大模型时代，如何打造专为 AI Agent 服务的搜索引擎？

AI_小站

墨衍会员 · AI 创作全网分发码龄3年

关注

原创最新推荐文章于 2026-09-27 10:37:14 发布 828 阅读 AI 写同款· GEO 优化 ›

AI Agent vs. Agentic AI | 一文带你了解：什么是AI Agent，什么是Agentic AI？一文带你了解Agentic AI 阅读详情

在大模型还没火起来的一年前，Will Bryk 就已经投身于一件听起来有些疯狂的事情：从零开始，构建全新的网络爬虫和搜索引擎。

他的目标不是简单地复制或改进 Google，而是要创造一个能「智能地」抓取网络、从海量 SEO 垃圾信息中精准找到高质量信源的系统。

也许他自己也没想到，这个系统竟然成为 AI Agent 时代最关键的基础设施之一。

今天，这家名为 Exa AI（曾用名 Metaphor）的初创公司，宣布获得了由 Benchmark 领投，Lightspeed、Nvidia 和 YCombinator 跟投的 8500 万美元 B 轮融资，估值达到 7 亿美元。

Exa 的客户名单上，已经出现了 Databricks、Cursor、LlamaIndex 这样的明星公司。

他们都在使用 Exa 的 API，为自己的 AI 产品提供信息源。这也正是 Exa 的独到之处：服务于 AI，而非服务于人类。

在 Will Bryk 看来，当前的一个根本性错位在于：当 AI Agent 开始像人类一样思考和工作时，它们用来「看世界」的眼睛——搜索引擎——依然是为我们这些「碳基生物」设计的旧时代产物。

将传统搜索引擎作为 AI 的知识库，就像给 F1 赛车装上了马车的轮子。而 Exa 要做的，就是为这辆 F1 赛车，重新发明轮子。

换句话说：AI 需要全新的搜索引擎，一个为 AI 而非为人类设计的搜索引擎。

故事的开端：在 ChatGPT 诞生前夜，选择挑战 Google

故事要从 2021 年说起，那时 ChatGPT 还未诞生，仍是属于 GPT-3 的时代。

当时，Will Bryk 被 GPT-3 的魔力深深吸引。但他也发现了一个矛盾的现象：

• 一方面，GPT-3 已经能够理解自然语言，只需要详细描述意图，GPT 就能生成符合要求的输出。
• 另一方面，Google 在执行很多看似简单的查询时，经常难以匹配用户的实际需求。

比如，在 Google 上搜索 「shirts without stripes」（没有条纹的衬衫），返回的结果里却充斥着各种带有条纹的衬衫。

这看上去并不是什么大问题，但却暴露了传统搜索引擎的根本性缺陷：它并不真正「理解」语言，本质上是在进行关键词匹配。

这种反差让 Will 产生了一个大胆的想法：为什么不能将 GPT-3 的那种深度语义理解能力，与搜索引擎的广度结合起来，创造一个能真正听懂人话的下一代搜索引擎？

他们当时认为：世界需要一个比 Google 更好的搜索引擎。未来的搜索工具应该能让用户以前所未有的方式获取网络信息。

这个搜索引擎能够满足用户这样的搜索要求：

给我所有在纽约、拥有个人博客的机器学习工程师，并按他们的从业年限排序。

这种复杂的、数据库式的查询，在 Google 上是无法实现的。

Will 和他的团队坚信，这就是信息检索的未来。

这是一个非常宏大的想法。如果我们能真正解决这个问题，它将改变世界。

2021 年夏天，Will 和他的团队加入了 Y Combinator，并筹集了数百万美元的启动资金。然后，他们做了两件不太一样的事情：

1. 把筹到的一半的钱花在 GPU 集群上。
1. 在长达一年半的时间里，他们没有接触任何用户或客户，而是埋头进行纯粹的算法研究。

在 Will 看来，这是必要的。

因为他们必须要解决一个极其困难的问题：用与 GPT-3 相同的技术——基于 Transformer 的「下一个词元预测」思想，来从零开始重新设计搜索。

核心理念：用「神经方法」取代「关键词索引」

传统搜索引擎是如何工作的？

传统搜索引擎的核心是一个巨大的「倒排索引」。它会为海量的网页文档建立一个索引，映射出每个「关键字」出现在哪些文档中。当用户搜索时，系统通过复杂的关键字比较算法，找出最相关的结果。

尽管 Google 的实际算法远比这复杂，包含了 PageRank 等其他信号，但核心依然是关键词匹配。

而 Exa 设想的路径则完全不同。

Transformer 带来的最大变革是，我们不再将文档看作一堆关键词的集合，而是可以将其转化为「嵌入向量」(embeddings)。

Embedding 是一个由数字组成的列表（即向量），它可以捕获远比关键词丰富得多的信息。它不仅包含文档中的词语，还包含了词语背后的含义、思想，甚至是人们在网络上如何引用和讨论这个文档的方式。一个 embedding 可以任意强大，包含的信息可以任意丰富。

