Exa AI:AIエージェント専用に作り直したニューラル検索エンジンの正体

「今年、AIエージェントがWebを検索する回数が、人間による検索を上回る」——AIエージェント向けに一から作り直された検索エンジンを掲げるスタートアップ Exa(Exa Labs, Inc.、旧Metaphor) は、2026年5月20日の資金調達発表でこう宣言した。ここでいう ニューラル検索(neural search) とは、単語の一致ではなく文章の「意味」でページを探す検索のことだ。調達額は a16z(Andreessen Horowitz)主導で 2.5億ドル、評価額22億ドル にのぼる。

Exa AIが解こうとしているのは「人間用に作られた検索では、AIエージェントが詰まる」という問題だ。検索の裏側(バックエンド)だけをExaに差し替えて訓練したエージェントは、ふつうの検索エンジンを使う版と比べ、同じ性能に届くまでに使うトークン量が約69%少なく、1回の検索で答えに当たる割合が約10.7ポイント高かった——とExaは自社評価で示している(第三者の独立検証ではない)。自社でRAG(外部の文書を検索してLLMの回答に使う仕組み)やエージェントを触っていて検索の精度に悩んでいるなら、この話は明日から効く。本記事では、Exa AIが何を変え、どんな仕組みで動くのかを読み解く。

単語の一致をやめる──意味で引くニューラル検索

従来のWeb検索は、クエリに含まれる単語と、ページに含まれる単語の「一致」を主な手がかりにする。人間が結果一覧を眺めて自分でクリックする使い方なら、これで十分だった。

一方Exaの ニューラル検索 は、単語ではなく 埋め込み(embedding。文章の意味を数百〜数千個の数字の並び=ベクトルに変換したもの) でクエリとページを結びつける。意味の近さで引くので、言葉が一字一句そろっていなくても、内容として最も関連するページを返せる。意味で検索する点では、広い意味での セマンティック検索 の仲間だ。

ただし、ありふれたセマンティック検索と同じではない。一般的なベクトル検索は、どんな用途にも使える「汎用の埋め込み」をそのまま使う。Exaはそうではなく、後で述べるように Web上の実在リンクを教師にして学習させた専用の埋め込み を使う。この学習の中身こそがExaの正体だ。

「次に貼られるリンク」を当てる──ニューラルPageRankの正体

Exaの仕組みでいちばん特徴的なのが、検索モデルの学習方法だ。Exaは、Web上に実在する リンク構造 そのものを教師データに使う。あるページの本文を読ませ、そのページが実際に張っているリンク先を当てさせる next-link prediction(次リンク予測) で、意味ベクトルを学習する。

文章生成モデルが「次の単語」を当てるよう訓練されるのに対し、Exaのモデルは「次に貼られるリンク」を当てるよう訓練される、と考えると分かりやすい。図にすると次のイメージだ。

[Web上の実在データ]   記事A ──(実際に張られたリンク)──▶ 記事B

[学習時]              記事Aの本文 ──( ? )──▶ ［リンク先を隠す］

[予測課題]            「この本文の次に、人間ならどのページを貼るだろう?」
                          └─ 正解(記事B)に近い埋め込みを学習

人間が「良い」と判断して張った大量のリンクを正解に使うため、人間が価値を認めるページに近い意味ベクトルが育つ。Exaの開発者はこれを 「ニューラルPageRank」 と呼ぶ。PageRankとは、Webページの重要度を被リンク(ほかのページから張られたリンク)の多さで測る、Google創業期の古典的な仕組みのことだ。その意味版・学習版だと捉えると腑に落ちる。従来のPageRankより強力だと開発者は主張するが、これはExa側の主張で、第三者の評価ではない。

毎分更新する自前インデックスと、速さで選ぶ3つのモード

優れた学習も、Web規模で動かなければ実用にならない。Exaは検索を外部に頼らず、すべて自前で 作っている。Exa 2.0(2025年10月発表)の公式ブログによれば、数百億ページを解析して 毎分更新 し、意味ベクトルを高速に探す専用のデータベースを、速度を稼ぐために自社実装したという。

使う側は、速度と深さで3つのモードを選べばよい。速さ最優先なら Fast(公式値で応答時間の中央値が350ミリ秒未満)、速度と品質のバランスをとる既定が Auto、エージェントが何度も探り直して最高品質を狙うなら Deep、と覚えれば足りる。

誰がExaを使っているのか──用途で分かれる採用

Exaは、AIエージェントを作る企業に検索の裏側(Exa Search)として採用されている。ただし各社の具体的な組み込み手順までは公開されていないため、ここでは「採用の事実」と「どんな用途か」までを示す。

