的整体效益一定比较好。如果检索质量不足，导致智能体需要重复搜索，节省的单次请求成本也可能被额外调用抵消。

对开发者而言，合理的比较方式应该是观察完成相同任务所需的总搜索成本、完成时间，以及最终结果质量。

目前 Exa 提供每月 10 美元的免费额度，另有新账号 10 美元启用奖励，不需要先绑定支付方式。这让开发者可以先进行小规模测试，再决定采用哪一种模式。

Exa 宣称 Benchmark 第一，搜索能力真的领先吗？

Exa 在发布 3.0 时，宣称新版本在所有受测 Benchmark 中取得第一名，包含通用搜索、程序开发、金融研究与企业数据检索等不同场景。

依照 Exa 官方首页公布的比较结果：

这三项测试的领先差距分别为 0.3、0.6 与 0.7 个百分点。

数据显示 Exa 在这些测试条件下取得了较高分数，但目前仍不能据此认定它在所有实际应用中都优于其他搜索供应商。

截至 2026 年 10 月 21 日，本次资料核查尚未找到针对 Exa 3.0 完整重现上述结果的独立第三方测试。

另外，Benchmark 通常只能反映特定评估条件下的表现。对 AI 应用而言，实际使用时还需要考虑搜索结果覆盖率、数据新鲜度、来源可信度，以及延迟与价格。

尤其当不同供应商拥有不同索引时，即使它们在同一项 Benchmark 的分数相近，也不代表面对相同问题时会找到相同的数据来源。

如何开始使用 Exa Search API？

如果想自行测试 Exa，官方提供 Python、JavaScript SDK，也支持直接发送 HTTP API 请求。

搜索 API 接入之后，智能体能否找到并选用它，是另一个需要检查的环节。TSO 工具选择优化将工具接入、候选曝光、选择与成功调用分开观察。

以 Python 为例，首先到 Exa Dashboard 创建 API Key，并设置 EXA_API_KEY 环境变量。

接着安装官方包：

pip install exa-py

完成后，可以使用以下代码进行 Lite 搜索：

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)

这个示例会要求 Exa 搜索最新 AI Search API 相关信息，最多返回五条搜索结果及可取得的内容摘录。

若想比较 Auto，只需要将 type="lite" 改成 type="auto"，再观察结果与成本差异。

开发者也可以直接向 https://api.exa.ai/search 发送 POST 请求，并在 Authorization 请求头带入 API Key。

更多参数与返回格式可参考 Exa Search API 官方文档。

不会写代码，也可以通过 MCP 使用 Exa

除了传统 API，Exa 也提供托管的 MCP（Model Context Protocol）服务器：

https://mcp.exa.ai/mcp

MCP 可以理解为让 AI 应用连接外部工具与数据服务的一套通用协议。

对不熟悉程序开发的用户而言，只要使用支持 MCP 的客户端，便有机会直接将 Exa 搜索能力加入原本的 AI 工作流程，而不需要自行编写完整的 API 接入程序。

依照官方 MCP 文档，Exa 已提供 ChatGPT、Codex、Claude、Cursor 等工具的集成方式。托管服务器可以在没有 API Key 的情况下开始使用，但免费使用仍受到速率与功能限制，部分集成也可能要求登录。

这类集成也反映了搜索 API 市场的一个变化。搜索工具不再只服务于自行开发应用程序的工程师，也开始进入一般 AI 用户的工作流程。

ExaSearchBot 是什么？对 GEO 有什么影响？

当 AI 应用开始通过不同搜索 API 取得外部信息，网站经营者便会面临另一个问题。

过去网站经营者主要关注 Google 是否成功索引网站、关键词排名如何，以及内容能否进入 Google AI Overviews（AIO）。

但若某款 AI 助手使用 Exa 作为搜索来源，网站能否被 Exa 找到，也可能影响内容是否有机会成为该应用的回答依据。

需要注意的是，Exa 与 Google 是不同的搜索系统。网站被 Google 收录，不代表它一定存在于 Exa 的索引中。

Exa 如何抓取网站内容？

Exa 使用名为 ExaSearchBot 的网络爬虫，探索并索引公开网页。

依照官方爬虫政策，ExaSearchBot 会遵守 robots.txt，并依以下顺序解析规则：

1. 优先使用网站针对 ExaSearchBot 设置的规则。
2. 如果没有专属规则，参考主要搜索引擎的爬虫设置。
3. 若上述规则皆不存在，则使用通用的 * 分组。

另外，Exa 也使用 ExaUser 处理由用户请求触发的页面抓取，两者用途有所不同。

如果网站不希望 ExaSearchBot 抓取内容，可以在 robots.txt 加入以下设置：

User-agent: ExaSearchBot
Disallow: /

但这里需要特别区分爬取与索引。

依照官方说明，robots.txt 控制的是爬虫能否访问网页，并不等于要求搜索引擎移除已收录内容。

若希望让 Exa 移除已收录的网页，应使用 noindex meta 标签或 HTTP X-Robots-Tag: noindex 响应头，让爬虫在下次重新读取页面后识别移除要求。若同时屏蔽抓取，也可能妨碍爬虫读取新加入的 noindex。

