Exa Agent رونمایی شد؛ API پژوهش وب برای ساخت ایجنت‌های هوش مصنوعی ارزان‌تر و دقیق‌تر

Exa از محصول جدید خود با نام Exa Agent رونمایی کرده است؛ یک API واحد برای دسترسی به قابلیت‌های پیشرفته پژوهش وب که به توسعه‌دهندگان، تیم‌های داده، ایجنت‌های مالی، تیم‌های فروش و محصولات مبتنی بر هوش مصنوعی کمک می‌کند اطلاعات دقیق‌تر، ساختاریافته‌تر و کم‌هزینه‌تری از وب استخراج کنند. این ابزار با ترکیب مدل‌های زبانی پیشرفته، جستجوی وب Exa و روش‌هایی مانند model fusion و token-efficient highlights طراحی شده تا مسئله قدیمی «تحقیق وب پرهزینه، کند و ناقص» را برای فعالان AI حل کند.

Exa Agent چیست و چه مشکلی را حل می‌کند؟

بسیاری از تیم‌هایی که در حوزه هوش مصنوعی مولد، تحلیل داده، فروش B2B، سرمایه‌گذاری، فین‌تک و اتوماسیون تحقیق کار می‌کنند، با یک چالش تکراری روبه‌رو هستند: اطلاعات وب پراکنده، به‌روزرسانی‌نشده، سخت‌اعتبارسنجی‌شده و پرهزینه است. اتصال مستقیم مدل‌های زبانی به وب نیز همیشه پاسخ کامل نمی‌دهد، چون مدل باید هم جستجو کند، هم منابع را بخواند، هم داده را ساختارمند کند و هم خطاهای احتمالی را کاهش دهد.

Exa Agent برای همین مسئله ساخته شده است. این API به جای آنکه صرفاً یک موتور جستجو یا یک چت‌بات باشد، نقش یک «عامل پژوهشگر وب» را ایفا می‌کند. یعنی می‌تواند پرسش را به چند زیرمسئله تقسیم کند، در حوزه‌های مختلف به‌صورت موازی تحقیق انجام دهد، اطلاعات را از منابع وب جمع‌آوری کند و خروجی را در قالب موردنیاز کاربر، از جمله جدول، گزارش، خلاصه مدیریتی یا داده ساختاریافته، تحویل دهد.

قابلیت‌های اصلی Exa Agent

Exa Agent در سه دسته کاربردی عملکرد ویژه‌ای دارد: پژوهش عمیق، ساخت فهرست و غنی‌سازی موجودیت‌ها. در پروژه‌های بزرگ، این ابزار کار را به چند زیرتسک تقسیم می‌کند و از subagentها برای تحقیق هم‌زمان در دامنه‌های مختلف استفاده می‌کند. این معماری برای تیم‌هایی مهم است که باید روی صدها شرکت، شخص، محصول، سند یا منبع عمومی تحقیق کنند.

در سطح مدل‌سازی، Exa Agent از ترکیب مدل‌های پیشرفته و مدل‌های اقتصادی‌تر استفاده می‌کند تا برای هر تسک، بهترین نسبت کیفیت به هزینه را به دست آورد. Exa اعلام کرده که استفاده از مدل highlights کم‌مصرف این شرکت در برخی سناریوها توانسته مصرف توکن را تا ۹۴ درصد کاهش دهد. این موضوع برای کسب‌وکارهایی که با حجم بالای درخواست‌های تحقیقاتی کار می‌کنند، مستقیماً به کاهش هزینه API و کاهش تأخیر منجر می‌شود.

ارزیابی عملکرد؛ Exa Agent در برابر ابزارهای پژوهشی دیگر

برای سنجش کیفیت، تأخیر، هزینه و بهره‌وری توکن، Exa Agent روی چند بنچمارک عمومی ارزیابی شده است؛ از جمله WideSearch، BrowseComp، DeepSearchQA، FinanceAgent-V2، People-FindAll و Company-FindAll.

بنچمارک WideSearch در مرداد ۱۴۰۴ معرفی شد و توانایی ایجنت‌ها را در جمع‌آوری و ساختاردهی اطلاعات اتمیک درباره موجودیت‌ها از سراسر وب می‌سنجد. خروجی مورد انتظار در این بنچمارک معمولاً یک جدول از موجودیت‌های غنی‌سازی‌شده است. نسخه انگلیسی این ارزیابی شامل ۱۰۰ تسک است و تعداد ستون‌های موردنیاز در هر تسک بین ۳ تا ۱۴ متغیر است.

