Exa获2.5亿美元融资，打造Agent原生的“Google”

最近这一年，Agent才算是真正从实验室走到台前，开始在ToC和ToB两个端落地生产力。在个人端，它化身私人助理和代码拍档，帮你处理搜索、写作、购物、旅行规划这些日常任务；在代码助理这个身份下，它又能直接帮开发者完成具体工作。

在企业端，Agent已经悄悄渗透进销售线索挖掘、客户研究、招聘、投研、法务尽调、代码开发、客服、数据分析等核心工作流里。

Agent的能力，掰开来看其实就是三件事：理解目标、获取信息、执行动作。模型负责理解和推理，工具负责执行，而搜索，则负责从外部世界获取情报。获取信息这件事，是Agent能力的命脉。如果拿不到高质量的信息，Agent很容易变成一个“高智商但满地跑调”的系统——听起来聪明，但给出的东西经不起推敲。

这就像当年Google用搜索重新定义了人类使用互联网的方式，最终成了科技行业事实上的基础设施。现在，Agent范式正在成为主流，它也需要一个Agent原生版本的“Google”来支撑。

有一家叫Exa的公司，把目标直接对准了这件事——他们想做的是“AI原生搜索”，成为AI和Agent默认的信息基础设施。

最近，Exa完成了2.5亿美元的C轮融资，估值达到22亿美元，由a16z领投，Benchmark、Lightspeed、Y Combinator也跟投。他们对外宣称，已经在服务Cursor、Cognition、HubSpot、OpenRouter、Monday.com等AI头部公司，背后还有40多万的开发者和5000多家公司。

AI时代，搜索需要从底层重做一遍

Exa的创始人是Will Bryk和Jeffrey Wang，两人在哈佛读本科时就已经相识，都是计算机背景，一起做过技术项目。毕业后，Will Bryk去了机器学习创业公司Cresta做软件工程师，Jeffrey Wang在Plaid工作。2021年，他们创立了Exa，最初的名字叫Metaphor。

早在2021年刚创立Exa时，他们就已经判断世界需要比Google更好的搜索。当年11月，Exa上线了第一版搜索引擎，大约两周后ChatGPT发布。团队很快意识到：AI应用会比人类更需要搜索。

为什么AI或Agent需要专属的搜索？它跟面向人的Google搜索，到底有什么不一样？

传统Google搜索的逻辑是：人类输入短关键词，搜素引擎返回链接列表，然后你一个一个点开、浏览、判断、整合。整个系统完全是围绕人类的行为模式优化的。

但Agent需要的是另一种东西。它要的是正文、摘要、结构化字段、JSON、引用、置信度、来源追踪。人类可以自己打开网页读，Agent却需要系统先把网页清洗、抽取、压缩成模型可以直接用的上下文。人类可以接受搜到“关于某类对象的文章”，但Agent往往需要对象本身——公司列表、人名列表、产品列表、代码片段、新闻事件。

而现在的一些Agent或AI搜索，底层其实仍然依赖Google/Bing针对人类优化过的搜索结果，上层只是用大模型加了一层摘要，并没有真正重建搜索本身。

Exa的判断是：AI时代，搜索必须从底层重做一遍。从网页爬虫（crawler）、索引（index），到检索模型（retrieval model）、向量数据库（vector database）、内容抽取（content extraction），再到Agent化的研究管线（agentic research pipeline）——整条链路都要重构。

换句话说，从抓网页、建索引、理解查询与网页之间的语义关系，用向量数据库做大规模语义检索，从网页中抽取模型可用的证据，再到让Agent多轮搜索、验证并生成结构化结果，每一个环节都跟传统搜索不一样。

上一代搜索战争，由“为人类组织信息”的公司赢得；下一代，很可能由“为Agent组织信息”的公司赢得。

Exa还有一个核心判断：未来Agent对搜索的需求量会远远超过人类。人类每天搜几十次可能就算重度用户了，但Agent完成一个任务，可能连续搜索几十次、上百次。长远来看，大模型发起的搜索量，可能达到今天Google搜索量的1000倍。

那么，Exa跟那些底层仍依赖人类搜索结果的AI搜索有什么本质不同？我们可以从两条线来看：底层系统怎么建，以及它的产品如何帮助AI/Agent获取信息。

先看底层系统。Exa把搜索基础设施拆成三件事：网页抓取、文档处理、查询服务。

第一步是网页抓取。Exa自建爬虫（crawler），持续发现新URL，用分布式机器和IP池抓取网页，再通过自建的HTML解析器（HTML parser）处理页面，最终把数据存入数据库。据Exa透露，他们的爬虫已经追踪了5000亿以上的URL。真正的难点其实不只是规模——网页格式混乱、内容持续变化、低质量页面占比极高，系统必须有能力判断哪些页面值得进入高质量索引。

