· AI Engineer World's Fair 2026
Поисковая система для интернета AI-агентов
The Search Engine for the Agentic Web — Will Bryk, Exa
Поиск для агентов должен отвечать как точная база данных, а не как рекомендательная лента, и, по словам спикера, Exa уже строит такой поиск на эмбеддингах и API.
- Эмбеддинги вместо LLM на каждой паре — прогонять LLM по каждой паре «запрос и документ» слишком дорого: по расчётам спикера, это около 10 миллионов долларов за один поиск по триллиону документов. Поэтому документы заранее переводятся в эмбеддинги, которые часто сочетают с поиском по точным словам.
- Извлечение токенов вместо полных страниц — из десяти найденных документов отдаются только самые важные около ста токенов. По словам спикера, это заметно снижает расходы на LLM на следующих шагах.
- Быстрый поиск для голосовых агентов — заявлен поисковый endpoint на 200 миллисекунд, который нужен голосовым агентам, где каждая миллисекунда важна.
- Структурированный вывод и ограничения — результаты можно получить сразу полями, например, вуз и год выпуска кандидатов, а домены, временное окно и типы страниц задаются под каждого клиента.
Кому полезно: тем, кто встраивает веб-поиск в агентов и хочет снизить стоимость токенов на этапе поиска.
Статья по теме
Главы
Ещё доклады: Will Bryk
Страница спикера →Создание более умного AI-агента с Neural RAG
AI Engineer World's Fair 2025
Похожие доклады
Одних векторов недостаточно: гибридный поиск и извлечение данных
AI Engineer World's Fair 2026
Близко по содержанию
Современное состояние AI-поиска и извлечения информации
AI Engineer World's Fair 2025
Близко по содержанию
Grep или embeddings? Агентный поиск по корпоративным документам
Близко по содержанию

