KeyFrame內部研究專用

The Search Engine for the Agentic Web — Will Bryk, Exa

AI Engineer英文
觀看原始影片

三句話摘要

Exa 搜尋引擎如何為 AI 時代提供完美搜尋,重建人類對真實資訊的理解。 完美的資訊基礎設施不只是技術問題,而是決定人類社會未來的根本需求——而 Exa 正透過 AI 時代的搜尋革命實踐這個願景。 搜尋市場出現根本分歧

重點整理

  1. 搜尋市場出現根本分歧

  2. Google 是為人類設計的推薦引擎,對「不含條紋襯衫」的查詢會返回帶條紋結果,無法處理「找出新加坡所有 AI 搜尋研究者及論文」這類複雜查詢。但 AI 系統需要的是純粹的資料庫層級完美搜尋,兩者需求完全相反。

  3. 技術突破來自神經網路的整合

  4. 2021 年 GPT-3 證明神經網路具備驚人的文本理解能力,創辦人構想若對一兆個文檔執行神經網路匹配就能獲得完美搜尋。但計算成本是每次搜尋需要 1000 萬美元,Exa 用嵌入向量預先編碼所有文檔來解決這個優化問題。

  5. 商業模式的關鍵轉變

  6. 2022 年推出 Metaphor 搜尋引擎後,2023 年 ChatGPT 問世的兩週內收到 API 存取請求,團隊才發現真正的市場:AI 系統將搜尋網路的頻率遠超人類,且會尋求為 AI 優化的完美搜尋而非推薦系統。

  7. 資訊民主化是社會根本需求

  8. 缺乏真實資訊導致人類無法理解世界發生的事,引發被操縱與惡劣決策。完美資訊基礎設施對 2028 年大選等重大事件至關重要,是解決社會協調問題的核心。

實用技巧與重點

  • Exa 客戶:5000+ 家公司
  • 開發者:40 萬位
  • 搜尋速度:200 毫秒端點
  • Token 提取:從 10 份文檔中擷取最重要的 ~100 個 token
  • 客戶應用:Cursor(編碼代理)、HubSpot(市場開發)、多家金融機構
  • 成立時間:2021 年 9 月(5 週年)
  • 首次產品發布:2022 年(名稱為 Metaphor)
  • 轉機時刻:2023 年 ChatGPT 推出後兩週收到 API 請求
  • AI vs 人類搜尋量:預期 2026 年達成逆轉,未來達 1000 倍差距
  • 支援功能:複雜查詢、結構化輸出、領域篩選、時間視窗篩選、排除產品頁面
  • 新市場:Exon(連接私有資料源,讓開發者取得非公開資訊)
  • 典型查詢例:融合公開網頁與 SimilarWeb 私有資料查詢公司月度訪客量

結論

完美的資訊基礎設施不只是技術問題,而是決定人類社會未來的根本需求——而 Exa 正透過 AI 時代的搜尋革命實踐這個願景。

完整解析

Exa 的故事源於一個簡單卻深刻的觀察:Google 雖然強大,但根本上是為人類設計的推薦系統,而非完美的資訊資料庫。搜尋「不含條紋的襯衫」會返回帶條紋的結果,查詢「新加坡所有 AI 搜尋領域的研究者及他們發表的論文」更是無從著手。創辦人意識到,世人活在「訊息無知的混亂」中——沒有人真正理解世界發生什麼。人們無法找到完整資訊,即使找到也難以確認其真實性。這不只影響個人決策,更威脅社會,因為如果民眾無法掌握真實資訊,就無法在 2028 年大選等重大事件中做出明智選擇。缺乏完美的資訊基礎設施,世界將陷入混亂與被操縱。Exa 的使命應運而生。

技術方案的關鍵時刻降臨於 2021 年。GPT-3 的出現證明神經網路擁有驚人的自然語言理解能力。創辦人的思路是:如果能對一兆個網路文檔執行神經網路的文本匹配判斷,就能實現近乎完美的搜尋。但問題在於計算成本——每次搜尋需耗費 1000 萬美元。Exa 的創新在於使用嵌入向量(embeddings)技術,預先將每份文檔編碼成高維向量表示。這樣搜尋時只需快速計算向量相似度,而非重新執行昂貴的神經網路推理。2022 年以 Metaphor 之名推出首個搜尋引擎,但真正的轉捩點發生在 ChatGPT 問世後兩週:一位用戶通過 Twitter 請求 API 存取權。這啟發了團隊的核心洞察。

AI 系統搜尋網路的方式與人類完全不同。人類進行簡單查詢(「SpaceX 新聞」),而 AI 代理則像「瘋狂的資訊吞噬者」,需要深度結構化的完美資訊。無論多龐大的語言模型都無法包含全部網路知識,必須不斷連接檢索引擎。Exa 認識到一個根本事實:AI 搜尋網路的頻率不僅會超越人類,還將達到人類的 1000 倍。既然技術需求如此,何不從一開始就為 AI 優化搜尋引擎,而非複製為人類設計的推薦系統?

今日的 Exa 服務 5000 家公司和 40 萬開發者,包含 Cursor 編碼代理、HubSpot 等多元應用。核心競爭力包括:200 毫秒的超高速搜尋端點(對即時語音代理至關重要)、聰慧的 token 提取技術(從 10 份文檔擷取最關鍵的 ~100 個 token,顯著降低下游 LLM 成本)、支援任意複雜度的查詢、靈活的結構化輸出(如招聘代理可直接取得候選人的代表論文、大學、畢業年份)。最近推出的 Exon 市場允許私有資料提供者與平台整合,開發者因此能查詢融合公開網頁與非公開資料的結果,創造新的資料經濟生態。創辦人展望 2027 年的願景是:人人都能在一秒內獲得相當於一年研究的資訊品質,讓全球民眾走入 2028 年大選時擁有近乎完美的資訊,解決人類社會長期以來的協調失敗問題。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。