15.5 Exa：用 LangGraph 构建 Web 研究多智能体系统

来源：How Exa built a Web Research Multi-Agent System with LangGraph and LangSmith

---

公司简介

Exa 是一家提供高质量搜索 API 的公司，最近推出了深度研究智能体产品，能够自主探索网络以找到用户需要的结构化信息。

核心指标：

• 每日处理数百个研究查询
• 交付结果耗时 15 秒至 3 分钟（取决于复杂度）

---

产品演进路径

Exa 的产品经历了三个阶段的演进：

搜索 API → 答案端点 → 深度研究智能体

随着架构复杂性增加，团队重新评估技术选项，最终采用 LangGraph 框架。这反映了行业趋势——复杂架构越来越多地选择 LangGraph。

---

技术架构

三层多智能体模式

层级	角色	职责
规划者 (Planner)	分析查询	动态生成并行任务
任务 (Tasks)	独立研究单元	使用专门工具执行搜索
观察者 (Observer)	全局上下文	维护状态，输出清理后的结果

关键设计

• 任务仅接收清理后的输出，而非中间推理状态
• 参考了 Anthropic Deep Research 系统的设计理念

---

技术亮点

1. 动态任务生成

根据查询复杂度自动调整并行任务数量：

简单查询 → 少量并行任务
复杂查询 → 多个并行任务

2. 搜索片段优化

搜索结果 → 先在摘要上推理 → 仅在需要时请求完整内容

效果：显著减少 Token 使用，同时保持研究质量。

3. 结构化输出

所有级别均维持 JSON 格式输出：

{
  "query": "用户查询",
  "findings": [
    {"source": "URL", "content": "摘要"},
    ...
  ],
  "summary": "综合结论"
}

通过函数调用生成结构化输出，确保 API 消费者获得可靠的输出格式。

---

LangSmith 的价值

"理解 Token 使用情况的可观测性...LangSmith 提供的这一点非常重要。设置也超级简单。"

—— Mark Pekala, Exa 软件工程师

LangSmith 核心价值：

功能	价值
Token 使用追踪	为生产定价模型提供成本效率数据
简易设置	快速集成，无需复杂配置
可观测性	理解系统行为，优化性能

---

业务成果

指标	效果
处理速度	15 秒至 3 分钟（因复杂度而异）
Token 使用	显著降低
输出格式	可靠的结构化 JSON
成本效率	支持生产定价模型

---

关键洞察

架构演进的启示

从简单 API 到复杂智能体系统的演进过程中，LangGraph 成为自然选择：

1. 早期：简单的搜索 API 足够
2. 中期：答案端点需要更多逻辑
3. 后期：深度研究智能体需要多智能体编排

Token 优化策略

• 先在摘要上推理，减少不必要的全文获取
• 结构化输出减少冗余内容
• 动态任务数量避免过度并行

---

总结

Exa 的案例展示了如何用 LangGraph 构建生产级的 Web 研究智能体：

1. 三层架构：规划者 + 任务 + 观察者
2. 动态调整：根据查询复杂度调整并行度
3. Token 优化：摘要优先 + 结构化输出
4. 可观测性：LangSmith 追踪 Token 使用和成本

这个案例为构建研究类 AI 产品提供了优秀的架构参考。

---

上一篇：[15.4 Bertelsmann](./15.4 Bertelsmann.md)

下一篇：[15.6 Captide](./15.6 Captide.md)