2026年10月20日，AI搜索初创公司 Exa 正式发布 Exa 3.0 版本搜索API。该版本在官方基准测试中于八个核心指标上超越竞品 Perplexity，并同步开放开发者申请通道。这是Exa自成立以来最大规模的产品迭代，也标志着AI搜索赛道从”答案引擎”向”基础设施层”的竞争转移。
一句话结论：Exa 3.0以”AI原生检索”重新定义了搜索API的价值——它不是帮人找答案，而是给大模型喂信息。对于RAG系统开发者和AI Agent架构师而言，这是一次值得关注的产品升级。
Exa 3.0是什么：专为AI搜索设计的发动机
传统的搜索引擎以人类可读性为核心，页面标题、摘要、段落结构都服务于”人找信息”的场景。当用户输入一个查询词，搜索引擎返回的是经过 SEO 优化、面向人类阅读习惯排列的网页列表，每个结果都是一篇经过编辑摘要的”半成品”。
但当大模型需要实时补充知识时，这种面向人的搜索结果格式反而成了障碍。模型需要的是结构化的、能直接嵌入上下文的原始材料，而非经过人工编辑的摘要。更重要的是，模型需要的是可验证的引用——当模型引用一段文字时，它需要知道这段文字来自哪个 URL、哪个段落、哪个时间点，而传统搜索的摘要格式无法提供这种粒度的引用信息。
Exa 正是抓住了这一需求空白。3.0版本在底层索引和检索算法上做了大幅升级，支持更长单次查询的上下文窗口，并通过神经元检索技术（类似向量检索但结合了关键词权重）实现语义级别的精准匹配。与传统 BM25 算法相比，Exa 在长尾专业术语查询上的准确率提升明显——例如在”Transformer架构中LayerNorm的位置”这类需要精确技术知识的问题上，Exa的返回结果更加相关。
此外，Exa 3.0增加了对多种文件类型的原生支持，包括 PDF、GitHub 代码片段和结构化数据表，这使得它特别适合作为 AI Agent 的外部知识库调用——Agent 可以直接搜索并引用 PDF 文档中的具体段落，而不需要先把整个文档向量化再检索。
基准测试：8项指标全面超越Perplexity
Exa 团队同期发布了标准基准测试结果，覆盖以下八个核心维度：
- 检索相关性：返回结果与查询意图的匹配程度，Exa 3.0在学术论文和技术文档类查询上领先
- 答案完整性：模型基于检索结果能回答完整答案的比例，Exa因返回更丰富的上下文而占优
- 引用准确率：模型引用段落在原文中的准确程度，Exa的结构化输出使引用更精确
- 响应延迟：P95 延迟，Exa 3.0通过优化索引结构将延迟降至同类最低区间
- 幻觉率：模型基于检索结果生成的内容与原文不符的比例，Exa 3.0通过强制引用机制降低幻觉
- 多跳推理：需要综合多个文档才能回答的复合查询（如”A和B公司采用的AI策略有何异同”），Exa的多跳检索模块表现突出
- 实时性幻觉抑制：当检索结果覆盖最新信息时，模型生成内容与最新公开数据的一致性
- 上下文窗口利用率：在长文档检索场景下，有效上下文 tokens 的利用效率
需要说明的是，这组基准测试由 Exa 团队自行设计并执行，尚未经过第三方独立机构验证。历史上，厂商自测基准普遍存在对自家产品有利的偏差，建议关注后续 LMSYS Chatbot Arena 等独立平台的对比数据。
AI搜索赛道格局：从”答案引擎”到”工具层”
Exa 3.0的发布让AI搜索赛道的竞争从产品层向工具层延伸。两条路线的定位差异正在扩大：
Perplexity定位是面向终端用户的”答案引擎”，核心竞争力是简洁的对话界面和点击可溯源的体验，用户直接输入问题获得带出处的答案。其护城河在于品牌知名度和用户体验设计，但在 API 稳定性和机器可读性上并非最优。
Exa的定位是面向开发者和AI应用的”基础设施”，核心竞争力是 API 的稳定性、高吞吐量和机器可读性。Exa 的用户是大模型工程师和 AI Agent 开发者，他们不需要 UI，只需要能在代码里调用的可靠检索服务。
两条路线并非零和竞争。大量 AI 应用实际上是两层叠加：用 Perplexity 做人类用户的前端查询，用 Exa API 做 Agent 的后台检索。这种分层架构在复杂 Agent 系统中很常见——人类交互层用 Perplexity，处理层用 Exa。
值得关注的是，云厂商正在以”附加功能”的形式切入这一市场：AWS Kendra、Azure AI Search、GCP Discovery Engine 都提供了内置向量搜索的企业搜索服务，且与各自云存储服务有原生集成。对于已经在用某一朵云的客户，这些附加搜索服务的迁移成本很低，这给 Exa 等独立搜索 API 厂商带来持续的定价压力。
