LLMs（大型语言模型）可能会被用于创建API调用，但请勿重新分配您的数据...

Chat GPT 和其他类似的大型语言模型（LLM）正在通过为创建 API 调用这一常见挑战提供解决方案，从而再次推动业务的转型。LLM 的出现标志着软件开发进入了一个新时代，它能够显著减少甚至消除对粘合代码的需求。这种变化并非为了减少对数据工程师的依赖，而是旨在简化复杂的 API 交互，使其更加便捷。

使用 LLM 创建 API 调用的优势

以下是 LLM 在成功创建 API 调用时的主要优势：

简化复杂任务

LLM 能够解释并简化复杂的 API 文档，使开发人员更容易理解如何与特定 API 交互。这对不熟悉某些 API 的开发者尤其有帮助。

自动生成代码

通过简单的自然语言描述需求，LLM 可以生成相应的 API 调用代码片段。这种能力极大地提高了开发效率。

减少人为错误

LLM 在生成 API 调用时能够减少因拼写或语法错误导致的常见问题，特别是在处理复杂 API 调用时表现尤为突出。

教育用户

对于 掌握 API 调用的结构和工作方式。

提供灵活性和自定义

LLM 可以根据用户提供的参数和身份验证方法生成定制化的 API 调用，从而实现更高效的交互。

协助集成

通过提供示例和解释，LLM 能够帮助开发者理解如何将多个 API 集成到应用程序中，这对初学者和资深工程师都有帮助。

提供最新信息

通过连接网络，LLM 可以从服务文档中获取最新的 API 信息，确保生成的代码与当前版本的 API 保持一致。

支持多语言

LLM 能够生成多种编程语言的 API 调用代码，方便开发者将其集成到不同类型的项目中。

帮助调试

LLM 还可以通过分析常见错误的原因并提供解决方案，协助开发者调试 API 调用。

Proxet 的实验

实验目标

Proxet 的目标是开发一个 LLM 工具，能够接收类似于“创建<服务名称>API 调用以完成<任务描述>”的请求，并生成包含完整代码和注释的响应。

实验起点

Proxet 首先尝试了 OpenAI 的 GPT 商店中一些定制化的 ChatGPT 工具。例如，一个名为“API 专家”的工具声称可以提供技术建议和实例。

实验结果

在将生成的代码移植到 Python 并运行后，发现代码无法正常工作。主要问题在于生成的 URL 和参数不正确，而由于缺乏底层访问权限，无法进一步分析问题原因。

修订尝试

Proxet 还测试了另一个自定义 GPT 工具，该工具提供了旧版本 OpenAI API 的代码。然而，由于与最新版本的 API 存在滞后性，生成的代码仍然无法完全满足需求。

实验结论与未来计划

实验结论

通过实验发现，现有的 ChatGPT 定制工具在生成 API 调用代码时存在显著问题，尤其是在处理最新版本的 OpenAI API 时无法提供正确的代码。

未来计划

Proxet 计划开发自己的工具，结合语言链、代理和 RAG（检索增强生成）等技术，并将网络搜索功能集成到 LLM 中，以解决现有工具的不足。

总结

LLM 在创建 API 调用方面展现了巨大的潜力，但目前的工具仍存在一些局限性，尤其是在生成最新版本 API 的代码时。Proxet 的实验表明，尽管 LLM 能够简化开发流程，但其生成的代码仍需工程师进行调整和优化。未来，通过结合更先进的技术，LLM 有望进一步提升开发效率和准确性。

原文链接: https://www.proxet.com/blog/llms-might-be-used-to-create-api-calls