隨著人工智能的發(fā)展，AI Agent（智能代理）逐漸成為行業(yè)熱點，而為這些智能代理提供高效搜索能力的Search API也變得至關(guān)重要。Exa作為一家專注于為AI Agent打造搜索基礎(chǔ)設(shè)施的公司，正在重新定義搜索系統(tǒng)，以滿足AI時代復(fù)雜多樣的信息檢索需求。本文將深入剖析Exa的技術(shù)架構(gòu)、產(chǎn)品形態(tài)、應(yīng)用場景以及其在AI搜索領(lǐng)域的獨特價值和面臨的挑戰(zhàn)，探討其如何為AI Agent提供更精準(zhǔn)、更高效的知識獲取途徑，助力智能代理的發(fā)展。

Agentic AI 的 3 要素是：tool use，memory 和 context，圍繞這三個場景會出現(xiàn) agent-native Infra 的機會。

Agent 所獲取到的信息質(zhì)量是 agent 推理的起點，雖然 LLM 帶來了 perplexity 為代表的 AI answer engine，提供了完全不同于傳統(tǒng)搜索引擎的體驗，但這些產(chǎn)品仍舊面向的是人類用戶，產(chǎn)品邏輯是圍繞人類行為設(shè)計的。在我們?MCP?的研究中發(fā)現(xiàn)， GitHub MCP Servers 列表里使用場景最多的是搜索和數(shù)據(jù)檢索，開發(fā)者們的偏好也反映出 agent-native 搜索的重要性。

Exa 要做的是 LLM 時代的 “Bing API”，為 AI agent 系統(tǒng)重新設(shè)計搜索，當(dāng) AI-native 應(yīng)用或者 AI Agent 需要實現(xiàn)互聯(lián)網(wǎng)信息搜索時，都可以調(diào)用 Exa 的 API 能力，因此，Exa 的核心受眾是 B 端企業(yè)和開發(fā)者。在功能上，Exa 可以實現(xiàn)更復(fù)雜的語義搜索。比較有意思的是團隊的技術(shù)愿景，公司認(rèn)為，Exa 的架構(gòu)讓用戶可以選擇投入更多的計算資源、等待更長的時間，來獲得更多、更完善的搜索結(jié)果。

01.為什么Search API 很重要

按照場景和信息需求類型，搜索行為大致可以被分為四類：

第一類，高頻快速查詢，指的是一兩步內(nèi)就能完成的查詢。Google 大部分的 query 還是以幾個單詞為主，用戶得到答案后馬上離開，不會進行深入的查詢。對于這類查詢 Google、Bing 還是最好的應(yīng)用，新玩家?guī)缀鯖]有挑戰(zhàn)的機會。

第二類，研究性質(zhì)的深入查詢，用戶可以和搜索工具反復(fù)交流，獲取知識。這一類搜索是 LLM 和 LRM 帶來的新場景，對應(yīng)的代表性產(chǎn)品形態(tài)分別是 Chatbot 和 Deep research。

第三類是個人偏好查詢，搜索引擎需要根據(jù)用戶的個性化信息和偏好才能給用戶合適的推薦。大模型讓新玩家有機會挑戰(zhàn)傳統(tǒng)玩家，核心原因是傳統(tǒng)搜索只能支持簡單查詢，而大模型可以處理語義更復(fù)雜的查詢，提供更精準(zhǔn)、個性化的答案。但有幾個落地難點，比如：大模型缺乏長記憶能力；個人偏好查詢往往是快速查詢，對響應(yīng)速度要求較高；用戶數(shù)據(jù)在云端處理還是本地處理等等。代表性產(chǎn)品有 AI 電商搜索領(lǐng)域的 Daydream、Constructor 等。

第四類是長尾查詢。用戶有不同的感興趣的小眾領(lǐng)域。

AI 在第二、第三類場景最具成為挑戰(zhàn)者的潛力。

未來，這些搜索場景極有可能是人與 AI agent 進行交互，agent 在理解意圖后用 tool use 的方式進行搜集、驗證、任務(wù)執(zhí)行，我們已經(jīng)在一系列 Deep Research 產(chǎn)品上看到雛形。因此，Agent 未來會替代人類成為網(wǎng)頁信息搜索的主力“用戶”。

