DeepSeek 开放搜索后，Tavily 和 Exa 还值得付费吗？同题实测看差别

大家好！我是瓜哥。前互联网技术副总裁，现在带队死磕 AI 编程。

10月17日 DeepSeek 发布 V4.1-Flash-1017 时，热度全被 “许愿式编程” 吸走了。只需简单几句就能交付一个像样的成品，确实很吸引人。

「许愿式编程能力实测」：我只许了个愿，14 分钟后祈年殿 3D 场景跑起来了：DeepSeek 这次真有点猛！

很少有人注意到另一个更关键的底层能力的发布：自研 Search/FetchAPI。

有人误以为大模型原厂要借此围剿 Google 与百度。但仅凭账户级 100 QPS 的检索配额与单薄的抗反爬能力，根本动摇不了传统搜索引擎数十年的基建。

这个动作真正致命的受害者，是潜伏在 Agent 生态里的第三方检索中间件，以 Tavily 和 Exa 为代表的 “AI 搜索服务商”。

今天我将使用相同模型（DeepSeek-V4.1-Flash）、同任务（减脂餐方案）、测三家（DeepSeek 搜索 API/Tavily/Exa）。

二、核心差异

1. 快速了解三者的定位

① DeepSeek Search/Fetch

DeepSeek 原厂自带搜索能力，查一千次才几块钱，在 Agent 日常干活中搞定 80% 的通用文档检索、开源代码排错与长摘要事实核查。

② Tavily

面向 Agent 的 “全能网络搜索代理”，擅长帮 Agent 搞定那些难打开的网页，替你摆平网站反爬的脏活累活、剔除所有广告杂乱信息，把干净整齐的网页正文打包带回来。

③ Exa

基于全网向量索引的 “高级图书侦探”，擅长根据你描述的一整句抽象感觉或复杂需求（而不是死板的关键词），精准深挖出那些藏得很深的行业研报、学术论文和冷门好物。

2. 极其刺眼的十倍费用差

在过去，为 Agent 搭建优质联网搜索能力，很多人会选择使用这类中间件。

理由很简单：Agent 自带搜索比较弱，既消耗模型 token，又不能支撑高质量的搜索结果，第三方搜索服务商替我们完成了 “网页抓取、正文转 Markdown、格式重排” 的脏活。

享受干净的返回结果的同时也必须在模型订阅之外，额外承担工具调用的费用。来看一组公开定价的对比：

tips：图中比较各服务指定模式的千次接口标价：Tavily 采用 Basic Search 按量价，Exa 采用 Lite/Auto 价格。不同模式返回能力不同，完成同一任务的总费用还取决于调用次数、抓取和模型消耗。

从千次接口标价看，DeepSeek 的价格优势很明显。第三方搜索工具想要让用户继续付费，就得在同一个任务里证明：能搜得更准、抓得更稳，或者减少重试和等待。

接下来，用一次同题实测看看，这些价差到底换来了什么。

2. DeepSeek 的成本优势

除了基础价差，更可怕的是确定性计费规则：DeepSeek 官方明确承诺  仅当 HTTP 200 且返回有效内容时计费，请求超时、无匹配结果或系统报错完全免单。

翻译一下：成功抓取信息收费，没抓到不要钱！

在每千次调用几美分的差异看似不起眼，但当 Agent 进入多轮思考、深层搜索或高频自动化运行阶段时，单日百万级 Token 和成百上千次的检索调用，会让这 10 倍的剪刀差直接演变成巨额账单。

