Exa
為 AI 代理打造的搜尋 API,自建網路索引與檢索模型,提供 Lite 到 Deep 多段延遲的搜尋、網頁內容擷取、研究代理與 MCP 伺服器
Exa 是專門給 AI 應用與代理呼叫的搜尋引擎 API,跟把 Google 結果轉包出來的服務不一樣,它自己爬網、自己建索引、自己訓練嵌入與檢索模型。官網說目前有 50 萬名開發者在用,Cognition 的共同創辦人在官網上說「Exa powers all parts of Devin」,Devin 這個程式代理的搜尋就是它在跑。最新一代叫 Exa 3.0,官方宣稱在 BrowseComp、DSQA、WideSearch 這些搜尋代理的基準測試上領先。
功能特色與適用場景:Search API 有三種速度可選,Lite 約 450 毫秒、Auto 約 1 秒、Deep 約 10 秒,Deep 會做多步驟推理搜尋並輸出附引用的結構化結果;可以限定新聞、公司、研究論文、人物、財務等類別。它的 highlights 功能用專門模型只擷取網頁裡最相關的段落,官網說每週有高達 25 兆 token 是以這種精簡摘錄餵給模型,能明顯省下 context 費用。Contents API 把任何網址(包括 JavaScript 渲染的頁面與 PDF)轉成乾淨、適合 LLM 的文字。Agent 端點跑多步驟研究、名單建立與資料補充,例如「找出所有做航太的公司並列出 CEO 與成立年份」,能從超過 7,000 萬家公司的資料裡抽出結構化欄位;Monitors 則按排程重跑搜尋,有新結果就用 webhook 通知。Exa Library 把人物、公司、SEC 文件、財報電話會議、專利、法院判決、Podcast 等整理成可搜尋的結構化集合,Exa Connect 再接上第三方付費資料源。對工程師最方便的是官方 MCP 伺服器,可以直接接到 Claude、Cursor、Codex、VS Code,少量使用不需要 API 金鑰;另有專門搜 GitHub 儲存庫、技術文件與 Stack Overflow 的程式碼檢索。
給台灣使用者的建議:做 RAG、AI 研究助理或業務名單工具的團隊最用得上。免費每月 10 美元額度,以 Auto Search 每 1,000 次 7 美元計算,大約可以試 1,400 次搜尋,夠做完整的原型。繁體中文內容可以搜得到,但索引以英文網路為主,台灣在地新聞或 PTT 這類內容的覆蓋率不如英文,建議實測自己的查詢再決定。企業版有 SOC 2 Type II、HIPAA(可簽 BAA)與零資料保留,醫療或金融業可以從這裡談。跟 Tavily、Firecrawl 比,Exa 的差異在於自建索引與語意檢索,Firecrawl 偏向爬取指定網站。
TheAI學院 編輯建議
編輯實測後的真心話Exa 是少數真的自己建索引的 AI 搜尋 API,Devin 用它不是沒有原因。我覺得它最被低估的是 highlights,只餵相關段落給模型,context 費用省很多。台灣團隊唯一要小心的是中文在地內容,先拿自己的查詢跑一輪再決定。
主要功能
- Search API:Lite(約 450 毫秒)、Auto(約 1 秒)、Deep(約 10 秒)三段延遲,可限定新聞、公司、論文、人物等類別
- highlights 精簡摘錄與 Contents API,把網頁、JS 頁面與 PDF 轉成適合 LLM 的文字
- Agent 端點做多步驟研究、名單建立與結構化資料補充,附引用
- Monitors 排程重跑搜尋並以 webhook 通知新結果
- 官方 MCP 伺服器與 Agent Skills,可接 Claude、Cursor、Codex、VS Code
- Exa Library 結構化集合與 Exa Connect 第三方資料源
如何使用 Exa
- 到 dashboard.exa.ai 註冊並建立 API 金鑰,免費帳號每月有 10 美元額度
- 安裝官方 Python 或 JavaScript SDK,先用 Auto Search 測試幾個實際查詢
- 開啟 highlights 或呼叫 Contents API,只把相關段落餵給模型以節省 token
- 需要深入研究或建名單時改用 Deep Search 或 Agent 端點,並設定結構化輸出
- 想在 Claude Code、Cursor 裡直接用,就把 mcp.exa.ai 加入 MCP 設定
適用場景
- 為 RAG 或 AI 助理加上即時網路搜尋與引用
- 讓 Claude Code、Cursor 透過 Exa MCP 查最新的套件文件與 changelog
- 業務團隊用 Agent 端點建立目標公司名單並補上 CEO、成立年份等欄位
- 投研團隊監控特定主題新聞並以 webhook 推送
- 研究人員搜尋論文、專利與法院判決
Exa 的優點與缺點
優點
- 自建索引與檢索模型,語意搜尋品質在 AI 代理場景表現突出
- 價格依端點公開透明,免費每月 10 美元額度就能做原型
- MCP 伺服器少量使用免金鑰,接進程式代理很快
- 企業版有零資料保留、SOC 2 Type II 與 HIPAA
缺點
- 索引以英文網路為主,台灣在地中文內容覆蓋較弱
- Deep Search 與 Agent 成本明顯高於一般搜尋,大量使用要控管
- 純 API 產品,需要工程能力才能用
價格方案
免費:每月 10 美元額度(完成引導另送一次 10 美元),可用所有端點、每秒 10 次搜尋;Developer 依用量付費,每 1,000 次請求 Lite Search 4 美元、Auto 7 美元、Deep 12 美元、Answer 5 美元,Contents 每 1,000 頁 1 美元;Agent 每 ACU 0.1 美元;Enterprise 報價制。新創與教育單位可申請最高 1,000 美元額度。以官網為準
Exa 常見問題
Exa 免費嗎?
