Exa，搜索API行业的知名玩家，发布了其最新的创新成果：一个复杂的多智能体网络研究系统。这个开发由LangGraph和LangSmith提供支持，并且旨在根据LangChain的描述，彻底改变复杂研究查询的处理方式。

从代理搜索到自主搜索的演变

Exa 通往这一先进系统的过程始于一个简单的搜索 API。随着时间的推移，该公司将其产品扩展到包括一个 answers 端点，该端点将大型语言模型（LLM）推理与搜索结果集成在一起。最新的发展是他们的深度研究代理，标志着他们进入了真正自主的搜索 API 领域。这反映了行业更广泛的趋势，即向更自主和更长时间运行的 LLM 应用程序发展。

向深度研究架构的过渡促使Exa采用LangGraph，这已成为处理日益复杂的架构的首选框架。这种转变符合行业趋势，即简单的设置升级以处理更复杂的任务，例如研究和编码。

设计多智能体系统

Exa的系统功能基于LangGraph构建的多代理架构，由以下部分组成：

1.计划器：分析查询并生成并行任务。

2.任务：使用专业工具进行独立研究。

3.观察者：监督整个过程，保持上下文和引用。

这种架构允许动态扩展，根据查询的复杂性调整任务的数量。每个任务都提供具体的指令、所需的输出格式以及对Exa API工具的访问，确保从简单到复杂的查询都能高效处理。

关键设计见解

Exa 的系统强调结构化输出和高效资源使用。通过在全面获取内容之前对搜索片段进行推理，该系统在保持研究质量的同时减少了令牌使用。这种方法对于 API 消费至关重要，因为可靠的结构化 JSON 输出是关键。

Exa的设计选择从其他行业领导者那里汲取灵感，例如Anthropic深度研究系统，结合了上下文工程和结构化数据输出的最佳实践。

利用LangSmith进行可观测性

LangSmith 的可观测性功能，特别是在令牌使用情况跟踪方面，对 Exa 的系统开发起到了关键作用。这种能力提供了关于资源消耗的重要见解，影响了定价模型并优化了性能。

马克·佩卡拉（Mark Pekala），Exa 的一名软件工程师，强调了 LangSmith 安装简便的重要性及其对理解代币使用所做的贡献，这对于系统具有成本效益的可扩展性至关重要。

结论

Exa通过创新使用LangGraph和LangSmith展示了多智能体系统在高效处理复杂网络研究查询方面的潜力。该项目强调了类似努力中的关键要点，例如可观测性、可重用性、结构化输出和动态任务生成的重要性。

随着Exa不断优化其深度研究代理，这一发展为构建强大的、可投入生产的代理系统提供了范例，这些系统能够为企业带来显著的商业价值。