Exa年收入破亿与Vercel收购Traces:Agent时代的基建信号
钱流向哪里:Exa 的亿美元收入与 Agent 搜索爆发
在 AI 行业,营收数字往往比技术参数更能说明问题。面向 Agent(智能体)的搜索引擎 Exa 宣布其年化收入突破 1 亿美元。这个数字本身并不惊人,考虑到它仅用了三年时间,且几乎保持每年 10 倍的增长速度,背后的趋势才值得玩味。
Exa 每月处理 20 亿次请求,服务超过 20 万个团队。与传统搜索引擎不同,Exa 的目标用户不是人类,而是 AI Agent。当自动化程序需要查找最新信息、验证事实或收集数据时,它们不需要花哨的排版或广告,只需要结构化、准确且易于解析的数据流。Exa 创始人预测,到 2030 年,Agent 产生的搜索量将是人类的 1000 倍。如果这个预测哪怕只实现一半,现有的搜索基础设施都将面临重构。
这一增长并非孤立现象。a16z 近期发布的消费者 Agent 市场地图显示,围绕搜索、账号接入、记忆存储、支付和通信的工具层正在成为创业的新窗口。这意味着,AI 的应用层正在从“聊天机器人”向“自主执行任务的代理”转变,而支撑这种转变的底层设施——如专为机器设计的搜索接口——正在率先兑现商业价值。
软件开发的下一块基石:Vercel 为何收购 Traces
如果说 Exa 解决了 Agent “看”的问题,那么 Vercel 收购 Traces 则是为了解决 Agent “做”的过程如何被记录和理解的问题。
Vercel CEO Guillermo Rauch 提出一个观点:Trace(追踪)将成为新的软件原语。在传统的软件开发中,Git 记录了代码的增量变化,但它无法记录开发者为什么这么写、参考了哪些文档、或者在调试过程中尝试了哪些失败的路径。对于由 LLM 驱动的开发流程而言,这些信息至关重要。
Traces 能够捕捉意图、Prompt、推理过程以及工具调用的完整链路。Rauch 认为,这是构建“递归自我改进”系统的基础。只有当系统能够回溯并理解之前的决策路径时,它才能在下一次迭代中做得更好。这不仅仅是调试工具的升级,而是软件生命周期管理范式的转移。未来的代码仓库可能不仅包含源代码,还包含生成这些代码的完整上下文轨迹。
这一收购也反映了前端和全栈开发平台对 AI 原生工作流的深度整合。Vercel 不再仅仅是一个部署平台,它正试图成为 AI 辅助开发的标准操作系统。
瓶颈转移:Google Cloud 指出数据 I/O 才是新痛点
当所有人都在抢购 GPU 时,Google Cloud 泼了一盆冷水:算力瓶颈已经转移。
在最新的 MLPerf 测试和相关博客中,Google Cloud 指出,AI 基础设施的重心已从单纯购买加速卡,转向如何保持加速器满载。如果数据供给跟不上,昂贵的 GPU 就在空转。为此,Google 推出了 Cloud Storage Rapid,声称单桶吞吐可达 15TB/s,并配合 Rapid Cache 技术。
Salesforce AI Research 的案例颇具说服力:通过采用这种专用存储方案,他们在 Agent 推理任务中减少了 40% 的 GPU 使用量。这说明,在大规模 AI 应用中,存储和网络 I/O 的效率直接决定了算力成本的下限。对于企业而言,优化数据流水线可能比升级显卡型号带来更高的 ROI(投资回报率)。
安全收紧:国内大厂主动给模型“戴镣铐”
随着模型能力的增强,安全风险也从理论走向现实。彭博社报道指出,阿里、腾讯、月之暗面等国内厂商在新一代模型中普遍限制了网络攻击能力,并强化了漏洞检测。
具体来看,阿里的 Qwen4-Max 过滤了大量攻击性训练数据,且暂时不开源权重,以控制潜在滥用风险。月之暗面的 Kimi K3.1 Pro 在内部漏洞利用基准测试中的得分从 90.5% 降至 81.0%。这种分数的“下降”实际上是安全对齐的结果,意味着模型拒绝执行恶意指令的概率提高了。
这一趋势表明,中国 AI 行业正在从“能力优先”转向“安全与能力并重”。在监管要求和实际应用场景的双重压力下,厂商们意识到,一个能黑客攻击的模型不如一个稳定可靠的助手有价值。这也解释了为什么 Qwen4-Max 选择闭源策略——在安全边界尚未完全厘清之前,控制访问权限是更稳妥的选择。
工程化实践:Claude Code 如何验证 90% 的 AI 代码
当 AI 生成代码的比例越来越高,如何确保这些代码的质量?Claude Code 团队公开了他们的方法论:约 90% 的代码由 Claude 编写与审查,但这背后依靠的是严密的验证回路。
他们采用了三类测试与验证机制,支持数十至数百个并行 Agent 同时工作。在内测阶段,引入独立的 grader(评分器)按照严格标准复核 Agent 的输出。结果显示,这种机制将任务成功率提升了最多 10 分。
这揭示了一个关键事实:AI 编程不再是“生成即完成”,而是“生成-验证-修正”的循环。人类开发者的角色从写代码转变为设计测试用例和验收标准。Claude Code 的实践证明,只要验证体系足够强大,AI 完全可以承担大部分编码工作,甚至包括审查环节。
开源反击:Kevin Rose 自建 SignuDoc 替代 DocuSign
在 SaaS 订阅费日益高昂的今天,开源再次成为开发者的武器。Digg 创始人 Kevin Rose 因不满 DocuSign 对其 15 人团队报价 8100 美元/年,决定自建开源签署工具 SignuDoc。
SignuDoc 可以一键部署到自有 Vercel 账户,席位费用为 0 美元。它具备审计轨迹、防篡改印章等功能,且文件数据保留在用户自己的云中,不经过第三方服务器。这一举动不仅是对高价 SaaS 的抗议,也反映了企业对数据主权和成本控制的敏感。在 AI 时代,许多传统 SaaS 的功能可能被本地化、轻量化的开源方案取代,尤其是当这些方案能更好地集成到自动化工作流中时。
结语
从 Exa 的收入爆发到 Vercel 的收购,从 Google 的存储优化到国内大厂的安全对齐,2026 年末的 AI 行业呈现出明显的工程化特征。狂热期已过,现在是为 AI 搭建地基的时候。无论是搜索、存储、追踪还是安全,每一个环节都在经历重塑。对于开发者和企业而言,关注这些基础设施的变化,比追逐下一个大模型版本更为重要。