在 2 年前，OpenAI 前安全研究副總裁 Lilian Weng 就提出 search 是 agent tool use 中的重要部分，站在今天看，Agentic AI 的實現(xiàn)基礎(chǔ)有 context、tool-use 和 memory，RL 環(huán)境給 tool-use 提供了 infra，search API 也是對 context 能力提升的工具。

過去的搜索市場是對人類用戶的競爭，未來的搜索將在為 agent 提供搜索的能力上展開競爭，這也是我們關(guān)注 Exa 的原因。目前是搜索引擎是圍繞人用軟件的邏輯去設(shè)計的，我們認(rèn)為 AI agent 需要一套和人類不同的 search infra，原因有幾個方面：

• AI 需要更復(fù)雜的查詢?，F(xiàn)有搜索引擎主要服務(wù)快速查詢——用戶 query 通常只是幾個單詞或短語，無法搜索含有多個復(fù)雜查詢條件的 query。
• AI agent 需要正確且豐富的 context 才能發(fā)揮作用。然而傳統(tǒng)快速查詢的需求決定了用戶只關(guān)心搜索結(jié)果的第一頁，極少翻閱后續(xù)頁面。這導(dǎo)致靠后的搜索結(jié)果大多是用戶幾乎不會打開的“垃圾內(nèi)容”。但 AI agent 不僅只需要前幾頁。
• AI 需要高吞吐低延時做得更極致的搜索系統(tǒng)，人類一天搜索的次數(shù)可能比不上 AI 一分鐘需要搜索的次數(shù)。
• 現(xiàn)有的搜索工具塑造了人們創(chuàng)建的內(nèi)容，網(wǎng)站迎合的是搜索引擎而不是尋求內(nèi)容的用戶。大部分網(wǎng)站都根據(jù) Google 的 ranking 算法進行了 SEO 和逆向工程，這樣的搜索引擎搜出來的可能是關(guān)鍵字匹配的低質(zhì)量內(nèi)容，但 AI 的推理系統(tǒng)需要的是真正相關(guān)的知識。

基于以上原因，AI 需要新的 search infra。Perplexity 早期用的也是現(xiàn)成的搜索 API（如 Bing API），后來也開始自建嵌入模型，側(cè)面說明傳統(tǒng)的搜索無法滿足 AI 產(chǎn)品的需求。

02. Why now

LRM 帶來的第一個落地的 Agent 是 deep research。Deep research 是一個非常典型的 agentic RAG 架構(gòu)，通過 dynamic planning、long horizon reasoning 以及 decision making 在復(fù)雜任務(wù)中實現(xiàn)檢索-加工-驗證-優(yōu)化，檢索的質(zhì)量是 agent 推理的起點。

目前開發(fā)者對 MCP 的共識提高，我們統(tǒng)計 MCP 在 GitHub 提供的 154 個 MCP Servers 列表里，使用場景最多的是搜索和數(shù)據(jù)檢索，大約有 34 個，主要用于實現(xiàn)網(wǎng)絡(luò)搜索、爬取內(nèi)容、語義檢索、向量搜索等功能。MCP 不僅推動了 AI-native 的 search infra 標(biāo)準(zhǔn)化連接大模型時機的成熟，社區(qū)貢獻的結(jié)果也反映了 search 對于 agent 的重要性。

2025 的關(guān)鍵詞是 Agentic AI，在這個時間點關(guān)注 Agent Infra 是一個好的時間點，而信息檢索是最高頻的場景之一。

03. 什么是 Exa?

