APIها اغلب بازتابی از بازار فناوری گسترده‌تر هستند. از آنجا که APIها امکان اتصال را فراهم می‌کنند، تمایل دارند میکروسکوپی از فناوری‌ها و روندهای بازار بزرگ‌تر باشند. به همین دلیل، حرکت‌ها و الگوهایی که در فضای API برای فناوری‌های نوظهور یا جدید اتخاذ می‌شوند، بازتابی از واکنش صنعت به این فناوری‌ها هستند، چه به‌صورت مثبت و چه منفی.
در حوزه APIها، برخی از جالب‌ترین الگوهایی که امروزه پذیرفته شده‌اند، حول محور هوش مصنوعی و مدل‌های زبان بزرگ (LLM) هستند. این سیستم‌ها بسیاری از راه‌حل‌های نوآورانه را پشتیبانی می‌کنند، اما نحوه پذیرش آن‌ها از پیاده‌سازی‌ای به پیاده‌سازی دیگر و گاهی حتی از تیمی به تیم دیگر متفاوت است.
امروز، به برخی از الگوهایی که در فضای API برای اتصال عوامل هوش مصنوعی به APIها در حال ظهور هستند، می‌پردازیم. بررسی می‌کنیم که این الگوها چگونه دیدگاه‌های مختلفی نسبت به هوش مصنوعی ارائه می‌دهند و چه معنایی برای توسعه‌دهندگان هوش مصنوعی دارند.
۱. پلتفرم‌های عامل هوش مصنوعی
ظهور ارائه‌دهندگان پلتفرم به‌عنوان سرویس (PaaS) ویژگی بارز دهه گذشته بوده است. با ورود هوش مصنوعی به محور بسیاری از مباحث API، جای تعجب نیست که راه‌حل‌های پلتفرمی مطرح شوند.
ایده پشت این الگو ساده است: اتصال به پلتفرمی که دارای بسیاری از یکپارچه‌سازی‌های از پیش ساخته‌شده API است. این امر بسیاری از پیچیدگی‌های دیگر راه‌حل‌ها را حذف می‌کند و یک راه‌حل سبک و ساده برای توسعه‌دهنده فراهم می‌آورد.
یک مثال قابل توجه، «AI Agent Builder» در Postman است. ایده این است که کاربران بتوانند عوامل هوش مصنوعی خود را به هر API در شبکه API Postman متصل کنند و پروتوتایپ و پیاده‌سازی سریع بدون نیاز به هماهنگی پیچیده عوامل و بررسی‌های اتصال انجام دهند.
عیب این رویکرد مشابه عیب پلتفرم‌ها به طور کلی است — به‌جز موارد خاص، در نهایت خود را به پلتفرم محدود می‌کنید. این می‌تواند مفید باشد و امکان هماهنگی نزدیک‌تر با سازمان یا خدمات بزرگ‌تر را فراهم کند، اما محدودیت‌هایی نیز ایجاد می‌کند و قطع ارتباط از آن ارائه‌دهنده در آینده را دشوارتر می‌سازد.
۲. هماهنگی هوش مصنوعی محور API
رویکرد دیگر استفاده از خود هوش مصنوعی برای هماهنگی فراخوانی APIها است. به جای استفاده از پلتفرم برای اتصال APIها به هوش مصنوعی، خود هوش مصنوعی به یک دروازه یا نقطه انتهایی جمعی متصل می‌شود و فراخوانی‌های API را برای هماهنگی پاسخ‌ها، انجام درخواست‌ها و جمع‌آوری داده‌ها مدیریت می‌کند.
به عنوان مثال، یک عامل هوش مصنوعی ممکن است یک درخواست را از طریق نقطه ورود ingest خود دریافت کند و بر اساس آن، درخواست‌های جدیدی ایجاد کند که سپس از طریق نقاط انتهایی GraphQL هدایت می‌شوند تا هر بخش را تکمیل کنند و داده‌ها را جمع‌آوری و پاسخ دهند. برای کاربر نهایی، این ممکن است شبیه یک درخواست ساده باشد، اما در سمت عامل، این درخواست می‌تواند بازتولید، ترکیب یا ذخیره شود.
یک نمونه پیشرفته این الگو، رویکرد supergraph هاسورا با PromptQL است. این راه‌حل APIها را از طریق یک نقطه انتهایی supergraph یکپارچه متصل می‌کند که قابل پرس‌وجو است و می‌تواند همه چیز، از APIها تا منابع داده و پایگاه‌های داده، حتی گراف‌های دیگر را متصل کند.
این نوع الگو یک وارون‌سازی بنیادی نسبت به مدل رایج API به AI است، اما معایب قابل توجهی دارد. اول، سطح کیفیت مشخصی از عامل انتظار دارد که همه مدل‌ها قادر به رسیدن به آن نیستند. دوم، پیچیدگی سیستم را افزایش می‌دهد و احتمال خطا را بالا می‌برد. وقتی خطا رخ دهد، رفع مشکل نیز دشوار است زیرا مسائل ممکن است توسط رفتار توهمی پنهان شوند.
