独家丨哈佛华人校友创办的AI搜索公司Exa完成C轮融资，要做Agent时代的谷歌

来源类型： 微信公众号文章
日期： 2026-06-02
标签： AI, 办公效率, 编程, 机器人, 芯片, 大模型
原文链接： https://mp.weixin.qq.com/s/yw9paNig5wfD1g7YnU7Szg

摘要

专为 AI 构建搜索引擎的基础设施公司 Exa 宣布完成 2.5 亿美元 C 轮融资，投后估值达到 22 亿美元，由 a16z 领投，a16z 合伙人 Sarah Wang 主导了本轮交易。此前，Exa 在 2024 年 7 月和 2025 年 9 月分别完成了 2,200 万美元 A 轮和 8,500 万美元 B 轮，B 轮由 Benchmark 合伙人 Peter Fenton 领投并加入董事会，估值 7 亿美元。不到一年，估值翻了三倍。新一轮资金将用于把索引范围扩展到开放网页之外，训练下一代检索模型，以及将基础设施扩容到每秒处理数十万次搜索请求。与此同时，Exa 也在积极扩张市场...

核心内容

专为 AI 构建搜索引擎的基础设施公司 Exa 宣布完成 2.5 亿美元 C 轮融资，投后估值达到 22 亿美元，由 a16z 领投，a16z 合伙人 Sarah Wang 主导了本轮交易。

此前，Exa 在 2024 年 7 月和 2025 年 9 月分别完成了 2,200 万美元 A 轮和 8,500 万美元 B 轮，B 轮由 Benchmark 合伙人 Peter Fenton 领投并加入董事会，估值 7 亿美元。不到一年，估值翻了三倍。

新一轮资金将用于把索引范围扩展到开放网页之外，训练下一代检索模型，以及将基础设施扩容到每秒处理数十万次搜索请求。与此同时，Exa 也在积极扩张市场团队。联合创始人 Jeffrey Wang 在接受 DeepTech 采访时表示，“关于这些资金的规划用途其实非常简单，技术和市场两边都需要继续提速。”

Exa 目前服务超过 5,000 家企业客户和 40 万开发者，客户名单里有 Cursor、HubSpot、OpenRouter、Gamma、Lovable 等公司。据 Exa 披露，其客户查询量从 2025 年 4 月的约 1 亿次增长到 2026 年 4 月的约 10 亿次，一年翻了十倍。它的爬虫追踪着超过 5,000 亿个 URL，背后是自建的索引系统、自训练的 embedding 模型、自研的向量数据库，以及一个由 H200 GPU 组成的自有训练集群。

这些数字背后的故事开始于 2021 年。那时候 ChatGPT 还没出现，“AI 需要搜索引擎”这个判断甚至显得有些超前。

撞上 ChatGPT 的搜索引擎

Jeffrey Wang 本科毕业于哈佛大学，毕业后在金融科技公司 Plaid 工作了三年，负责数据与网络基础设施。2021 年，他和大学室友 Will Bryk 联合创办了 Exa（当时叫 Metaphor），Bryk 担任 CEO。两人当时的信念很大胆：世界需要一个比谷歌更好的搜索引擎，而他们能做到。

图丨Will Bryk 和 Jeffrey Wang（来源：Exa）

在创业早期，他们就下重注，花 5百万美元买了一个 GPU 集群，以便快速构建大规模索引系统，尝试了多种新型搜索技术。目标是开发一个让用户能以谷歌做不到的方式搜索网络的引擎。比如，“给我找出所有在纽约、拥有博客的机器学习工程师，按经验年限排序。”

2022 年 11 月，Exa 推出了第一款搜索引擎产品。两周后，ChatGPT 上线。

很快，需求涌了过来。大量公司开始研发 AI 应用，而这些应用需要从网上获取信息。Wang 和 Bryk 意识到了两件事：AI 也需要搜索，而且 AI 的搜索频率很快就会远超人类。

谷歌搜索被设计出来服务人类用户，人类想要的是十个蓝色链接。AI 想要的完全不同：它需要的是高质量的完整页面内容，而不是 SEO 内容或广告；它对延迟极其敏感，因为在单个请求中搜索往往只是多个工具调用之一；它要求零数据保留，因为企业客户的查询往往高度敏感。