定价策略：能否撬动RAG场景
Exa 3.0的定价尚未官方公开完整明细，但参考其上一代产品的历史价格区间（约每千次查询1-5美元），加上本次基准测试的强势表现，业内预期其将定在中端价格区间，以应对来自各大云厂商自带搜索 API 的价格压力。
对于 RAG 场景而言，搜索 API 的成本直接决定了整个系统每千次查询的边际成本。目前主流的方案包括：自建 Elasticsearch 集群（基础设施成本高但边际成本低）、使用云厂商企业搜索服务（按量计费）、使用 Exa/Tavily 等独立 API（价格透明但规模有限）。
如果 Exa 3.0能在保持高质量检索的同时将价格压到每千次 2 美元以下，将对自建 Elasticsearch 集群的企业用户产生明显吸引力——不必维护搜索基础设施，按用量付费即可获得经过优化的 AI 原生检索体验。反之，如果定价高于预期，则可能面临来自云厂商附加搜索服务的直接竞争。
结论与展望
Exa 3.0的发布是 AI 搜索工具层的一次重要升级。8项基准超越 Perplexity 的数据是否经得住独立验证还需要时间观察，但其”AI 原生检索”的产品定位已经清晰——搜索不只是”找答案”，而是”给模型喂信息”，这一逻辑正在被越来越多的开发者接受。
接下来值得关注的三个问题：一是 Exa 3.0 的官方定价策略；二是 Perplexity 是否会推出对应的 API 层产品形成正面竞争；三是各大云厂商自带的向量搜索服务与 Exa 的正面对比测试结果。
Exa 3.0 vs Perplexity vs 传统搜索：核心指标对比
| 维度 | Exa 3.0 | Perplexity | 传统 BM25 |
|---|---|---|---|
| 检索相关性 | 最高 | 高 | 中 |
| 引用准确率 | 最高 | 高 | 低 |
| 响应延迟（P95） | 低 | 中 | 低 |
| 幻觉率 | 最低 | 低 | 高 |
| 多跳推理 | 支持 | 有限 | 不支持 |
| 上下文窗口 | 128K | 32K | N/A |
| 文件类型支持 | PDF/代码/数据表 | 网页为主 | 网页为主 |
FAQ
Exa 3.0和Perplexity有什么根本区别？
核心区别在于目标用户和使用场景：Exa 3.0面向开发者，以 API 形式提供检索能力，适合集成到 RAG 系统或 AI Agent 流程中作为后台组件；Perplexity 面向终端用户，以对话界面直接提供答案，适合人类用户快速获取带出处的信息。两者可以共存于同一个 AI 应用的不同层次。
Exa 3.0的8项基准测试可信度如何？
基准测试结果由 Exa 团队自行设计并发布，尚未经过第三方独立机构验证。历史经验表明，厂商自测结果通常对自家产品有一定美化成分，不同测试集的权重选择也会影响最终得分。建议持续关注 LMSYS Chatbot Arena 等独立平台的后续对比数据，以及社区开发者基于实际使用体验的反馈。
RAG场景选Exa还是Tavily？
两者定位相近，具体选择取决于价格、集成便利性和对特定数据源的支持程度。Exa 在长文档和多跳推理场景上更有优势，且原生支持 PDF、代码片段等多种文件类型；Tavily 在实时新闻检索和社交媒体内容上积累更深，且与主流 AI 开发框架的集成更成熟。建议同时注册两家 API 试用，在自己的实际查询集上跑一次对比，再做最终决定。
相关阅读
- 《DeepSeek Search / Fetch API 上线：RAG 与 Agent 补齐实时检索》——DeepSeek的搜索API定位与Exa相近，适合做横向对比
- 《Qwen3.8-Omni-Flash：29项基准涨25%、API降93%》——API价格战的另一个主角，Qwen也在推动API降价
- 《4个Gemini 4 Argon智能体27小时通关〈我的世界〉》——多智能体协作与Exa的多跳检索在技术上有一定关联
延伸阅读
- 英伟达 Nemotron 3.5 Super VL：1200 亿参数开放权重5 天前
- Anthropic 下架 Claude Haiku 4.5：三档套餐 10/29 移除3 天前
- DeepSeek Search API 上线：RAG 与 Agent 补齐实时检索3 天前
- DeepSeek V4 Pro 正式退役：9月14日起路由至 V4.1 Flash，价格降40%3 天前
继续读
同一批更新里这几篇值得一看：