۳. تعاملات مبتنی بر پروتکل
با افزایش تقاضا برای سیستم‌های هوش مصنوعی متصل، برخی ارائه‌دهندگان راه‌حل‌های مبتنی بر پروتکل را اتخاذ کرده‌اند. یک راه‌حل مرتبط، پروتکل Model Context یا MCP است که توسط Anthropic توسعه یافته است. ایده MCP استانداردسازی نحوه ارائه زمینه به مدل‌های زبان بزرگ است، با تعریف یک نقطه ingest که سیستم‌های مختلف بتوانند برای اتصال به مدل‌های هوش مصنوعی از آن استفاده کنند.
پروتکل MCP مشخصات و SDKهایی برای پیاده‌سازی استاندارد ارائه می‌دهد و همچنین از طریق برنامه‌های دسکتاپ سرویس Claude و مخزن سرورهای MCP متن‌باز، پشتیبانی سرور دارد. به‌طور خلاصه، می‌توانید از این سیستم‌ها برای ایجاد اتصال APIها با قالب ingest استاندارد استفاده کنید و امیدوار باشید که با پذیرش گسترده‌تر استاندارد، مدل‌های بیشتری به این اکوسیستم وارد شوند و سیستم‌های متصل گسترده‌تری شکل بگیرد.
البته، مشکل این رویکرد به طنز در کامیک معروف XKCD درباره استانداردها توضیح داده شده است — همان‌طور که در استاندارد USB-C ذکر شده، انحراف و استانداردهای جدید به سرعت ظهور می‌کنند و از هدف اصلی فاصله می‌گیرند و پیچیدگی ایجاد می‌کنند. Anthropic نیت خوبی دارد، اما تنها ارائه‌دهنده LLM نیست که روی استانداردهای این‌چنینی کار می‌کند.
انتخاب راه‌حل مناسب
در نهایت، این سؤال مطرح می‌شود — کدام یک از این راه‌حل‌ها بهترین است و آیا مکمل یکدیگر هستند یا رقابتی؟
همان‌طور که در هر پیاده‌سازی فنی، پاسخ بستگی زیادی به ساختار شما، مورد استفاده، محیط و کتابخانه یا پلتفرم عامل هوش مصنوعی دارد. در نهایت، ساختار پیاده‌سازی شما راه‌حل بهینه را تعیین می‌کند.
با این حال، نکته مهم این است که این رویکردها لزوماً رقابتی نیستند و در بسیاری از موارد می‌توانند مکمل باشند، به ویژه در رویکرد توسعه مدرن محور میکروسرویس، که خدمات و عملکردهای مختلف ممکن است نیازهای عاملی متفاوت یا حتی ناسازگار داشته باشند.
در چنین شرایطی، ممکن است یک سرویس به یک عامل پلتفرم متصل شود و سرویس دیگر به یک سرویس محلی یا کتابخانه ساده‌تر دسترسی داشته باشد. این رویکرد نیاز به راه‌حل‌های پویا دارد و پیاده‌سازی یکسان برای همه کمتر واقع‌بینانه است.
APIها: باز کردن پتانسیل عوامل هوش مصنوعی
عوامل هوش مصنوعی نیازمند اتصال قوی به APIها هستند تا به پتانسیل کامل خود دست یابند. APIها باید با سیستم‌های هوش مصنوعی اتصال برقرار کنند، زیرا ارزش و فرصت‌های جدیدی برای پردازش داده‌ها و عملکردها ارائه می‌دهند. با انتخاب رویکرد و حالت مناسب بر اساس مورد استفاده و نیازهای خاص، سازمان‌ها می‌توانند از این فناوری بهره‌برداری کنند.
با این حال، مهم است که به یاد داشته باشید هوش مصنوعی فناوری انقلابی است. همان‌طور که در هر پیشرفت بزرگ، نیاز به تفکر و توسعه عمیق دارد تا به اندازه پتانسیل خود تأثیرگذار و قدرتمند شود. توسعه‌دهندگان با استفاده از هوش مصنوعی بهترین روش‌ها برای اتصال به این سرویس‌ها را خواهند یافت و از آن تجربه، پروتکل‌ها، استانداردها و رویکردهای جدید شکل خواهند گرفت.
همان‌طور که هوش مصنوعی تکامل می‌یابد، نیاز به اتصال هوشمندتر و استاندارد شده به APIها نیز افزایش می‌یابد. بنابراین، این مقاله را به‌عنوان یک نگاه اجمالی به راه‌حل‌های کنونی در نظر بگیرید و همیشه به افق نوآوری‌های آینده توجه کنید.