Exa 是 LLM 時代的 “Bing API”，為 AI 重新設(shè)計搜索系統(tǒng)，處理 AI 時代復(fù)雜的檢索請求，為后續(xù) AI 的推理和執(zhí)行提供更好的知識。

Exa 把互聯(lián)網(wǎng)的內(nèi)容分類構(gòu)建了自己的 embedding，核心目的是搜索最精確的內(nèi)容、找到最相關(guān)的網(wǎng)站。Exa 的技術(shù)衍生出來的產(chǎn)品形態(tài)主要有兩個：一個是 API， 為 B 端開發(fā)者提供的搜索 infra。另一個是 web 端產(chǎn)品 Websets，更加 to prosumer。

Websets 相當(dāng)于把互聯(lián)網(wǎng)變成一個可以用多種條件過濾的 Excel，用戶用語義搜索就可以直接獲得一個最需要的信息列表，未來也會以 API 的形式提供。

Exa 的搜索技術(shù)適合用于構(gòu)建 agentic RAG、構(gòu)建研究 agent 等。

API

Exa 的主要收入來自 API，圍繞不同場景，Exa 開發(fā)出了一系列 API 支持不同的功能。最核心的是 Search API， 用于語義搜索：用戶輸入自然語言，Exa 把自研的嵌入模型與傳統(tǒng)的關(guān)鍵字搜索配合起來使用，實現(xiàn)尋找最相關(guān)的內(nèi)容。輸出的格式可以自由定制，例如選擇標(biāo)題、生成 highlight、正文、生成摘要、subpages、相關(guān)性得分等。

其它 API 還有：

• Get Contents API ：可以理解為一個爬蟲 API ，用戶輸入一串 url，即可爬取多個網(wǎng)頁內(nèi)的各種內(nèi)容。
• Answer API ：可以對搜索的結(jié)果進行智能問答。
• Find Similar Links API ：可以返回與用戶輸入的 url 內(nèi)容相似的網(wǎng)站。

API 主要的使用對象是 B 端或者開發(fā)者，這些人在構(gòu)建 AI-native 應(yīng)用的過程中會利用到 Exa 的這些 API，為了匹配這些場景需求， Exa 在速度、scale 和實時性上都做了專門的優(yōu)化：

1. 速度方面 latency 在 300ms，每秒可以輸入 100+ queries。作為對比， Google 的 latency 普遍被認(rèn)為大概在幾十至幾百毫秒。
2. 規(guī)模方面，每次可以支持返回數(shù)千個結(jié)果。
3. 實時性方面，每兩分鐘更新 index 庫，持續(xù)添加新的鏈接。
4. infra 方面 Exa 在 LangChain，LlamaIndex，CrewAI，OpenAI 等都做了 integration 上的優(yōu)化。

search 功能 API 使用示例

search 功能的可視化示例

不過，Exa search API 價格比傳統(tǒng)解決方案要高很多，Exa search API 提供 100 個結(jié)果需要 $25。相比之下 Bing Search API 每 1000 次調(diào)用價格在 $10~25。因此 Exa API 的價格大概是 Bing 的 10x。

Websets

Websets 是搜索能力衍生出來的產(chǎn)品，用戶用語義搜索就可以直接獲得一個完整的信息列表，Websets 在 Web 端基本形態(tài)如下圖。公司透露 Websets 的能力未來也會以 API 的形式提供。

Websets 的產(chǎn)品形態(tài)。這里的 query 是：

help me find AI search engine startup in the USA with over $5M funding.

從功能和形態(tài)來看， Websets 都很像通用版的 Clay：

Clay 主要做銷售線索的 data enrichment，B 端用戶可以 Clay 的數(shù)據(jù)庫中篩選出一個 company list 或 people list，然后 Clay 用 waterfall 式的搜索辦法從數(shù)據(jù)合作商中搜索對應(yīng)的銷售線索，例如郵件、電話，和地址。Clay 最新的估值是 12.5 億美金，ARR 約 3700 萬美金。