所以，从极限角度来看，embedding 必然会碾压关键词。

这种做法可以看作是 The Bitter Lesson 的实践 —— 强大的、可扩展的计算（比如深度学习）最终总能战胜依赖人类专家知识的系统。

Exa 想做的，就是训练一个巨大的 Transformer 模型，让它学会为网络上的每一个文档生成高质量的 embedding。通过不断地喂给模型更多、更高质量的数据，创造出一个真正「懂你」的搜索引擎。

在搜索时，整个流程也变得不同。当查询「shirts without stripes」输入时，Exa 不会去拆解关键词，而是将这整个句子也转换成一个 embedding，然后在由数万亿文档 embedding 构成的向量空间中，寻找语义上最接近的文档。

这个看似简单的例子，背后却是搜索范式的根本性变革。它意味着，搜索引擎终于开始从「匹配字符」走向「理解概念」。

经过一年半的艰苦研发，经历了一次又一次的训练和模型迭代，他们终于成功了。

2022 年 11 月，Exa 的第一个版本正式上线。当用户在 Exa 上搜索「shirts without stripes」时，返回的结果真的就是不包含条纹的衬衫。

这在当时的 Twitter 上引起了轰动。用户发现，Exa 可以满足各种以前无法想象的、更长、更复杂的查询。

然而，仅仅两周后，一个「小小的」发布，彻底改变了世界。

ChatGPT 来了。

ChatGPT 的横空出世，让 Exa 团队一度陷入了迷茫：在一个强大的 LLM 可以直接回答问题的世界里，搜索还有存在的必要吗？

LLM 不是搜索引擎的对手，而是未来唯一的客户

答案很快就变得清晰：有，而且至关重要。

原因很简单：因为 LLM 并非无所不知。

一个简单的信息论就能证明这一点：GPT-4 模型的权重参数，即使有数万亿个，其存储的信息量也可能不到 10TB。而整个互联网的数据量，早已超过了百万 TB，如果算上图片和视频，更是进入了 Exabyte 级别。

我们的公司名叫 Exa，这并非巧合。

此外，真实世界的互联网是持续不断更新的，而 LLM 的训练是周期性的。

模型的权重不可能存储下不断膨胀互联网，所以 LLM 必须依赖外部搜索来获取知识，这个需求是刚性的，而且是长期的。

未来，搜索引擎主要服务的客户将不再是人类，而是 AI。

这个认知，让 Exa 团队彻底从「被颠覆」的恐慌中走了出来，并找到了自己全新的定位：如果说 LLM 是未来的通用大脑，那么 Exa 就要成为这个大脑获取外部知识的唯一、也是最好的接口。

当 LLM 与 Exa 这样的搜索引擎结合，它就能回答以前无法回答的问题。

比如，当用户问「帮我找一些在旧金山，对信息检索感兴趣的工程师的个人网站」，LLM 可以调用 Exa 进行搜索，获取相关的网站列表，然后整理出完美的答案。

LLM + Search，在今天看来已经是显而易见的组合。

但 Will 认为，这里仍然存在一个大多数人尚未意识到的秘密：

传统搜索引擎，是为人类设计的，不是为 AI 设计的。

过去几十年来，所有的主流搜索引擎——Google、Bing 等等，都是为一个特定「物种」优化的：缓慢的、使用血肉之躯的、懒惰的人类。

这些「人类用户」有以下特点：

• 输入简短的关键词：因为懒得打字。
• 只关心少数几个链接：没有耐心浏览上百个结果。
• 受页面 UI 和权威性影响：PageRank 正是为此而生。

Google 对于服务人类用户，已经做到了极致，它总能猜到你会点击什么。

但 AI，则是完全不同的「物种」。

AI 吞噬信息的速度快得惊人。作为信息消费者，AI 的特点与人类截然相反：

• 能使用复杂、精确、冗长的查询：AI 没有「懒惰」的概念，可以把所有上下文都作为查询条件。
• 需要海量、全面的知识：AI 不满足于 10 个链接，它想要 1000 个、10000 个，并有能力在瞬间处理完所有信息。
• 追求信息密度和原始数据：AI 不在乎漂亮的 UI，只关心数据本身是否精确、可控。

如果为人类优化的算法，同样也适用于 AI，那才是一件怪事。现在很多所谓的 AI 搜索工具，只是简单地将传统搜索引擎和 AI 结合，这就像用错误的拼图碎片硬凑在一起，根本不匹配。

Exa 真正要思考的，就是为 AI 这个新物种，量身打造一个属于它们的搜索引擎。

AI 需要的搜索：精确、上下文与全面

那么，一个专为 AI 设计的搜索引擎，究竟应该是什么样子？Will 举了几个生动的例子：

1. AI 需要精确可控的信息，而不是「人类喜欢点击」的结果。

想象一个风险投资人 (VC) 使用 AI 助手来寻找投资机会。他可能会提出一个非常具体的要求：「寻找那些感觉像是下一个贝尔实验室的初创公司。」

AI 助手接收到这个指令后，会去调用搜索引擎。

如果它调用的是 Google，返回的结果很可能是几篇关于贝尔实验室历史的文章、一些科技新闻报道，或者是那些在 SEO 上做得很好、标题里包含「贝尔实验室」的公司。这些是人类用户可能会点击的链接，但信息密度极低，也并非 VC 真正想要的。

