meng shao@shao__meng · XExa 正式发布 Exa Agent，一个将前沿模型与自研搜索工具链打包成单一接口的托管式 API，面向深度调研、名单构建和实体 enrichment。核心技术包括：任务分解 + 并行子 Agent（Map-Reduce 架构）；按任务动态混用前沿模型与经济模型的 Model Fusion；Highlights 模型可将 token 用量最高削减 94%。在 WideSearch 基准上采用 Row-F1 评分，Exa Agent 成本不到 GPT 5.5 和 Opus 4.8 的一半，处于 Pareto 前沿。应用场景涵盖金融、GTM/Sales、公司研究及文献/代码 review。
Exa 正式发布「Exa Agent」：托管式 Web Research Agent API，把前沿模型与 Exa 自研搜索工具链打包成单一接口，面向「深度调研、名单构建、实体 enrichment」三类任务 https://exa.ai/blog/exa-agent
技术路径：三层叠加
1. 任务分解 + 并行子 Agent 面对大规模数据集或宽口径调研，系统会把任务拆成多个子任务，按领域并行派生子 Agent。这是典型的 Map-Reduce 式研究架构，适合 WideSearch 类「多实体 × 多字段」任务。
2. Model Fusion（模型融合） 不固定用单一最强模型，而是 按任务动态混用 frontier 模型与高性价比模型，在质量与成本之间做路由。Blog 未披露具体路由策略，但方向清晰：把算力花在「难的地方」，简单子任务用便宜模型。
3. Token 效率：Highlights 模型 Blog 再次强调 Exa Highlights--据称可将 token 用量 最高削减 94%。对 Agent 工作流而言，这直接决定：同样预算下能读多少网页、做多少轮检索，是成本优势的重要来源之一。