• Cognition(自律コーディングエージェント Devin の開発元):Exaを検索基盤として採用している。コードを書く途中で必要になる技術文書を、意味で引いて取り込む使い方だ。
• Cursor(AIコードエディタ):最新の技術ドキュメントの取得にExaを使う。ライブラリの新しい仕様など、キーワードでは引きにくい情報を意味で探す場面に向く。
• HubSpot(CRM大手):営業・マーケ向けに企業や人物を網羅的に探す用途での採用。Exaはこうした市場開拓(GTM)向けに、人物・企業を広くインデックスした検索も提供している。

Exa公式やa16zによれば、採用は5,000社・40万人の開発者に広がるという。共通するのは「人間が結果をクリックするための検索」ではなく、「エージェントが意味で必要な情報を引くための検索」を求めている点だ。

exa.search() を一度叩く──4つのAPIと最小コード

最後に、Exa AIを実際にどう呼べるかをコードで見る。Exaは公式Docsで4つのコアAPIを提供している。

• /search:ニューラル検索でWebページを見つける(本記事で見てきた入口)
• /contents:見つけたページから、整形済みの本文を取り出す
• /answer:質問に引用付きで直接答える
• /research:より深いリサーチを自動化し、引用付きの構造化JSONで返す

基本となる /search を Python SDK(exa-py)から呼ぶ最小コードが以下だ。Exa APIには無料枠があり、APIキーを取ればすぐ試せる。

from exa_py import Exa
import os

# APIキーは環境変数 EXA_API_KEY から読み込む(無料枠あり / 事前に pip install exa-py)
exa = Exa(api_key=os.getenv("EXA_API_KEY"))

# 中核概念(1) ニューラル検索:キーワードの羅列ではなく自然文で意図を書ける
# 中核概念(2) 検索モード:type で速度と深さを選ぶ(既定 auto。Fast/Auto/Deepの3モード)
# 中核概念(3) 本文抽出:contents を付けると結果ページの要点(ハイライト)も返る
result = exa.search(
    "gRPCのストリーミングをRustで実装する手順を解説した最新ドキュメント",
    type="auto",
    contents={"highlights": True},
)

for r in result.results:
    print(r.title, r.url)
    print(r.highlights)

クエリ題材を「コーディングエージェントが探しそうな技術文書」にした。キーワードでは引きにくい長い自然文でも、意味で関連ページを返せるのがExaの持ち味だ。AnthropicやOpenAIのツールコーリング(LLMに外部ツールを呼ばせる仕組み)連携、MCP(AIに外部のツールやデータをつなぐ仕組み)サーバも用意されており、LLMに自律的に検索させる導線までそろう。

検索の質が、エージェントの実力を決める

Exa AIの主張を一言にすると「検索という裏方の質が、エージェント全体の精度と効率を左右する」だ。キーワード一致の人間用検索に対し、Exaは実在リンクを教師にしたnext-link predictionで意味的に最適なページを返し、自前インデックスと3つのモードでエージェント規模に応える。トークン約69%減や答え命中+10.7ポイントといった数字は、いずれもExaの自社評価(検索バックエンドだけを差し替えて、ふつうの検索エンジンを使う版と比べた値)で、鵜呑みにはできない。それでも、自分のエージェントの精度が伸び悩んだとき、モデルやプロンプトを疑う前に「検索の質」を疑ってみる——その視点を持てるかどうかは、これから自前のAIを育てる人にとって、小さくない差になる。

参考文献

1. Exa公式ブログ - Announcing Exa's Series C - https://exa.ai/blog/announcing-series-c
2. Andreessen Horowitz (a16z) - Investing in Exa - https://a16z.com/announcement/investing-in-exa/
3. Latent Space - Beating Google at Search with Neural PageRank(Exa開発者インタビュー) - https://www.latent.space/p/exa
4. Exa公式ブログ - How Search Quality Shapes RL Outcomes - https://exa.ai/blog/rl-search-outcomes
5. Exa公式ブログ - Exa 2.0 - https://exa.ai/blog/exa-api-2-0
6. Exa公式Docs - Welcome to Exa(Getting Started / 4つのコアAPI) - https://docs.exa.ai/reference/getting-started
7. Exa公式Docs - Quickstart(exa.search() の最小サンプル) - https://docs.exa.ai/reference/quickstart
8. Exa公式サイト - About(採用顧客リスト:Cursor / Cognition / HubSpot / OpenRouter / Monday.com) - https://exa.ai/about