但 Websets 能力范圍大于 Clay：

1）用戶可以搜索任意的 categories，除了 sales 領(lǐng)域，常用的場景還有投資研究、學(xué)術(shù)搜索，以及招聘等。

2）用戶可以用自然語言添加任何篩選方式，Websets 從整個互聯(lián)網(wǎng)搜索。而不是像 Clay 只有固定的篩選方式，其主要從合作商數(shù)據(jù)庫搜索。

3）用戶可以添加任意希望填充的指標(biāo)；而 Clay 只能用既定的指標(biāo)。

相比于 Clay 做的是 domain-specific 的數(shù)據(jù)，作為開放版本的 Clay——Websets 最容易受到質(zhì)疑的就是準(zhǔn)確性。而準(zhǔn)確性是 Websets 的核心賣點。Exa 從 0 開始對互聯(lián)網(wǎng)做了一套 embedding vector（盡管不是整個互聯(lián)網(wǎng)），因此 Websets 的搜索結(jié)果能給出非常準(zhǔn)確的 reference。

另外，在產(chǎn)品層面，每次用 Websets 進行探索性搜索的時候，用戶可以選擇先生成幾行進行 preview。這樣一來，Websets 在投入更多計算資源之前能夠確認(rèn)這是用戶需要的 dataset。

在 Exa 的內(nèi)部基準(zhǔn)測試中，Websets 比 Google 和 OpenAI Deep research 能找到多 10 倍的正確結(jié)果。

Google vs OpenAI’s Deep Research vs Websets (low compute) vs Websets (high compute) in Exa’s benchmark of complex queries.

SimpleQA 是 OpenAI 發(fā)布的一個基準(zhǔn)測試，可衡量LLM回答簡短問題的能力。

Websets Pro 定價為 $800/月，是目前 OpenAI Deep research 的 4x。 處理速度上 Exa 每秒 100+ query，Bing 的 TPS 在 100~250 左右，Exa 目前沒有領(lǐng)先。

Search API pricing

Bing Search API pricing（部分）

04.Exa API 的使用場景

Exa 的主要收入來自 API，API 的使用對象主要是構(gòu)建 AI-native application 的用戶；或者是搜索強度大的行業(yè)，例如銷售、投資研究。有 VC 客戶透露他們每天幾乎連續(xù)使用  Exa 8 小時以上，用于各種不同類型的查詢。Exa 的 API 為客戶做了非常多強大的 agents。

因此 Exa 也為這些場景做了 demo 來展示。這些 demo 底層的核心還是 Exa API 的三個關(guān)鍵能力：

1）語義理解；

2）自研的搜索系統(tǒng)搜索最相關(guān)的內(nèi)容；

3）較低的 latency。

Company research agent

Exa 有很多用戶是投資公司，他們使用 Exa 來輔助投研。分析師在研究初創(chuàng)公司時，第一步一定是相對標(biāo)準(zhǔn)化的信息搜集：整理融資記錄、團隊背景、公司新聞和關(guān)鍵里程碑、并通過 YouTube、X 等社交媒體搜索創(chuàng)始人言論和社區(qū)對產(chǎn)品的討論，如果是技術(shù)類產(chǎn)品，則還需要去 GitHub 和 Google Scholar 查技術(shù)更新。

雖然內(nèi)容并不復(fù)雜，但這些信息分散在不同的網(wǎng)站、平臺上，因此是一個很耗時的工作，Exa 提供的這個 demo 相當(dāng)于一個預(yù)定義的 agent，提高了分析師在信息搜集環(huán)節(jié)的效率。

超級寫作補全 agent

和 coding agent 相比，LLM 時代仍缺乏實用性強的寫作 agent。寫作比 coding 更開放，agent 難以 100% 預(yù)測、理解用戶的寫作意圖，因為實用性受限。Exa 這個寫作 agent 的 PMF 差異化在于以搜索為核心，在理解句子后自動補全并附上參考，節(jié)省作者的搜索時間。

Twitter Wrapped

幾乎每個 to C 的 App 都開始流行“年度使用報告”，基于內(nèi)部數(shù)據(jù)為用戶提供年度總結(jié)。Exa 的這個 demo 可以從外部用 search agent 的方式對 twitter 做分析和總結(jié)，類似的 agent 可以遷移到不同的平臺和應(yīng)用，其價值在于跨平臺的搜索分析能力。

