Exa Agent 把搜索和模型打包成一个 API，成本比 GPT-5.5 低一半，适合做深度调研和名单构建。
Exa 发布 Exa Agent，一款托管式 Web Research Agent API，将前沿模型与自研搜索工具链打包成单一接口。系统采用任务分解与并行子 Agent 架构，适合 WideSearch 类大规模数据集调研。其 Model Fusion 技术根据任务动态混合使用高性能模型与性价比模型以优化成本。Exa Highlights 模型可将 token 用量最高削减 94%。在 WideSearch 基准上，Exa Agent 以 Row-F1 指标与 Perplexity Agent Pro、Opus 4.8 等对比，达到成本效率 Pareto 前沿。
Exa 正式发布「Exa Agent」：托管式 Web Research Agent API，把前沿模型与 Exa 自研搜索工具链打包成单一接口，面向「深度调研、名单构建、实体 enrichment」...
Exa 正式发布「Exa Agent」：托管式 Web Research Agent API，把前沿模型与 Exa 自研搜索工具链打包成单一接口，面向「深度调研、名单构建、实体 enrichment」三类任务 exa.ai/blog/exa-agent # 技术路径：三层叠加 1. 任务分解 + 并行子 Agent 面对大规模数据集或宽口径调研，系统会把任务拆成多个子任务，按领域并行派生子 Agent。这是典型的 Map-Reduce 式研究架构，适合 WideSearch 类「多实体 × 多字段」任务。 2. Model Fusion（模型融合） 不固定用单一最强模型，而是 按任务动态混用 frontier 模型与高性价比模型，在质量与成本之间做路由。Blog 未披露具体路由策略，但方向清晰：把算力花在「难的地方」，简单子任务用便宜模型。 3. Token 效率：Highlights 模型 Blog 再次强调 Exa Highlights——据称可将 token 用量 最高削减 94%。对 Agent 工作流而言，这直接决定：同样预算下能读多少网页、做多少轮检索，是成本优势的重要来源之一。 # 评测设计：WideSearch 与 Row-F1 Blog 重点展示了 WideSearch 基准（2025年8月发布），任务形态是：从全网聚合原子信息，输出结构化表格（实体 + 多列 enrichment）。 Exa 采用的评分方式是 Row-F1： · 一行算成功，必须 实体匹配正确 + 所有必填列均有效 · 他们曾试过 Cell-level F1，但认为过于宽松——单列对了、实体错了也会得分 这个选择本身合理：更贴近 B2B 场景（CRM enrichment、竞品表、融资名单）的真实需求，而不是学术 QA 的「部分正确也给分」。 Blog 图表将 Exa Agent High 与 Perplexity Agent Pro、Parallel Task Ultra、Opus 4.8、GPT 5.5 对比，维度是 Row-F1 vs 单次查询成本，Exa 在 Pareto 前沿上占优。 # 应用场景 1. Finance Agent 实时抓取全网财务/融资/产品动态，聚合为自定义格式 2. GTM / Sales 自带账户列表做 enrichment，或由 Agent 生成数十至数百实体名单 3. Company Research 多维度公司简报（融资、产品、合作、高管、GitHub 等） 4. Literature / Code Review 文献综述、代码相关调研 Exa @ExaAILabs Introducing Exa Agent: frontier web research at less than half the cost of GPT 5.5 and Opus. /agent orchestrates a mixture of cost-effective models to complete any web research task, from simple data enrichments to building gigantic lists. Your browser does not support the video tag. 🔗 View on Twitter 🔗 View Quoted Tweet 💬 0 🔄 0 ❤️ 2 👀 482 📊 1 ⚡