调整API策略应对AI动态趋势

在当今快速发展的技术环境中，人工智能 (AI) 受到广泛关注。社交媒体上，新的人工智能初创公司、快速的工程工具和大型语言模型 (LLM) 解决方案层出不穷。这并不奇怪，因为人工智能似乎如同魔法一般！例如，ChatGPT 在公开发布后的短短两个月内便吸引了 1 亿用户，迅速走红。

如今，许多人开始关注：这一波API 开发者的影响。

API 使人工智能触手可及

大公司已迅速建立专门的人工智能研究实验室，招募数据科学家来制作人工智能模型。但是，对于没有用于人工智能研究实验室的大量计算资源和 GPU 的小型实体呢？这些小型实体并不是在被动观察大公司如何利用人工智能革命。事实上，对于许多人工智能应用程序，特别是那些以自然语言为中心的应用程序，并不需要专门的人工智能研究实验室。相反，可以利用现有的公共人工智能模型和大型语言模型 (LLMs)。这意味着开发人员不必成为人工智能专家，只需精通 API 即可。通过快速工程、微调和嵌入，这些模型可以根据特定需求进行定制。

在这里，关键在于“API”。API 封装了其内容的复杂性，使所有开发人员都能访问 AI 模型，无论其在人工智能领域的专业知识如何。这种关注点的分离确保了少数数据科学家能够创建 AI 模型并将其打包为 API，从而使更多开发人员能够将这些模型集成到他们的应用程序中，打造精通自然语言处理的“智能”解决方案。结果是，API 创造了一个公平的竞争环境，让各种规模公司的开发人员都有机会使用强大的人工智能模型。

现代应用程序的 AI 和 API 模式

API 是将产品与其他产品连接的关键，特别是在人工智能领域，这种连接显得尤为重要，因为人工智能需要与不同的数据源和工具配合才能发挥作用。现代应用程序利用人工智能和 API 结合，实现“智能”功能，使其能够理解人类语言和意图，而 API 则促进数据访问和系统连接。这些技术并非孤立存在，它们的组合使用可以产生协同效应，主要有三种集成模式：

模式一：通过 API 调用 AI 服务

AI 模型（例如 OpenAI 的 ChatGPT）通常以 API 形式提供。开发人员通过这些 API 触发 AI，发送提示作为输入，从而无缝集成 AI 到应用程序中。构建新 AI 应用程序的常见架构通常利用两个 OpenAI API 端点，例如 Vector Embeddings 和 Chat Completion。该方法首先通过 OpenAI API 为每个输入文档（包括文本、图像、CSV、PDF 或其他类型的结构化/非结构化数据）创建向量嵌入。生成的嵌入会被索引以便快速检索，并保存到像向量数据库一样的存储中。这些文档将与用户的问题一起作为提示呈现给 ChatGPT，增加了 ChatGPT 智能响应用户查询的能力。

模式二：AI 服务调用 API

AI 模型响应的输出通常是文本。为了将这些输出转化为可操作的结果，人工智能服务需要调用 API。这些 API 可以在现实或数字世界中执行操作，例如付款、预约、发送消息或调整室温。API 充当人工智能服务的“双手”，使其能够与环境进行互动。ChatGPT 的自定义插件便是一个良好的例子。在这种情况下，可以使用 APISIX 为 API 网关构建自定义插件，APISIX 位于 API 的前端，负责将 AI 请求路由到预期的后端 API 服务。同时，可以实施身份验证、授权和速率限制等安全措施，或缓存来自 API 的类似响应，从而收集有关 API 使用情况、性能和潜在问题的宝贵见解。

模式三：AI 连接 API

多年前，要使两个软件系统或 API 进行通信，唯一的选择是手动编码，软件工程师需要创建复杂且脆弱的代码序列。这项任务仅适合开发人员，每次修改都意味着更多的编码，从而导致相互连接的代码变得复杂。

随着API 请求或响应中的条目需要关注时，通过自然语言发送警报通知。

保护 API 使用

人工智能能够调用在现实或数字世界中执行操作的 API，因此实施保障措施至关重要。这种保护措施最好在 API 管理系统级别进行，以确保负责任和安全地使用人工智能。本文探讨了 API Gateway 如何帮助 ChatGPT 插件开发人员公开、保护、管理和监控其 API 端点。

综上所述

应用程序开发中利用 AI 提供了明确的路线图。随着人工智能领域的不断发展，对 API 及其集成策略的关注将愈发重要。

原文链接：Adapting API Strategies to Dynamic AI Trend