學(xué)術(shù)論文 search agent

這個 Agent 是 Exa 的 CEO 用不到兩天的時間內(nèi)，對 4500 份論文做的一個 search agent，可以以可視化的方式展示 Exa 是如何對論文進行 index、分類，以及相似性搜索。

除了官方發(fā)布的一些 demo 之外，Exa 在 twitter 上的熱度很高，經(jīng)常有用戶分享他們?nèi)绾斡?Exa 的 API 構(gòu)建有趣的 demo，例如 YouTube search agent， twitter search agent，電商購物 search agent。

有趣的是，Exa 還用自己的產(chǎn)品為自己找客戶，比如在 Websets 上搜索”曾經(jīng)發(fā)布關(guān)于探索性搜索文章的公司“。因為關(guān)注這個領(lǐng)域的公司就是他們的潛在客戶。

05.技術(shù)

作為一個初創(chuàng)公司 Exa 沒有足夠的資源對整個互聯(lián)網(wǎng)構(gòu)建索引，所以團隊?wèi)?zhàn)略性地先選擇對互聯(lián)網(wǎng)的部分內(nèi)容索引，以此作為搜索系統(tǒng)的基礎(chǔ)?；镜墓ぷ髁鞒淌牵哼x擇文檔進行爬取、解析，存儲在云服務(wù)器上；然后需要對文檔構(gòu)建嵌入，構(gòu)建矢量數(shù)據(jù)庫，作為后續(xù)搜索的基礎(chǔ)。

系統(tǒng)的基本流程

這樣的戰(zhàn)略其有效性在于：實際上用戶大部分的查詢都是常見的查詢，一個小型的知識系統(tǒng)是可以回應(yīng)大部分問題的，這類似于“二八效應(yīng)“。剩下的內(nèi)容可以用更簡單的方式解決，比如利用現(xiàn)有的 API 快速查詢。

不過這也帶來實操上的難點：例如如何選擇”優(yōu)質(zhì)“的網(wǎng)頁構(gòu)建索引？在這方面 Exa 團隊先定義了一系列重點關(guān)注的類別，例如學(xué)術(shù)、新聞、人物等等，然后再逐漸迭代。

部分 Exa Index 的類別

在模型方面，Exa 基于端到端的神經(jīng)網(wǎng)絡(luò)和 transformer 來查詢索引，這樣做尤其勝任模糊語義和多層語義的查詢。模型的工作原理是：當(dāng)用戶輸入 URL，Exa 會爬取并解析其主要內(nèi)容，模型根據(jù)文本風(fēng)格、域名及核心觀點等因素，預(yù)測相似討論的網(wǎng)頁。

用 Transformer 直接做搜索系統(tǒng)輸出鏈接則需要記住整個互聯(lián)網(wǎng)非常困難。所以 Exa 在 transformer 的基礎(chǔ)上改進模型并不斷迭代架構(gòu)，把 next token prediction 變成了 next link prediction 和 next document prediction，讓搜索系統(tǒng)實現(xiàn)預(yù)測最相關(guān)的網(wǎng)頁。

CEO 認(rèn)為，基于 transformer 的架構(gòu)為 Exa 的搜索系統(tǒng)帶來了另外一個差異價值：投入的計算資源越多，查詢結(jié)果可以不斷變得更全面、更精準(zhǔn)。Exa 官方也給出了一個實驗證明：當(dāng)其讓模型花更多的 test time compute 進行搜索，模型就能得到更多的匹配結(jié)果。Websets 的能力正是建立在這樣的模型之上：一份包含上千個結(jié)果的 Websets 列表可能需要一個小時來響應(yīng)，但這樣用戶能夠得到一份完美的結(jié)果。

With Websets, Exa discovered a new scaling law, but for search. The more compute your search uses, the more comprehensive the results.

