/ 目錄 / 演練場 / Exa Search
● 官方 exa-labs 🔑 需要你的金鑰

Exa Search

作者 exa-labs · exa-labs/exa-mcp-server

為 AI 代理而生的神經網路搜尋——按意思搜尋,回傳乾淨內容。比 Google 更善於「找我類似 X 的文章」。

Exa 的官方 MCP。結合神經(語義)和關鍵字搜尋模式,回傳完整頁面內容(不只片段),支援針對性模式:公司研究、LinkedIn 查詢、GitHub 搜尋、研究論文搜尋。當「這東西什麼意思?」比「這個確切短語在哪?」重要時,這是最佳選擇。

為什麼要用

核心特性

即時演示

實際使用效果

exa-search.replay ▶ 就緒
0/0

安裝

選擇你的客戶端

~/Library/Application Support/Claude/claude_desktop_config.json  · Windows: %APPDATA%\Claude\claude_desktop_config.json
{
  "mcpServers": {
    "exa-search": {
      "command": "npx",
      "args": [
        "-y",
        "exa-mcp-server"
      ]
    }
  }
}

開啟 Claude Desktop → Settings → Developer → Edit Config。儲存後重啟應用。

~/.cursor/mcp.json · .cursor/mcp.json
{
  "mcpServers": {
    "exa-search": {
      "command": "npx",
      "args": [
        "-y",
        "exa-mcp-server"
      ]
    }
  }
}

Cursor 使用與 Claude Desktop 相同的 mcpServers 格式。專案級設定優先於全域。

VS Code → Cline → MCP Servers → Edit
{
  "mcpServers": {
    "exa-search": {
      "command": "npx",
      "args": [
        "-y",
        "exa-mcp-server"
      ]
    }
  }
}

點擊 Cline 側欄中的 MCP Servers 圖示,然後選 "Edit Configuration"。

~/.codeium/windsurf/mcp_config.json
{
  "mcpServers": {
    "exa-search": {
      "command": "npx",
      "args": [
        "-y",
        "exa-mcp-server"
      ]
    }
  }
}

格式與 Claude Desktop 相同。重啟 Windsurf 生效。

~/.continue/config.json
{
  "mcpServers": [
    {
      "name": "exa-search",
      "command": "npx",
      "args": [
        "-y",
        "exa-mcp-server"
      ]
    }
  ]
}

Continue 使用伺服器物件陣列,而非映射。

~/.config/zed/settings.json
{
  "context_servers": {
    "exa-search": {
      "command": {
        "path": "npx",
        "args": [
          "-y",
          "exa-mcp-server"
        ]
      }
    }
  }
}

加入 context_servers。Zed 儲存後熱重載。

claude mcp add exa-search -- npx -y exa-mcp-server

一行命令搞定。用 claude mcp list 驗證,claude mcp remove 移除。

使用場景

實戰用法: Exa Search

尋找類似你已愛上的文章

👤 研究者、作家、正在建立閱讀清單的創辦人 ⏱ ~10 min beginner

何時使用: 你有一篇該主題的經典文章/貼文,想找更多類似的。Google 的「相關」沒用。

前置條件
  • Exa API 金鑰 — exa.ai/dashboard——免費層提供約 1000 次搜尋/月
步驟
  1. 用敘述性查詢使用神經模式
    找 10 篇在精神上類似 Rich Sutton 的《The Bitter Lesson》的文章。我要長篇意見文章關於 ML 擴展,不是論文。✓ 已複製
    → 10 個符合*氣質*而非只是關鍵字的結果
  2. 拉取內容並瀏覽
    對每一個,取得內容(text 模式)並給我 2 行摘要加上「為什麼相似」的註記。✓ 已複製
    → 每結果摘要 + 相似原因
  3. 保存值得保留的
    我要真的讀 3 篇。哪 3 篇信號最強?把連結存到 /reading/ml-scaling.md。✓ 已複製
    → 策劃的短清單,不是全部 10 個

結果: 一份有真實智識連貫性的閱讀清單,不是 SEO 垃圾。

注意事項
  • 神經搜尋漂向相鄰主題 — 結合 includeDomains 來限制(例如只 essays.gwern.net、lesswrong.com)當你要緊密聚集時
  • 有些頁面回傳付費牆預覽作為內容 — 檢查內容長度;很短的回傳通常是付費牆——標記並跳過
搭配使用: filesystem · memory

在銷售通話前拉取公司的 1 頁文件

👤 業務、商務開發、招聘人員 ⏱ ~10 min beginner

何時使用: 20 分鐘後通話;你需要最近新聞、關鍵人物、最近融資,一次到位。

步驟
  1. 執行公司模式搜尋
    用 Exa 的公司模式搜「Acme Robotics, San Francisco」。拉取首頁、最近新聞(過去 90 天)和任何公告。✓ 已複製
    → 首頁內容、部落格文章、新聞文章的組合
  2. 綜合成簡報
    寫 1 頁:他們做什麼、最近里程碑、新聞中提到的關鍵人物、任何我應該祝賀或表示同情的事。✓ 已複製
    → 談話要點就緒的簡報加引用
  3. 找到正確的聯絡角度
    根據他們的最近新聞,這週聯繫他們的可信理由是什麼?要具體——說出新聞項目名稱。✓ 已複製
    → 一個綁定真實最近事件的具體鉤子

