幫 agent 接上網頁資料，最花時間的往往不是寫程式，而是搞懂前置問題：搜尋 API 和 scraping API 差在哪、RAG as a service 是什麼、deep search 和 deep research 是不是同一件事。這些問題散落在各家文件和行銷頁裡，很難有一個地方能系統性地對照。
Exa 在其部落格上的 Learn 區塊，把這類內容集中成一個資源庫，涵蓋搜尋、檢索與用網頁資料做開發的指南、比較和概念解釋。對正在做技術選型的 builder 來說，值得把它當成一份現成的閱讀清單。
三種內容，對應三種決策
從目錄結構看，這批內容大致分成三類，剛好對應你在專案不同階段要做的判斷。
第一類是概念解釋（Explainer），例如 semantic search、web indexing、LLM grounding、RAG API 這些名詞。這些是選型前的前置知識——如果你分不清「搜尋」和「檢索」在 agent 場景裡的差別，很容易買錯工具。
第二類是工具比較（Roundup 和 Comparison），例如 2026 年的 AI 搜尋 API、web scraping 工具、people search API、學術研究工具等清單。這類內容的直接用處是縮短盡職調查的時間：先看一份橫向比較，再決定要深入試哪兩三家。
第三類是 How-to，例如如何做一個帶網頁搜尋的 AI agent、如何列出一個網站的所有頁面。這是從「懂概念」走到「能出貨」的那一段。
為什麼這對 builder 有實際意義
我在先前的文章裡寫過，ATLAS 評測把 agent 搜尋的重點拉回搜尋本身——評測工具的性能固然重要，但前提是你自己要先能判斷什麼是好的檢索。Exa 這批內容做的正是補齊判斷力這一層：它把「為什麼 AI 搜尋需要自己的 index」這類基礎問題講清楚，讓你看評測數字時知道數字背後代表什麼。
另一個實用訊號是內容的覆蓋面。目錄裡同時有「哪些 AI chatbot 能搜尋網頁」這種終端使用者會問的問題，也有「people search API 怎麼選」這種 builder 才會遇到的問題。這代表這個資源庫不只服務開發者，也服務在產品裡整合搜尋能力的產品經理。
怎麼用最有效率
如果你只有一個下午，我會建議這樣讀：先挑一篇和你目前專案直接相關的比較文（例如你在做 agent 就看 web search tools 那篇），建立供應商的全景；再回頭讀一兩篇 Explainer 補概念；最後用 How-to 文章動手做一個最小原型。
要提醒的是，這是 Exa 自家部落格的內容，比較類文章難免以自家產品為參照點之一，讀的時候把這個立場考慮進去，結合其他來源的評測交叉驗證，會是比較穩的做法。
如果你正打算替 agent 加上網頁資料能力，把這份目錄掃一遍、標出三篇和你手上專案最相關的，大概是今天最划算的三十分鐘投資。