因此，公司自始就重視計算資源，比如種子輪融的 500 萬美金花了一半買計算資源，公司部署的 AftaCluster 是該行業(yè)最早基于 NVIDIA 的 H200 GPU 的 AI 和 HPC 的集群之一。

06.團隊

Exa 團隊是在 ChatGPT 發(fā)布就一年前建立的，聯(lián)合創(chuàng)始人 Will Bryk 和 Jeff Wang 是 Harvard 的室友。

Will Bryk 在 Harvard 學(xué)習(xí) CS 和物理，曾在 SpaceX 工作，并在 Cresta 有兩年的工作經(jīng)驗。

Jeff Wang在 Harvard 學(xué)習(xí) CS 和哲學(xué)，畢業(yè)后在 Plaid 擔(dān)任了兩年的工程師。

Exa 的搜索系統(tǒng)是從頭構(gòu)建了爬蟲系統(tǒng)、嵌入模型、向量數(shù)據(jù)庫、AI 處理系統(tǒng)，以高吞吐量、低延遲的方式提供服務(wù)。這里每個技術(shù)部分 Google 都有上百數(shù)千人的團隊，而對應(yīng) Exa 每個部分只有 1~2 人。Exa 目前核心技術(shù)團隊不到 20 人，來自清華姚班、Palantir，Apple，Adobe、量化交易等等，人數(shù)雖少但每一個都有獨當(dāng)一面的能力。

07.Exa 的價值

未來 LLM 會成為所有 agent 的底層，LLM 需要搭配不同的工具才能成為完善的 AI agent。例如 LLM 啟用 Figma 可以用于設(shè)計，LLM 啟用 Exa 則可以完成搜索。由于把 LLM 連接到實時互聯(lián)網(wǎng)基本已經(jīng)成為 agent 的剛需，所以 Search API 是 LLM 必備的工具。

Exa 的技術(shù)相比于現(xiàn)有的 search API 有兩個差異點：

1）傳統(tǒng)的搜索 API 主要用于快速搜索，難以滿足復(fù)雜的查詢，Exa 可以實現(xiàn)更復(fù)雜的語義搜索。

2） Exa 的架構(gòu)讓用戶可以選擇投入更多的計算資源、等待更長的時間，來獲得更多、更完善的搜索結(jié)果。這個技術(shù)點在 Websets 中很好地展示了產(chǎn)品層面的差異化、獨特性，并且符合很多工作場景的需求，比如：銷售人員 mapping 潛在客戶；分析師 mapping 投資標(biāo)的、競品；求職者 mapping 工作機會、學(xué)者 mapping 領(lǐng)域內(nèi)的論文等等。人們做類似的 mapping 原本都需要花費大量的搜索時間，現(xiàn)在都可以把它交給 Websets。

Exa 的 Websets 本身也是一個定義得很好的 agent 形態(tài)，RL 最擅長在 verifiable environment 中不斷增強能力解決一個端到端的問題，Websets 根據(jù)用戶的 criteria 構(gòu)建出一個表格是很容易 verify 搜索結(jié)果是否符合用戶定義的標(biāo)準(zhǔn)的。

08.Exa 面對的挑戰(zhàn)和競爭

作為面向 Agent 的 search engine，Exa 常常被拿來和 Google、LLM，Deep research 進行對比。

首先，Exa 不會顛覆 Google，它做的是 Google search 做不了的事情。

舉個最直觀的例子，如果在 Google 搜索 “AI start ups with VC funding based in California” ，根據(jù)關(guān)鍵字匹配的邏輯，返回的結(jié)果通常是某個博主寫的“Top 10 AI companies  in California”之類的博客。相比之下，Exa 可以根據(jù)相關(guān)性的邏輯返回一個個具體的公司。

Exa 的回答

Bing 的回答

Google 的回答（Google 的廣告是最多的）

另外對比現(xiàn)在的搜索市場。Google 收入上限通常受限于廣告變現(xiàn)能力，例如 Google 每千次瀏覽可能賺 1 美分左右，因此每頁瀏覽的語言模型推理成本必須遠低于此收入才能盈利。目前 LLM 的競爭讓其成本急速下降，這也為重新設(shè)計 AI-native 的搜索算法打開了可能的窗口。

