跳转至

Building web search-enabled agents with Strands and Exa

Ch04.373 Building web search-enabled agents with Strands and Exa

📊 Level ⭐⭐ | 6.6KB | entities/building-web-search-enabled-agents-with-strands-and-exa.md

-> 原文存档

Summary

See source article for full content.

相关实体

深度分析

  1. 工具调用模式从硬编码流程转向模型驱动决策 — Strands Agents 的核心理念是让 LLM 决定何时调用哪些工具，而非预设执行顺序。agent loop 通过积累对话历史（每一步 tool call 及其结果）形成上下文，使得多步骤研究任务可以在单一调用内完成多轮 search→extract→synthesize。这种模式与传统 if-this-then-that 的工作流引擎有本质区别，模型成为 runtime 的调度者而非脚本的奴隶。
  2. Exa 的语义搜索解决了 agent 工作流中的信息消费结构化问题 — 传统搜索 API 返回 HTML 碎片和短摘要，需要额外爬取、解析、去噪才能喂给 LLM。Exa 直接返回 clean structured content，且支持 category 过滤器（news、research paper、github 等），这使得 agent 可以在系统提示层面为不同阶段分配合适的搜索参数，而不是依赖后处理管道。这是 AI-native search engine 与传统搜索引擎在 agent 场景下的核心差异。
  3. 6 步研究工作流展示了"同工具异参数"的优雅复用 — 深度研究助手的示例揭示了一个关键设计洞察：不同 source type 需要不同的搜索参数，但不需要不同的工具。exa_search 和 exa_get_contents 在 Overview/News/Research/GitHub/Deep dive/Synthesis 六个阶段被重复调用，每次配置不同的 category、date range、maxCharacters、JSON schema。这种"工具复用 + 参数调优"模式比为每个阶段单独封装 API 要简洁得多，也更符合 agent 自主决策的精神。
  4. AgentCore Observability 将非确定性行为变为可检查.span — 6 步 pipeline 涉及多次 tool call 和 LLM invocation，非确定性意味着相同 query 可能产生不同的搜索结果和不同的合成输出。Amazon Bedrock AgentCore Observability 基于 OpenTelemetry 将每一步记录为 span，开发者可以 drill-down 查看每步的参数、延迟和 token 消耗，把调试从"盲猜"变成"可检视"。这对生产部署的可靠性至关重要。
  5. Exa+Strands 的集成门槛极低但扩展性极高 — 注册 API key → import exa_search/exa_get_contents → 加到 tools 列表 → 直接调用，3 行代码完成集成。但系统提示可以驱动 agent 在单一 invocation 内完成跨 source type（新闻/论文/代码仓库/全文）的研究，覆盖单次搜索无法覆盖的信息空间。这种从"hello world"到"生产级深度研究"的跨度值得重视。

实践启示

  1. 先用 auto 模式跑通流程，再按需切 deep — 文章建议从 auto 开始，大多数 query 效果已经足够好。只有当研究任务中"漏掉相关来源代价很高"时才切换到 deep（3-6s，并行查询多个变体）。对于需要几十次连续搜索的 agentic workflow，用 fast 或 instant 减少累计延迟。
  2. 用 category filter 在系统提示层明确指定 source type — 当 agent 需要新闻时就明确 filter to news category，需要学术内容就 filter to research paper，需要代码实现就 filter to github。这比让 agent 自己判断"我需要什么类型的来源"更可靠，也减少 token 浪费在无关结果上。
  3. summary 参数配合 JSON schema 实现结构化提取 — exa_search 的 summary.query 支持传入 schema，强制结果以特定字段结构化返回（如研究论文的 main_findings、methodology、conclusions）。对于需要将多篇文档的核心信息汇总是比逐篇读取全文然后再让 LLM 总结要高效得多。
  4. deep dive 阶段强制 live crawling 并开启 subpage 爬取 — 与其在 cached 结果上省事，不如在最后 2-3 个关键 URL 上用 livecrawl="always" 拉最新内容，同时设置 subpages=3 并用 subpage_target 指向 references/citations/bibliography 等子页面。这一步的代价最高，但产出的信息密度也最高。
  5. 将 tracing 纳入开发流程而非生产调试专属 — AgentCore Observability 的 span 数据不只用于 production debugging，dev 阶段就应该打开查看 agent 是否按预期调用工具（是否用了正确的 category/date range/maxCharacters）。早期发现参数配置错误比等到生产事故才定位问题要高效得多。

关联实体

-