新帳號每月有 10 美元免費額度,完成引導再送一次 10 美元,不需綁卡、可用所有端點。超過後依用量付費,例如 Auto Search 每 1,000 次 7 美元、Contents 每 1,000 頁 1 美元,以官網為準。
Exa 和 Tavily 怎麼選?
兩者都是給 AI 代理用的搜尋 API。Exa 自建索引並訓練自己的檢索模型,強項是語意搜尋、Deep 研究與公司、人物等結構化資料;[Tavily](/tools/tavily) 上手簡單、整合 LangChain 等框架很普遍。建議用自己的查詢各測一輪。
Exa 可以接到 Claude 或 Cursor 嗎?
可以。Exa 提供官方託管的 MCP 伺服器(mcp.exa.ai),能接 Claude、Cursor、Codex、VS Code 等支援 MCP 的工具,少量使用不需要 API 金鑰。
Exa 搜得到中文內容嗎?
搜得到,但索引以英文網路為主,台灣在地新聞與論壇的覆蓋不如英文內容完整,用於台灣市場前建議先實測。
使用者評價
還沒有足夠評價,搶先分享你的使用心得!
寫下你的評價
Exa 的替代方案
查看相似的 AI 工具 →相關 AI 工具
Claude
Anthropic 的 AI 助理,長文件與寫作品質是它的主場。
telemetry.dev
把 AI 代理每一次模型呼叫、工具步驟與檢索串成一條 trace,看出哪一步最慢、哪個模型最燒錢、哪個 MCP 工具最常失敗
agentmash
隊友的 Codex 正在改同一個檔案,你的 Claude Code 動手前就會收到通知;按開發者計費,代理不限數量
Pluto Door
用白話描述問題,Ori 讀 log、跑指令,改動前一定問你;另外把每台 Linux 主機變成有 Dock 和視窗的桌面
Backenly
代理透過 MCP 建好資料庫、登入與儲存,Backenly 每分鐘巡檢並自動修安全範圍內的問題,刪表這類動作一律等人核准
Spacesheep
代理寫好的 HTML 或資料夾一行指令發布成私人網址,人和代理都能留言、改版,還能送電子簽署與接即時資料
猜你也想看的AI 開發者工具
更多美國的 AI 工具
同樣來自美國的 AI 工具,一起看看。
Exa 相關文章與教學
Exa 評測:值得用嗎?
一句話總評
Exa 是「為 AI 打造的搜尋引擎」——用語意(而非關鍵字)搜尋網路,回傳適合 LLM 使用的高相關結果,是開發 AI 搜尋與研究應用的利器。
實際用起來如何
Exa 用嵌入式語意搜尋,能依「意思」找到相關網頁,而非只比對關鍵字,並回傳乾淨內容供 AI 使用。它常被用來給 AI 應用做網路研究、找相似內容與即時資訊。對開發 RAG、研究型 AI 應用的開發者很實用。
最強的地方
- 語意搜尋:依意思找,不只關鍵字。
- 為 AI 設計:結果適合 LLM 使用。
- 找相似內容強。
比較可惜的地方
- 偏開發者:一般人用不到。
- 用量計費。
- 需整合:是 API 而非現成 App。
適合誰、不適合誰
適合:開發 AI 搜尋、研究與 RAG 應用的開發者。
比較不適合:要現成搜尋介面的一般使用者(用 Perplexity)。
價格值不值
對要為 AI 應用做高品質網路搜尋的開發者,很實用、值得。
替代方案
- AI 搜尋 API:Tavily
- Google 搜尋 API:Serper、SerpApi
- 現成研究:Perplexity
TheAI學院 評測結論
Exa 把「語意搜尋」做給 AI 用,是開發研究型 AI 應用的好基建。它是給開發者的 API,一般人用 Perplexity 即可,但要為 AI 接高品質搜尋,Exa 很專業。延伸閱讀:打造企業 AI 知識庫。
本評測由 TheAI學院編輯群整理,內容力求客觀、含優缺點,僅供參考。
最後更新:2026年10月