結果: 一份比 30 分鐘 LinkedIn 追蹤更有用的簡報。

注意事項
  • 新聞稿雜音淹沒真實新聞 — 篩選 excludeDomains: ['prnewswire.com', 'businesswire.com'] 以取得實際分析
搭配使用: memory

得到有引用的事實問題一次性答案

👤 任何需要帶來源的快速事實的人 ⏱ ~2 min beginner

何時使用: 你需要特定事實問題的答案 + 引用,比搜尋 → 點擊 → 閱讀更快。

步驟
  1. 使用 exa_answer
    使用 exa_answer:「Anthropic 的最後公告融資輪是什麼以及籌集的總額?」✓ 已複製
    → 直接答案加 1-3 個來源 URL
  2. 驗證來源
    打開頂部來源並確認數字與 Exa 回傳的相符。✓ 已複製
    → 確認或更正

結果: 一份在 30 秒內有事實支持的答案。

注意事項
  • 答案可能滯後(訓練/索引截止) — 對於每週變化的東西(股價、領導層),驗證來源的新鮮度,不只答案

組合

與其他 MCP 搭配,撬動十倍槓桿

exa-search + memory

隨著進行將研究發現儲存到主題圖

搜尋「2026 年小型 LMs 的狀態」。對每個有用結果,在記憶中的「small-lms-2026」實體上儲存關鍵主張作為觀察,帶來源 URL。✓ 已複製
exa-search + filesystem

建立儲存為 Markdown 的閱讀清單

找 10 篇類似「The Bitter Lesson」的文章。將策劃的短清單(前 3 名)帶摘要儲存到 /reading/ml-scaling.md。✓ 已複製
exa-search + github

透過 Exa 發現相關儲存庫,然後透過 GitHub MCP 操作它們

用 Exa 尋找 WebGPU 著色器的 Rust 實作。對前 3 個儲存庫,透過 GitHub MCP 獲得 GitHub 統計(星星、最後提交)。✓ 已複製

工具

此 MCP 暴露的能力

工具輸入參數何時呼叫成本
web_search_exa query: str, numResults?: int, type?: 'neural'|'keyword'|'auto', includeDomains?: str[], excludeDomains?: str[], startPublishedDate?: str, endPublishedDate?: str 通用神經或關鍵字搜尋 1 個 Exa 搜尋點數
company_research_exa query: str, numResults? 從公開網路來源拉取公司簡報 1 個點數
linkedin_search_exa query: str, numResults? 在 LinkedIn 上尋找特定人士/公司(僅連結——內容有異) 1 個點數
github_search_exa query: str, numResults? 按描述發現儲存庫(用 github MCP 做實際儲存庫操作) 1 個點數
research_paper_search_exa query: str, numResults?, dateRange? 跨 arXiv、OpenReview 等的學術搜尋 1 個點數
deep_researcher_start / check query: str (start), task_id (check) 大型多來源研究任務;輪詢結果 多個點數
exa_answer query: str 帶引用來源的直接 Q&A 1+ 點數
crawling_exa url: str 透過 Exa 的管道取得單一 URL(樣板已移除,JS 已渲染) 1 個點數

成本與限制

運行它的成本

API 配額
免費層約 1000 次搜尋/月;付費計劃擴展
每次呼叫 Token 數
帶內容的搜尋結果每結果可達 2-10k token——應積極限制 numResults
費用
免費層足夠個人使用;付費計劃從 $10/月起
提示
預設使用 numResults: 5。如果你只需要連結,使用 text: false,然後只在你真的想閱讀的少數上呼叫 crawling_exa

安全

權限、密鑰、影響範圍

憑證儲存: API 金鑰在環境變數 EXA_API_KEY
資料出站: 查詢命中 api.exa.ai;Exa 透過其基礎設施代表你取得頁面

故障排查

常見錯誤與修復

401 Unauthorized

API 金鑰缺失或錯誤。在 MCP 客户端環境中設定 EXA_API_KEY。在 exa.ai/dashboard 驗證。

402 Payment Required / quota exhausted

免費層點數已用。升級或等待月度重置。

Results are off-topic with neural mode

嘗試 type: 'keyword' 進行文字配對,或新增 includeDomains/excludeDomains 來聚焦搜尋。

Empty content on returned URLs

有些頁面無法提取。直接在 URL 上使用 crawling_exa,或回退到 fetch/firecrawl。

替代方案

Exa Search 對比其他方案

替代方案何時用它替代權衡
Brave Search MCP你要簡單的關鍵字網路搜尋且有隱私保證沒有語義模式;結果是 SERP 風格片段,不是完整內容
Firecrawl你已有 URL 並需要乾淨內容/結構化提取,不是搜尋不同的工具——爬取 vs 搜尋
Tavily / Perplexity APIs (via custom MCP)你要不同的搜尋 with LLM 答案提供者Tavily 是搜尋+答案聚焦;Exa 更廣泛(搜尋/研究/答案)

更多

資源

📖 閱讀 GitHub 上的官方 README

🐙 查看未解決的 issue

🔍 瀏覽全部 400+ MCP 伺服器和 Skills