Wang 告诉我们，Exa 产品的底层是同一个引擎：自己的爬虫，自己的索引，自己的 embedding 模型，自己的向量数据库。网站上每个产品只是用不同方式向这个引擎提问。

搜索 API 是最原始的接口，按照延迟和质量的不同，分为几个层级。Exa Instant 响应时间低于 200 毫秒，为实时对话、语音助手和编程 agent 而生，Wang 称之为“全球最快的搜索 API”。Exa Auto 大约 1 秒，是默认模式，提供最好的单次查询质量。

Exa Deep 和 Deep Max 则是 agentic search，系统自主推理、并行展开多个子查询、汇总结果，Deep Max 在 Google DeepMind 的 DeepSearchQA 基准测试和 FRAMES 等评测中拿到了 SOTA。

图丨Deep Max 在 Google DeepMind 的 DeepSearchQA 基准测试达到 SOTA（来源：Exa）

在 API 之上还有两个产品。Highlights 是 Exa 的文本提取模型，能从页面中抽取最相关的段落。Wang 提到一个数据：在 SimpleQA 评测上，500 个字符的 Highlights 输出匹配了 8,000 个字符完整页面的准确度，token 消耗降低了约 20 倍。

Websets 则是异步、大规模的产品，用户给出自然语言描述和验证条件，比如“美国做农业科技的 A 轮公司”，系统会自行搜索、逐一验证、丰富数据。企业 GTM 和运营团队是 Websets 的重度用户。

Jeff Wang 把这概括为“一条从 200 毫秒到数分钟的曲线”，认为用同一套引擎覆盖“快”和“准确”的两端是 Exa 的关键差异。同样的索引、模型和向量数据库，通过调整计算预算和路由，一端做到 200 毫秒以下，另一端做到分钟级的 agentic 搜索。“只有自己造引擎才能做到这一点，套壳产品是做不到的。”

搜索不只是推理工具，也是训练基底

Exa 最近发布的一项研究佐证了 Wang 的判断。他们发现，用 Exa 而非 Google 作为搜索后端来训练 RL 搜索 agent，agent 学得更快、最终表现更好。具体数字是：训练同样的 pass＠k 水平，用 Exa 比用传统搜索引擎结果页（SERP）基线节省了 69％的 token 消耗，搜索调用次数减少 62％，交互轮数减少 58％。

图丨Pass@k 的提升在各个独立基准测试中保持一致（来源：Exa）

Wang 认为这个结果虽然事后看很符合直觉，但其意义重大：“搜索不仅仅是推理时的工具，它也是训练时的基底（substrate），这个区分值真金白银。”RL 训练是当下 AI 领域最耗 token 的工作负载之一，60％到 70％的削减意味着完全不同的训练账单。而且用 Exa 训练出来的 agent 在推理时也更高效，每个查询使用更少的 token、更少的轮数和更少的搜索调用。

随着越来越多的实验室开始构建搜索 agent，Wang 预判它们会需要一个专为此目的打造的训练环境，“而不是套壳一个本来为人类点击蓝色链接而优化的消费级搜索引擎。”

这一判断指向了 Exa 反复强调的核心护城河：自建 vs．套壳（wrapper）。Wang 向我们解释，大多数搜索 API 提供商在底层封装的是谷歌搜索。“这是行业里一个鲜为人知的秘密。”当查询到达这些服务商时，会被路由到某个匿名服务器上的浏览器，在谷歌搜索中执行查询，再把结果返回。这意味着至少 700 毫秒的中位延迟，意味着无法真正实现零数据保留（因为谷歌搜索本身会记录查询），也意味着无法为特定用例深度定制。

“六个月前我们的代码搜索还不如谷歌，”Wang 说，“现在我们训练了代码专用模型之后，几乎所有编程 agent 都在用我们。这件事如果你只是谷歌上面的一层套壳，根本做不到。”

Wang 还提到一个更现实的威胁：谷歌不会永远允许自己 90％的流量来自机器人。一旦谷歌收紧政策，所有依赖它的套壳产品都会同时失去根基。

10＾18＞10＾100

...(内容截断，完整内容请查看原文)

本页由自动化脚本生成，待人工审核补充