Exa 不和 LLM 競爭，而更像 LLM 的補充工具。作為 agent infra, Exa

定位是在 LLM 的能力之上構(gòu)建實時的、最相關(guān)的 search engine，將 LLM 的智能與互聯(lián)網(wǎng)的知識鏈接起來。

從 deep research 的角度看競爭， deep research 能不能實現(xiàn) Websets 的能力？我們認(rèn)為 Exa 的 Websets 是比 deep search 定義更清晰的 agent。這里用一個測試?yán)觼碚f明 Exa 和 deep search 的差異點。

我們給出的 prompt：“act as a recruiter, help a AI-native startup look for 10 software engineers with Rust programming experience who are currently in San Francisco”，以下分別是 Exa、Grok3 deep research 和 ChatGPT deep search 的輸出結(jié)果：

這三個產(chǎn)品中，只有 Exa 輸出了一系列符合要求的聯(lián)系人：

Grok 3 deep search 的輸出的是 HR 應(yīng)該以什么步驟、什么渠道發(fā)布 job description：

ChatGPT  deep search 輸出的是 10 份招聘信息：

Deep research 專注搜索+推理研究，Exa Websets 更專注搜索。論智能、論速度、論研究能力，Exa 其實都不是 ChatGPT 和 Grok 3 deep research 產(chǎn)品的對手。Exa 的差異位在于利用 built from ground up 的 index、vector，用自研的模型提供最相關(guān)的搜索。因此 Exa 更有可能成為 Deep research 產(chǎn)品底層的信息 infra。

在“AI搜索”的語境中，Exa 的競爭對手并不是 perplexity 等 AI 搜索產(chǎn)品，而是其他圍繞 context 場景提供價值的 Agent Infra，其中的典型代表是 Brave Software。Brave Software 的產(chǎn)品包括瀏覽器 Brave Browser、搜索產(chǎn)品 Brave Search，插件助手 Leo AI 等。

Brave 成立于 2015 年，CEO Brendan Eich  是 JavaScript 的創(chuàng)造者，曾是 Mozilla 的聯(lián)合創(chuàng)始人。

2025 年 2 月推出的 Mistral 的聊天機器人平臺 Le Chat 就使用的是 Brave 的搜索 API 獲取實時網(wǎng)頁結(jié)果。3 月下旬 Claude 推出了網(wǎng)頁搜索功能，目前不清楚由哪個搜索引擎提供支持，但根據(jù) TechCrunch 信息，Claude 有可能在使用 Brave Search 作為搜索引擎。

09.融資和經(jīng)營

融資方面，Exa 2021 年成立，2021 年 8 月份是在 YC accelerator 拿了 13 萬美金；隨后 9 月份融了 500 萬的種子輪，投資者有 Lombardstreet Ventures, TSVC, Pioneer Fund，Helium-3 Ventures，Atypical Ventures, Pi Campus, Soma CAPItal 和 SLVC。2024 年 7 月，公司進行了 2200 萬美金的 A 輪融資，由 Lightspeed 領(lǐng)投，英偉達， YC，WndrCo 和 Haystack 跟投。估值方面并未透露。

經(jīng)營方面，Exa 主要通過 API 創(chuàng)收，將其出售給擁有 AI 應(yīng)用的企業(yè)或需要內(nèi)部構(gòu)建 agent 的公司，例如金融、銷售行業(yè)，用例涵蓋了非常廣泛的領(lǐng)域。公司在 2024 年 7 月 A 輪融資時透露：目前用戶數(shù)量在數(shù)千家，收入在過去幾個月內(nèi)增長了 3 倍。如果我們按 1000* 800/月*12月來估算，ARR 至少 960 萬美金，但考慮企業(yè)的合同都是高度定制化的，所以實際收入應(yīng)該更多。