深入解析 Strands Agents + Exa 集成：构建能联网搜索的 AI 深度研究助手
概述
亚马逊云科技开源的 Strands Agents SDK 近日发布了与 Exa 搜索引擎的集成。这篇文章详细拆解这个集成的架构设计、代码实现和实际效果。
Strands Agents SDK 简介
Strands Agents 是一个模型驱动的 Agent 框架。核心理念：开发者提供模型、system prompt 和工具列表，模型在 agent loop 中自主决定工具调用顺序和时机。
每次迭代中，模型接收完整对话历史（包括之前所有工具调用及其结果）。如果需要更多信息就请求工具，Strands 执行后把结果反馈给模型。循环持续到模型产出最终答案。
框架自带 40+ 预构建工具，支持 Model Context Protocol (MCP)。
Exa 搜索引擎
Exa 是专为 LLM 设计的搜索引擎：
- 语义匹配而非关键词匹配
- 返回结构化文本而非 HTML
- 支持分类过滤（news/research paper/github/company 等）
- 提供多种搜索模式：instant (~200ms) / fast (~450ms) / auto (~1s) / deep (~3-6s)
集成架构
两个核心工具：
exa_search
语义搜索，支持：
- 4 种搜索模式（instant/fast/auto/deep）
- 分类过滤（news/research paper/github/PDF 等）
- 域名/日期/文本内容过滤
- 行内摘要和 JSON Schema 结构化输出
exa_get_contents
URL 全文提取，支持：
- 缓存优先，未命中则实时爬取
- 可配置 livecrawl 模式（fallback/always）
- 字符数限制控制 token 消耗
- 子页面追踪
完整实现：6 步深度研究助手
from strands import Agent
from strands.models.bedrock import BedrockModel
from strands_tools.exa import exa_search, exa_get_contents
def create_research_agent() -> Agent:
model = BedrockModel(
model_id="us.anthropic.claude-sonnet-4-6",
region_name="us-west-2",
max_tokens=20000,
)
return Agent(
model=model,
system_prompt=load_system_prompt(),
tools=[exa_search, exa_get_contents],
)
System prompt 定义 6 步工作流：
Step 1 — 概览搜索：auto 模式，5 条结果，2000 字摘要，限最近一周。
Step 2 — 新闻搜索：news 分类，30 天窗口，24 小时缓存。
Step 3 — 学术论文：research paper 分类，JSON Schema 约束输出（title/findings/methodology/conclusions）。
Step 4 — GitHub 项目：github 分类，4000 字 highlights。
Step 5 — 深度阅读：选 2-3 个高价值 URL，exa_get_contents 抓全文，强制实时爬取，追踪参考文献和方法论子页面。
Step 6 — 综合报告：无工具调用，整合前 5 步输出结构化研究简报。
多步工作流的优势
- 有据可查：每个结论追溯到源 URL
- Token 高效：搜索时就做摘要，LLM 处理的是精炼知识
- 自主深入：跨源类型迭代，不需要人工干预
可观测性
集成 Amazon Bedrock AgentCore Observability（基于 OpenTelemetry）：
- 每次工具调用和 LLM 推理生成 span
- 父子关系可视化完整调用链
- CloudWatch GenAI Observability Dashboard 展示平均 span 延迟
- 支持检查每步的搜索参数、延迟和 token 消耗
Agent 行为非确定性，tracing 把调试从猜测变成检查。
实践建议
- 默认用 auto 搜索模式，deep 仅用于需要全面覆盖的研究任务
- 用 maxCharacters 控制 highlights，管理 token 预算
- 分类过滤在源类型明确时效果好
- JSON Schema 摘要适合需要结构化数据的场景
浙公网安备 33010602011771号