把 Exa 放进工作流：搭配工具与交接要点

Exa 是一款开发者 API：为 AI 应用设计的语义搜索 API。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：Exa + LiteLLM

LiteLLM 的定位是：用统一接口调用上百种模型并做路由、限额的开源网关。两者分工可以是：Exa 负责「检索效果对比」这一步，LiteLLM 负责把前后步骤串成自动化流程。

工作流步骤

明确交付物和验收标准，例如：对比用同一批问题。
准备输入：同一批问题和两种检索配置，先去掉敏感信息。
在 Exa 中执行核心步骤（提示词见下文）
把结果交给 LiteLLM 做下一步处理，或从 LiteLLM 取得所需材料。
人工检查关键事实与格式，记录发现的问题。
把这次用到的提示词和设置保存为模板，下次复用。

检索效果对比

适用情况：手头有同一批问题和两种检索配置时。

用同一批测试问题分别跑关键词检索、向量检索和混合检索，记录前 5 条结果中正确段落的命中情况。

验收标准：对比用同一批问题。

交接时最容易出问题的地方

格式不兼容：两边导入导出的格式提前测试一次。
信息丢失：每次交接附上来源和版本号。
责任不清：约定哪一步由谁做最终确认。
成本叠加：两个工具都可能计费，先估算用量。

如果暂时不想引入第二个工具，也可以先用 Tavily 等同类产品替代其中一环，跑通流程后再决定。

更多可以试的用法

资料卡片整理

准备材料：搜索得到的十几篇资料。

把这些资料整理成卡片：每张卡片包括一句话结论、关键数据、来源和可信度评价，最后按主题分组。

交付前确认：每张卡片都有来源。

带来源的快速调研

准备材料：一个需要事实支撑的问题。

请回答【问题】，每个关键结论后标注来源链接；如果不同来源说法不一，请分别列出；最后给出你认为最可靠的来源及原因。

检查点：关键结论都有可点击来源。

构建问答测试集

适用情况：手头有一份产品手册时。

根据手册编写 20 个用户可能问的问题及标准答案，标注答案所在章节，用来评估知识库检索效果。

交付前确认：每个答案都能在手册中找到。

常见问题：回答过于笼统

要求逐条引用原文，并限定只回答文档中有依据的内容。

常见问题：中文检索效果差

选择对中文支持好的嵌入模型，并为专有名词建立同义词。

常见问题：表格内容检索不到

换用能保留表格结构的解析工具，或单独把表格转成文本描述。

概念补充：切分（Chunking）

把长文档拆成适合检索的小段，大小影响效果。

概念补充：嵌入（Embedding）

把文本转成向量，用于语义相似度检索。

适合人群：科研人员

科研人员可以用 Exa 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

适合人群：记者编辑

记者编辑可以用 Exa 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。

写在最后

文中提示词和示例仅作示意，实际效果取决于你的材料和 Exa 当前版本，重要内容请人工核对后再使用。

涉及个人信息、商业机密或受监管数据时，先确认 Exa 的数据处理条款，再决定能否使用。