در روش ارزیابی Exa، فقط پاسخ نهایی ایجنت سنجیده شد. معیار اصلی، Row-F1 بود؛ یعنی یک ردیف فقط زمانی موفق محسوب می‌شد که هم موجودیت درست شناسایی شده باشد و هم تمام ستون‌های غنی‌سازی‌شده آن معتبر باشند. Exa اعلام کرده که ارزیابی Cell-F1 را نیز بررسی کرده بود، اما آن را بیش از حد آسان‌گیرانه دانست، چون ممکن بود حتی وقتی ایجنت اطلاعات را به موجودیت اشتباه نسبت داده، بابت چند سلول درست امتیاز بگیرد.

کاربردهای عملی برای تیم‌های هوش مصنوعی و داده

برای تیم‌های مالی، Exa Agent می‌تواند داده‌های لحظه‌ای و عمومی را از وب جمع‌آوری کند و در قالب گزارش سرمایه‌گذاری، تحلیل شرکت، پایش بازار یا داشبورد سفارشی ارائه دهد. این قابلیت برای ایجنت‌های مالی که به داده‌های تازه نیاز دارند، بسیار مهم است.

برای تیم‌های go-to-market و فروش، Exa Agent دو کاربرد اصلی دارد: غنی‌سازی فهرست مشتریان بالقوه و ساخت فهرست‌های جدید. برای مثال، یک تیم فروش می‌تواند فهرستی از شرکت‌ها را وارد کند و اطلاعاتی مانند صنعت، اندازه شرکت، مدیران کلیدی، فناوری‌های استفاده‌شده، اخبار اخیر، جذب سرمایه و سیگنال‌های خرید را دریافت کند.

برای تیم‌های تحقیق و توسعه، این API می‌تواند در مرور ادبیات، بررسی کد، تحلیل رقبا، رصد GitHub عمومی، بررسی مستندات محصول و تهیه گزارش‌های مقایسه‌ای استفاده شود. همین ویژگی‌ها باعث می‌شود Exa Agent نه فقط یک ابزار جستجو، بلکه یک زیرساخت تحقیقاتی برای محصولات agentic باشد.

نمونه کاربرد؛ گزارش Databricks

در نمونه‌ای که Exa منتشر کرده، از Exa Agent خواسته شد تمام اطلاعات عمومی موجود درباره Databricks را بررسی کند؛ از جمله جذب سرمایه اخیر، عرضه محصولات، همکاری‌ها، استخدام مدیران ارشد، سخنرانی‌های کنفرانسی و فعالیت عمومی GitHub.

این اجرای تحقیق در ۲۶ خرداد ۱۴۰۵ تکمیل شد. خروجی، یک گزارش فشرده شرکتی درباره Databricks بود. طبق این گزارش، سیگنال اصلی بازار درباره Databricks به تأمین مالی بیش از ۷ میلیارد دلار در بهمن/اسفند ۱۴۰۴ با ارزش‌گذاری ۱۳۴ میلیارد دلاری و همچنین تمرکز محصولی این شرکت بر ایجنت‌های سازمانی کنترل‌شده، Lakebase، Genie و OpenSharing مربوط بود.

در بخش جذب سرمایه، گزارش نشان داد Databricks بیش از ۷ میلیارد دلار سرمایه‌گذاری کل اعلام کرده بود که حدود ۵ میلیارد دلار آن سهام و حدود ۲ میلیارد دلار ظرفیت بدهی اضافی بود. همچنین در خرداد ۱۴۰۵ گزارش‌هایی درباره گفت‌وگوهای احتمالی برای یک دور سرمایه‌گذاری با ارزش‌گذاری ۱۶۵ تا ۱۷۵ میلیارد دلار منتشر شده بود، اما این مورد به‌عنوان مذاکره گزارش‌شده و نه تأمین مالی قطعی طبقه‌بندی شد.

در بخش محصول، مواردی مانند OpenSharing، Agent Bricks، Lakebase، Genie، AI Gateway و Lakeflow برجسته شده بودند. این محصولات حول محور ایجنت‌های سازمانی، دسترسی به مدل‌ها، PostgreSQL سرورلس برای ایجنت‌های AI، تحلیل مکالمه‌محور، اشتراک‌گذاری باز دارایی‌های داده و هوش مصنوعی، و مهندسی داده متمرکز بودند.