此外，ExaSearchBot 支持 Web Bot Auth 签名验证，网站管理者可以通过密码学签名确认请求是否真正来自 Exa，而不是单纯相信 User-Agent 字符串。

对正在管理 AI 爬虫政策的网站而言，可以参考 LS-Labs 先前整理的网站屏蔽 AI 智能体及媒体 robots.txt 设置观察，评估哪些爬虫应该允许、限制或屏蔽。

GEO 是否需要开始关注 Exa？

Exa 3.0 的发布，并不代表品牌现在就必须投入一套新的“Exa SEO”策略。

但它提供了一个值得研究的方向。

当不同 AI 应用可以选择不同的搜索 API 时，品牌内容是否能够进入 AI 回答，可能不只受到 Google 搜索排名影响，也与这些搜索供应商的索引及数据来源有关。

尤其这次 Exa 大幅扩充商品与商家数据，其提供的信息不再只有一般文章，也包含地址、评分、价格、库存等字段。

以本地商家为例，Exa Places 公告提到的数据包含名称、分类、位置、电话、营业时间、网站与评分，和 LocalBusiness Schema、Google 商家资料（GBP）常见的数据字段高度重叠。

不过，Exa 并未完整公开这些数据的取得方式，也没有说明 LocalBusiness Schema 是否直接影响搜索排序。

因此，目前无法证实，只要补齐某项结构化数据，就能提高品牌在 Exa 的可见度。

比较合理的建议，是让商家在官网、商家资料及第三方平台的信息保持一致，并确认重要页面可以被相关搜索系统正常取得。

LS-Labs 过去在台北牛肉面店 AI 搜索实测中，也曾观察到没有官方网站的商家，仍可能通过商家信息、评论或第三方内容进入 AI 回答。

当时的测试对象是 Perplexity，不能直接推论 Exa 的检索机制，但这也说明品牌在 AI 搜索中的信息来源，不一定完全依赖官方网站。

LS-Labs 观察：搜索 API 会如何影响 AI 的回答来源？

Exa 3.0 带出一个值得重新注意的问题：当 AI 搜索逐渐普及，搜索结果究竟由谁提供？

对大多数用户而言，ChatGPT、Claude 或其他 AI 助手才是直接互动的产品，至于背后如何搜索、从哪里取得数据，往往不会特别留意。

但从技术架构来看，语言模型和搜索服务可以是两个独立的部分。

开发者可以选择不同模型，也可以依照成本、延迟与搜索质量，决定使用哪一家搜索供应商。

Exa 正是在这个市场提供服务，而它并不是唯一的选项。像是 Brave Search API、Tavily、Perplexity 的搜索服务，以及其他提供搜索与网页数据的厂商，都在满足类似需求，只是产品架构与侧重的能力有所不同。

这次 Exa 3.0 以更大的搜索模型改善检索质量，再通过 Lite 降低单次搜索成本，并扩充商品与本地商家数据，显示它正在尝试满足更多 AI 智能体的日常工作需求。

不过，搜索结果质量提高，并不等于 AI 最终回答一定更加准确。

AI 搜索通常包含数据检索、内容抓取与语言模型生成等不同阶段。搜索服务负责找出可能相关的信息，但模型仍须判断如何使用这些数据。

即使两个 AI 智能体使用相同模型，只要背后接入不同的搜索 API，取得的候选来源就可能不同，进而影响最后的回答；这仍需要控制变量的实测才能确认影响幅度。

反过来说，就算 Exa 成功索引了某篇文章，也不代表每个使用 Exa 的 AI 应用都会引用它。

从 GEO 的研究角度，这里还有两个值得深入探讨的方向。

这些问题与 GEO 关心的内容可见度有直接关系，却不能只靠搜索 API 的 Benchmark 分数得出结论。

对品牌而言，若未来更多 AI 应用采用独立搜索服务，就有必要逐步扩大对内容可检索性的观察范围，而不是只依靠单一搜索引擎的排名数据。

但现阶段仍缺乏足够证据，判断 Exa 对各类 AI 产品的实际引用来源具有多大影响。因此，比起立即替 Exa 建立一套专门的优化策略，更值得做的是先测试自家内容在不同搜索 API 中的可见度。

对开发者来说也是如此。

Exa Lite 的每千次 4 美元确实降低了基本搜索成本，但最终是否值得采用，仍取决于应用的需求。使用免费额度实际比较 Lite 与 Auto 的来源覆盖、延迟、内容新鲜度及任务完成质量，会比单纯根据价格或官方 Benchmark 做决定更有参考价值。

常见问题 FAQ