Exa a lancé un système de recherche web multi-agents à la pointe de la technologie, tirant parti de LangGraph et LangSmith. Le système traite des requêtes complexes avec une vitesse et une fiabilité impressionnantes.
Exa, un acteur majeur de l'industrie des API de recherche, a dévoilé sa dernière innovation : un système de recherche web multi-agents sophistiqué. Ce développement est propulsé par LangGraph et LangSmith, et vise à révolutionner la façon dont les requêtes de recherche complexes sont traitées, selon LangChain.
L'évolution vers la recherche agentique
Le parcours d'Exa vers ce système avancé a commencé par une simple API de recherche. Au fil du temps, l'entreprise a évolué ses offres pour inclure un point de terminaison de réponses qui intégrait le raisonnement du grand modèle de langage (LLM) avec les résultats de recherche. Le dernier développement est leur agent de recherche approfondie, marquant leur entrée dans des API de recherche véritablement agentiques. Cela reflète une tendance plus large dans l'industrie vers des applications LLM plus autonomes et de longue durée.
La transition vers une architecture de recherche approfondie a poussé Exa à adopter LangGraph, qui est devenu un cadre privilégié pour gérer des architectures de plus en plus complexes. Ce changement s'aligne avec les mouvements de l'industrie où des configurations plus simples sont mises à niveau pour gérer des tâches plus sophistiquées, telles que la recherche et le codage.
Conception d'un système multi-agents
Le système d'Exa présente une architecture multi-agent basée sur LangGraph, composée de :
Planificateur : Analyse les requêtes et génère des tâches parallèles.
Tâches : Effectue des recherches indépendantes en utilisant des outils spécialisés.
Observateur : Supervise l'ensemble du processus, maintient le contexte et les citations.
Cette architecture permet un dimensionnement dynamique, ajustant le nombre de tâches en fonction de la complexité de la requête. Chaque tâche se voit fournir des instructions spécifiques, des formats de sortie requis et un accès aux outils API d'Exa, garantissant un traitement efficace des requêtes simples aux requêtes complexes.
Insights de conception clés
Le système d'Exa met l'accent sur une sortie structurée et une utilisation efficace des ressources. En donnant la priorité au raisonnement sur les extraits de recherche avant la récupération complète du contenu, le système réduit l'utilisation de tokens tout en maintenant la qualité de la recherche. Cette approche est vitale pour la consommation d'API, où des sorties JSON fiables et structurées sont cruciales.
Les choix de conception d'Exa s'inspirent d'autres leaders de l'industrie, tels que le système de recherche approfondie d'Anthropic, intégrant les meilleures pratiques en ingénierie de contexte et en sortie de données structurées.
Utiliser LangSmith pour l'observabilité
Les fonctionnalités d'observabilité de LangSmith, en particulier dans le suivi de l'utilisation des jetons, ont joué un rôle critique dans le développement du système d'Exa. Cette capacité a fourni des informations essentielles sur la consommation des ressources, éclairant les modèles de tarification et optimisant les performances.
Mark Pekala, un ingénieur logiciel chez Exa, a souligné l'importance de la facilité de configuration de LangSmith et sa contribution à la compréhension de l'utilisation des tokens, ce qui était essentiel pour l'évolutivité rentable du système.
Conclusion
L'utilisation innovante de LangGraph et LangSmith par Exa met en lumière le potentiel des systèmes multi-agents dans le traitement efficace des requêtes de recherche sur le web complexes. Le projet souligne des enseignements clés pour des efforts similaires, tels que l'importance de l'observabilité, de la réutilisabilité, des sorties structurées et de la génération dynamique de tâches.
Alors qu'Exa continue de peaufiner son agent de recherche approfondie, ce développement sert de modèle pour la création de systèmes agentiques robustes et prêts pour la production qui offrent une valeur commerciale substantielle.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Exa innove avec un système de recherche web multi-agents utilisant LangGraph
Zach Anderson
01 juil. 2025 04:38
Exa a lancé un système de recherche web multi-agents à la pointe de la technologie, tirant parti de LangGraph et LangSmith. Le système traite des requêtes complexes avec une vitesse et une fiabilité impressionnantes.
Exa, un acteur majeur de l'industrie des API de recherche, a dévoilé sa dernière innovation : un système de recherche web multi-agents sophistiqué. Ce développement est propulsé par LangGraph et LangSmith, et vise à révolutionner la façon dont les requêtes de recherche complexes sont traitées, selon LangChain.
L'évolution vers la recherche agentique
Le parcours d'Exa vers ce système avancé a commencé par une simple API de recherche. Au fil du temps, l'entreprise a évolué ses offres pour inclure un point de terminaison de réponses qui intégrait le raisonnement du grand modèle de langage (LLM) avec les résultats de recherche. Le dernier développement est leur agent de recherche approfondie, marquant leur entrée dans des API de recherche véritablement agentiques. Cela reflète une tendance plus large dans l'industrie vers des applications LLM plus autonomes et de longue durée.
La transition vers une architecture de recherche approfondie a poussé Exa à adopter LangGraph, qui est devenu un cadre privilégié pour gérer des architectures de plus en plus complexes. Ce changement s'aligne avec les mouvements de l'industrie où des configurations plus simples sont mises à niveau pour gérer des tâches plus sophistiquées, telles que la recherche et le codage.
Conception d'un système multi-agents
Le système d'Exa présente une architecture multi-agent basée sur LangGraph, composée de :
Cette architecture permet un dimensionnement dynamique, ajustant le nombre de tâches en fonction de la complexité de la requête. Chaque tâche se voit fournir des instructions spécifiques, des formats de sortie requis et un accès aux outils API d'Exa, garantissant un traitement efficace des requêtes simples aux requêtes complexes.
Insights de conception clés
Le système d'Exa met l'accent sur une sortie structurée et une utilisation efficace des ressources. En donnant la priorité au raisonnement sur les extraits de recherche avant la récupération complète du contenu, le système réduit l'utilisation de tokens tout en maintenant la qualité de la recherche. Cette approche est vitale pour la consommation d'API, où des sorties JSON fiables et structurées sont cruciales.
Les choix de conception d'Exa s'inspirent d'autres leaders de l'industrie, tels que le système de recherche approfondie d'Anthropic, intégrant les meilleures pratiques en ingénierie de contexte et en sortie de données structurées.
Utiliser LangSmith pour l'observabilité
Les fonctionnalités d'observabilité de LangSmith, en particulier dans le suivi de l'utilisation des jetons, ont joué un rôle critique dans le développement du système d'Exa. Cette capacité a fourni des informations essentielles sur la consommation des ressources, éclairant les modèles de tarification et optimisant les performances.
Mark Pekala, un ingénieur logiciel chez Exa, a souligné l'importance de la facilité de configuration de LangSmith et sa contribution à la compréhension de l'utilisation des tokens, ce qui était essentiel pour l'évolutivité rentable du système.
Conclusion
L'utilisation innovante de LangGraph et LangSmith par Exa met en lumière le potentiel des systèmes multi-agents dans le traitement efficace des requêtes de recherche sur le web complexes. Le projet souligne des enseignements clés pour des efforts similaires, tels que l'importance de l'observabilité, de la réutilisabilité, des sorties structurées et de la génération dynamique de tâches.
Alors qu'Exa continue de peaufiner son agent de recherche approfondie, ce développement sert de modèle pour la création de systèmes agentiques robustes et prêts pour la production qui offrent une valeur commerciale substantielle.
Source de l'image : Shutterstock