در بخش همکاری‌ها نیز نام شرکت‌ها و نهادهایی مانند Anthropic، Accenture، OpenAI، Linux Foundation، SAP، Stripe، Atlassian، Retool، LlamaIndex، Collibra، Deloitte و Wipro دیده شد. منابع این گزارش شامل اطلاعیه‌های Databricks، وبلاگ‌ها، مستندات، صفحات GitHub، Reuters، MarketScreener، منابع Linux Foundation و صفحات کنفرانسی بود.

هزینه استفاده از Exa Agent

Exa Agent با حالت auto effort می‌تواند به‌صورت پویا میزان محاسبات موردنیاز را بر اساس سختی تسک تنظیم کند. توسعه‌دهندگان همچنین می‌توانند سطح effort را به‌صورت ثابت انتخاب کنند:

minimal: هزینه ۰.۰۱۲ دلار برای هر درخواست؛ مناسب برای تسک‌های سبک و کم‌هزینه

low: هزینه ۰.۰۲۵ دلار برای هر درخواست؛ مناسب برای جستجوهای ساده و پرسش‌های محدود

medium: هزینه ۰.۱۰ دلار برای هر درخواست؛ گزینه پیش‌فرض برای بیشتر تسک‌های استاندارد پژوهشی

high: هزینه ۰.۵۰ دلار برای هر درخواست؛ مناسب برای تحقیق‌های دشوارتر، منابع بیشتر و دقت بالاتر

xhigh: هزینه ۱ دلار برای هر درخواست؛ مناسب برای تسک‌های ارزشمند که کامل‌بودن پاسخ مهم‌تر از هزینه و تأخیر است

این API همچنین از structured outputs از طریق پارامتر outputSchema پشتیبانی می‌کند و امکان ورود داده اختصاصی با input.data را فراهم کرده است. این ویژگی برای شرکت‌هایی مهم است که می‌خواهند داده داخلی خود را با اطلاعات عمومی وب ترکیب کنند.

چرا Exa Agent برای آینده ایجنت‌های هوش مصنوعی مهم است؟

با رشد سریع ایجنت‌های هوش مصنوعی، مسئله اصلی دیگر فقط تولید متن نیست؛ مسئله، دسترسی قابل‌اعتماد به داده تازه، ساختاردهی دقیق اطلاعات و کاهش هزینه عملیات تحقیق است. Exa Agent دقیقاً در همین نقطه وارد می‌شود. این ابزار می‌تواند به تیم‌ها کمک کند به جای ساخت دستی pipelineهای پیچیده جستجو، خواندن، استخراج، اعتبارسنجی و قالب‌بندی، از یک API متمرکز استفاده کنند.

برای توسعه‌دهندگانی که در حال ساخت ایجنت تحقیقاتی، ایجنت مالی، ابزار sales intelligence، سیستم enrichment داده یا موتور پاسخ‌گویی مبتنی بر وب هستند، Exa Agent می‌تواند زمان توسعه را کاهش دهد و کیفیت خروجی را بالاتر ببرد. از منظر GEO نیز، چنین ابزارهایی اهمیت زیادی دارند؛ چون مدل‌های زبانی آینده برای پاسخ‌گویی دقیق‌تر به داده‌های وب ساختاریافته، قابل استناد و قابل بازیابی نیاز دارند.

جمع‌بندی

Exa Agent تلاش می‌کند فاصله میان مدل‌های زبانی و وب زنده را کمتر کند. این API با ترکیب جستجوی وب، مدل‌های زبانی پیشرفته، تقسیم وظیفه میان subagentها، خروجی ساختاریافته و کنترل هزینه، پاسخی عملی به یکی از جدی‌ترین چالش‌های تیم‌های AI است: چطور می‌توان تحقیق وب را سریع، دقیق، قابل‌استناد و مقرون‌به‌صرفه انجام داد؟

Exa Agent هم‌اکنون در دسترس است و توسعه‌دهندگان می‌توانند از طریق مستندات Exa یا محیط Exa API Playground در نشانی dashboard.exa.ai/playground/agent آن را آزمایش کنند.