每个Agentic RAG教程的结尾都一样：选一个搜索API，接进你的LangGraph节点，上线。但到底该选哪个？各家文档都宣称自己准确、快速、AI原生，等你真正围绕它搭建完系统，才发现哪个在说谎。
与其读官网的营销文案，不如直接跑数据。我用了100条真实查询，分别通过Tavily、Exa和Brave Search执行，对比三家在Agentic RAG场景下的实际表现。
这100条查询不是合成的，全部来自我日常工作中实际遇到的四类场景：25条新鲜新闻查询（本周发布了什么）、25条长尾检索（Google埋掉的内容）、25条代码上下文搜索（跨网页搜索API名称）、25条命名实体查询（人物/产品/论文）。每个API收到完全相同的查询字符串、相同的10条结果上限、相同的下游合成步骤。唯一变量是搜索后端。
为什么选这三家，而不是其他十二家？
2026年的搜索API市场相当拥挤。Perplexity、You.com、Firecrawl、Linkup、Parallel、Serper、Kagi，加上五六个会议上常听说的垂直索引。我选Tavily、Exa和Brave，是因为它们恰好代表三种不同的“Agentic搜索”理念：
- Tavily：AI优先排序器。它的卖点是API已经知道你是Agent，结果自带摘要和评分标签，可以直接交给LLM。
- Exa：专有索引上的神经向量搜索。语义相似度在查询模糊时胜过关键词匹配。
- Brave Search：独立网页索引，返回普通SERP形态的结果。无第三方依赖，无重排层，就是纯粹的网页。
三种理念，三个API，一个Python测试框架。哪个理念在我的100条查询上胜出，就能说明哪个理念更适合你的场景。
测试框架，比你想的简单
整个基准测试框架不到200行代码。每个API封装成一个search(query: str) -> list[dict]函数，返回标题、URL、摘要、评分和延迟毫秒数，原始JSON记录到磁盘，然后top-10结果交给LLM合成器生成一段答案。评判标准是人工标注的：在跑任何API之前，我先写下每条查询的正确答案长什么样。
所有查询跑了两遍，在两个不同的早晨执行，以消除瞬时故障和索引新鲜度的影响。两次运行在每个指标上误差都在5%以内，下面数字是两次的平均值。
计分板：总成绩几乎持平
最令人意外的发现是：三家API的总分差距极小。在聚合层面，所有指标都咬得很紧。但拆开看四个查询类别，差异就非常明显了。
新鲜新闻查询：Tavily领先
在25条“本周发生了什么”的查询上，Tavily的答案质量明显更高。它的AI优先排序器在处理时效性内容时优势突出——结果摘要直接包含发布时间和关键实体，LLM合成时几乎不需要额外清洗。Brave紧随其后，Exa在新闻类查询上表现最弱，向量搜索对“刚发生的事”天然不敏感。
长尾检索：Exa反超
在Google埋掉的那些冷门内容上，Exa的神经向量搜索展现出真正的价值。当查询词模糊、关键词匹配失效时，语义相似度能挖出Tavily和Brave都找不到的页面。这一类别上Exa的答案准确率比第二名高出近15个百分点。
代码上下文搜索：Brave意外胜出
跨网页搜索API名称和代码片段，Brave的独立索引反而表现最好。原因可能是它的索引对技术内容覆盖更全，且SERP形态的结果保留了更多原始上下文。Tavily的摘要层在代码场景下反而丢失了关键细节，Exa的语义匹配在精确API名称上优势不大。
命名实体查询：三家打平
在人物、产品、论文的查询上，三家差距在统计噪声范围内。这类查询信息密度高，任何一家搜索引擎都能给出合格结果，API之间的差异被下游LLM合成器抹平了。
延迟对比：Brave最快，Exa最慢
平均延迟方面，Brave Search以明显优势领先，Tavily居中，Exa最慢——向量搜索的代价是额外的计算时间。如果你的Agent对延迟敏感，这个指标可能比答案质量更重要。
结论：没有全能冠军，只有场景匹配
跑完100条查询，我的结论是：选API不是选最好的，而是选最匹配你查询分布的。如果你的Agent主要处理新闻和时效内容，Tavily的AI优先排序值得多付的成本；如果你的查询偏长尾和模糊，Exa的向量搜索能挖出别人找不到的东西；如果你要的是纯粹、快速、无依赖的网页搜索，Brave是最稳的选择。
更重要的是，这个测试框架本身不到200行代码。与其读文档猜，不如花一个下午跑一遍自己的真实查询。数据不会说谎。
热门跟贴