而 AI 想要的，是一个直接返回符合条件的公司列表。

如果一个搜索引擎，能真正返回你所要求的东西，而不是它猜测你会点击的东西，世界会变成什么样？

在一个 AI Agent 的世界里，用户与 Agent 交互，Agent 会在后台进行成百上千次搜索。它可能先搜索「类似贝尔实验室的初创公司」，然后细化搜索「位于纽约的这类公司」，再加入更多限定条件。

AI Agent 需要的是一个纯粹的、精确的、像数据库查询一样可靠的 API。

2. AI 需要利用海量的上下文进行搜索。

一个优秀的 AI 个人助理，会记录你一整天的对话和偏好。它了解你的职业、你的喜好、你的日程。此时，当你让它帮你找餐厅时，它不应该只用「餐厅」这个词去搜索。

它应该能发起一个包含多段文字的复杂查询，例如：

我的用户是一名软件工程师，住在 XX 社区，喜欢安静的环境，偏爱亚洲菜系，预算在人均 50-100 美元之间，请帮我找到符合这些条件的餐厅。

传统搜索引擎无法处理这样的查询，因为人类用户永远不会输入这么长的内容。Google 对查询长度有几十个关键词的限制，它们的整个系统都是围绕简短查询优化的。

而 Exa，则可以轻松处理多段落的文本查询。它能将全部的上下文信息编码到查询 Embedding 中，从而实现前所未有的个性化和精确度。

3. AI 需要全面、完整的知识，而非 Top10 链接。

如果你给一个人类 10000 个网页，他会不知所措。但这对于 AI 来说，并行处理可能只需要 3 秒钟。

一个 VC 想分析某个赛道的所有公司，他需要的是真正意义上的「所有」公司，而不是 Google 找到的前 10 或 20 个。获取全面的数据，其价值是无可估量的。

这就要求搜索引擎不仅能理解「所有由 YC 资助的、从事 AI 领域的创业公司」这样的语义查询，还要能一次性返回成千上万条结果。这在传统搜索引擎中同样是不可想象的。

通过这些例子，Will 勾勒出了一个远比我们想象中更广阔的「查询空间」。

1. 关键字查询。在 2022 年之前，我们都处在这一部分，使用「Stripe 定价」、「Taylor Swift 男友」这类简单查询。
1. 生成式查询。2022 年之后，LLM 开辟了新的世界，可以通过生成回答「像对一个五岁小孩一样解释这个概念」、「帮我调试这段代码」这样的问题。
1. 语义查询和复杂结构化查询。这正式 Exa 正在探索的，比如「在旧金山懂汇编语言的人」或「所有由 Z 这类作者撰写的、支持 X 观点而非 Y 观点的文章」。

这实际上是将整个互联网变成了一个可以任意过滤和查询的数据库。这正是 AI Agent 所需要的，一个能让它们完全控制、按需获取任何信息的系统。

「一个 API 获取一切」：为 AI 打造的搜索基础设施

One API to get any information from the web.

Exa 的目标，是提供一个统一的 API，不仅能处理传统的关键词查询，也能处理复杂的语义查询，最终覆盖所有可能的查询类型，成为 AI 系统获取知识的终极入口。

与传统搜索 API 不同，Exa 的 API 提供了大量的控制开关。开发者可以精确指定返回结果的数量（10、100、1000）、时间范围、只在特定域名内搜索等等。

你确实需要这些控制选项，因为调用这个 API 的是你的 AI 程序，你需要让它拥有完全的控制权。

更关键的是，Exa 允许开发者在 「神经搜索 (neural search)」 和 「关键词搜索 (keyword search)」 之间自由选择。

• 神经搜索：适用于那些模糊的、概念性的、需要理解深层语义的查询。例如，「旧金山喜欢信息检索的工程师的个人网站」。
• 关键词搜索：适用于那些目标明确、专有名词多的查询。例如，「Will Bryk 的 GitHub 页面」。

一个优秀的 AI Agent，应该能够智能地决策在何种场景下使用何种搜索方式。

Will 演示了一个「GitHub Agent」的例子，它需要找到「所有在旧金山喜欢信息检索的工程师的 GitHub 页面」。

这个 Agent 的工作流是：

1. 第一步（神经搜索）：发起一次神经搜索，查询「personal sites of engineers in San Francisco who like information retrieval」，获取一个符合条件的工程师个人网站列表。
1. 第二步（关键词搜索）：从返回的网站中提取出工程师的姓名，然后对每个姓名发起一次关键词搜索（例如「John Doe GitHub」），精准地找到他们的 GitHub 链接。

这种将不同类型搜索组合起来的能力，赋予了 AI Agent 前所未有的灵活性和强大功能。

此外，Exa 还推出了一个名为 Research 的新功能。它将复杂的搜索流程和 LLM 调用封装在后台，用户只需提出一个研究性问题（比如「给我一份关于美国所有航天公司的报告」），API 就能返回一份结构化的、深度研究后的报告。

这已经超越了「搜索」，更像是答案引擎或研究引擎。