第二步是文档处理。网页进入系统后，会被加工成多种可检索的形态：关键词索引、BM25（一种经典的关键词相关性算法）、元数据（metadata）、高相关片段（highlights）和语义向量。Exa走的是关键词检索与神经网络语义搜索（neural search）的混合路线，用来覆盖精确匹配、长查询、语义搜索，以及人物、公司、代码这类实体搜索。

第三步是查询服务。用户或Agent发起搜索时，系统既要兼顾低成本、高QPS（每秒查询数）和低延迟，也要让复杂查询获得更多计算资源。为此，Exa自建了向量数据库（vector database），并用聚类、嵌套式向量、二值量化、SIMD（CPU指令级并行优化）、Rust等方式来提升检索效率。

在搜索流程上，Exa用一套叫Canon的编排系统，把查询改写、检索、重排序、去重、内容读取和来源追踪等模块组合起来，支撑起Fast Search、Deep、Websets、Agent API、Monitors等不同的产品形态。

Exa有一个长期判断：最终胜出的系统，一定是能吸收更多计算资源、并且随着计算增加持续变强的系统。传统关键词搜索更像静态系统，增加算力很难带来根本变化；而基于向量表示的神经网络搜索（embedding-based neural search），则可以通过更多训练数据、更多GPU和更强模型来持续迭代。

落到产品层面，Exa的能力对应的是Agent获取信息的一条完整路径。

首先是找信息。Agent通过Exa Search API搜索开放网页，获取最新信息，补足模型参数中的旧知识。

接着是读网页。搜到网页之后，Agent还要能读取内容。Exa的Contents API，以及Search API里的contents参数，可以从网页中提取正文、摘要、highlights和metadata，把原本杂乱的网页内容整理成大模型可以直接使用的上下文。

遇到复杂任务时，搜索会进入更深的研究模式。Exa在Search API中提供了deep、deep-reasoning等搜索类型，用更多查询和推理步骤来做结果综合。同时，他们还推出了更高算力版本Deep Max，面向研究、尽调、市场分析和线索挖掘这类高难度任务。

最后是结构化输出。通过Agent API、Websets、Answer API、Research相关能力，Exa可以把搜索和网页读取的结果整理成JSON、表格或字段列表——比如公司名、融资轮次、创始人、近期动态、来源链接等，方便直接接入CRM、投研系统或Agent workflow。Monitors则负责持续追踪变化。

Exa之所以选择自建这些环节，是因为Agent搜索对实时性、完整性、结构化和可验证性的要求比人类搜索高出一个量级。掌控了crawler、index、检索模型、向量数据库和内容抽取，就能更主动地优化召回范围、更新频率、延迟、单位成本和结果格式。这些能力持续积累下来，就会形成比单一模型或单一API更难复制的系统壁垒。

在应用场景上，Exa目前的重点是把能力嵌入Agent和企业工作流。公司称，已有5000多家公司使用Exa，场景覆盖代码、销售、研究和AI应用基础设施。

在代码Agent场景里，Cursor、Cognition、CodeRabbit这些产品需要搜索技术文档、API reference、GitHub issue、release notes等内容，帮助Agent理解外部代码环境，再生成修改建议或执行任务。

在GTM和销售场景里，HubSpot、11x、WebFX等会用Exa来找公司、找人、补全线索和监控客户动态。比如按行业、地区、融资阶段、技术栈筛选潜在客户，再补充决策人、近期动态和来源链接，直接接入CRM或销售自动化流程。

在市场研究、投研和企业研究场景里，Exa Deep、Deep Max、Websets可以读取新闻、公司公告、融资稿、招聘信息、行业资料，并输出表格、字段列表或研究摘要。

Agent成为主流，它的基础设施里藏着巨大机会

Agent逐渐成为主流应用范式，这事儿带来的变化是根本性的。

在应用层面，人们和AI的交互不再只是让它完成工作流里的一个环节，而是把一个任务整个丢给它，让它独立完成。更彻底一点，你甚至可以让多个Agent并行完成多个任务。以前我们把AI当工具用，现在可以把它当成一个AI员工、一个AI同事。

在商业模式上，AI正在从卖Token、卖订阅席位，转向卖结果。因为Agent真的开始能够独立交付高质量的结果了。

当Agent变成AI的主流应用范式，它必然会推动配套的基础设施一起改变——无论是云端和终端的算力，还是管理工具调用的“互联网”，当然也包括这次聊到的、专门为Agent打造的搜索引擎Exa。这里面蕴藏的机会，才刚刚开始浮现。