二、实战压力测试

面对极端悬殊的价格，大家可能都有一个核心质问：白菜价的 DeepSeek 搜索，真能跑通严谨的复杂任务吗？

1. 一日减脂餐

为回答这个问题，我设计了一个贴近生活但具备复杂难度的测试：一日减脂餐方案生成。

这项任务看起来好像挺简单的，实际执行过程需要持续信息检索与数据加工整理。包括：异构资料交叉检查、具体到克数的正文抓取、数字严谨闭环、信息的边界。

① 测试提示词

为了保证对比的有效性，三种搜索工具使用完全相同的提示词，并在相同基底模型与输出约束下运行：

Prompt：

请通过联网搜索，为一位没有已知食物过敏、没有特殊饮食禁忌的普通成年人，整理一份适合长期执行思路的一日减脂餐示例，包含早餐、午餐和晚餐。这是一项资料检索与整理任务，不是个性化医疗建议。不要假设菜单适合所有人，不要承诺吃了必瘦。请先查找官方/医疗/学术等权威来源及公开食物成分数据库，不要只依据搜索摘要作结论。  请为每餐列出：  1. 菜品名称和具体食材；  2. 每种食材的用量（注明生重或熟重）；  3. 估算热量和蛋白质；  4. 从可靠资料中能核实的选定维生素信息（不承诺覆盖全部）；  5. 每项重要营养数据对应的出处链接。  最后汇总全天热量与蛋白质，并说明计算口径、烹饪用油假设，以及哪些数据为估算或无法核实。若资料无支持，明确写“未找到可靠数据”，严禁伪造数字。生成一个html的结果页。

② 结果综述

三轮测试，都使用 Claude Code + Deepseek Flash（最新 1017 版本），先看结果。

tips：成年男性，办公室白领，一天基础能量消耗是：2,151 kcal（千卡）。

从最终结果来看，三款工具都能顺利完成这个任务。拆开细看，发现搜索细节是有明显差异：

四维度对比

• 来源质量：三者都锁定权威库；DeepSeek 来源最广，Tavily 最本地化，Exa 全部一手但类别较少。

• 正文提取深度：三者都读到了每 100 g 原表，不是停在搜索摘要。

• 信息完整度：Exa > DeepSeek > Tavily。

• 边界控制：三者都声明油、盐、烹饪损失和个体差异，均未承诺减重效果。

2. 拆开看执行细节

重点来看使用 DeepSeek 的搜索 API 的细节。

执行搜索

整体搜索耗时，15 分 48 秒。

整体 token 消耗。输入 10 万 token，输出 13 万 token

共计: 5 次搜索调用，共 14 条查询；1 次抓取。

3. 综合评价

DeepSeek是三份搜索结果里来源最广、边界写得最细的一份。

但 DeepSeek 自带搜索的原生命中率和直连能力较弱，靠代理补齐，总耗时 27 分 13 秒，慢于 Exa。

三. 我的结论与建议

① 如何看待 DeepSeek 模型集成的搜索能力

将 Agent 依赖外部第三方搜索服务商，转为 调用模型内置搜索能力。对于绝大部分的信息检索场景，当模型内置了搜索能力后，对第三方搜索的依赖会逐步降低。

② DeepSeek 的优势与短板

最明显的优势就是成本，大幅降低了 “千次搜索” 的成本，同时 DeepSeek API 原生支持 Claude Code 中的 Web Search 功能。对于 CC 用户来说无需做特别的配置即可使用模型原生搜索能力。

短板也很明显，它的 Fetch 仅是标准 HTTP 抓取，一旦遭遇 Cloudflare 防火墙、复杂动态 JS 渲染或严格的反爬策略，便极易返回 403 或 404；同时，25 QPS 的 Fetch 配额也无法满足海量并发抓取。

③ 继续选择第三方搜索的理由

Tavily 和 Exa 相对高的价格中，确实有一部分是在替用户承担无头浏览器集群、分布式代理 IP 池与反爬攻防的沉重基建成本。

当原厂把搜索变成低价、随手可用的基础能力，第三方服务需要用更好的检索结果、抓取成功率和任务效率，证明自己的溢价。

④ 我的建议

对于主力使用 DeepSeek Harness 和 Claude Code 的小伙伴来说，日常 80% 通用搜索需求都能以的白菜价（1000次/$0.75）进行覆盖，剩下 20% 特定复杂搜索需求和信息交叉比对，依然可以使用第三方搜索服务进行补充。

写在最后

在深度体验了 DeepSeek 开放自研 Search/Fetch 后，除了以上聊到的搜索本身的能力外，我感受到的信号是：大模型的挤压效应，已经越过了模型算法本身，正加速覆盖到模型的外围工具链。

作为创业者要更警惕一类创业方向：产品价值主要依赖原厂暂时没提供的通用能力。原厂补齐后，接入便利和功能缺口带来的价值会迅速被吞并，更建议去关注一些特定场景的小需求而不是通用需求。

最后，DeepSeek 搜索刚发布，限时免费体验（截止到 11月1日），感兴趣的小伙伴，抓紧去体验吧。

我是 AI 编程瓜哥，一个只分享 AI 实战干货的博主，关注我，一起走入 AI 世界。