在当前的 AI 技术栈中，API（应用程序编程接口）的地位已经从“辅助工具”上升为“核心基础设施”。大模型本身具备理解和生成能力，但要让 AI 真正完成实际任务——查询数据、操作业务系统、触发外部服务——必须依赖 API 与外部世界交互。本文从技术视角梳理 API 在 AI Agent、模型接入、企业集成中的关键作用，并给出具体的实现方式与代码示例，帮助开发者理解这一层的基础能力。

1. AI Agent 的“执行层”：Function Calling 与工具调用

AI Agent（智能体）的核心能力在于自主规划并执行任务。当用户提出“帮我预订今晚7点的餐厅”时，Agent 需要拆解步骤：搜索餐厅、查询营业时间、调用预订 API。这个过程的关键环节是函数调用（Function Calling）：大模型根据用户输入和预定义的工具列表，决定调用哪个函数、传什么参数，然后由外部代码执行实际 API 请求，再将结果返回给模型整合。

1.1 Function Calling 的工作流程

以 OpenAI 的 Function Calling 为例，典型流程如下：

  1. 定义工具：告诉模型有哪些可调用的函数，以及函数的参数 schema。

  2. 模型决策：模型根据对话上下文，输出一个“函数调用”请求，包含函数名和参数。

  3. 执行函数：开发者在本地执行对应函数（通常是调用第三方 API）。

  4. 返回结果：将函数执行结果以消息形式回传给模型，模型生成最终回答。

1.2 代码示例：使用 OpenAI SDK 实现天气查询 Agent
import openai
import json

# 定义可调用的工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，例如：北京"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

def get_weather(city: str) -> str:
    """模拟调用天气 API"""
    # 实际场景中这里会请求天气服务接口
    return f"{city} 今天晴，气温 25°C"

def run_agent(user_query: str):
    client = openai.OpenAI()
    messages = [{"role": "user", "content": user_query}]
    
    # 第一次调用：让模型决定是否调用工具
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools,
        tool_choice="auto"
    )
    
    message = response.choices[0].message
    messages.append(message)
    
    # 检查是否有工具调用
    if message.tool_calls:
        for tool_call in message.tool_calls:
            if tool_call.function.name == "get_weather":
                args = json.loads(tool_call.function.arguments)
                city = args["city"]
                weather_result = get_weather(city)
                # 将结果回传给模型
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": weather_result
                })
        
        # 第二次调用：生成最终回答
        final_response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages
        )
        return final_response.choices[0].message.content
    
    return message.content

# 测试
print(run_agent("北京今天天气怎么样？"))

这段代码展示了 Function Calling 的完整闭环。开发者可以轻松将任何外部 API（如支付、物流、数据库查询）包装成工具函数，让 AI Agent 自主调用。

2. API 的三种关键模式：统一接入、MCP、API 网关

随着 AI 应用复杂化，API 连接方式也在演进，主要有三种模式：统一 API 聚合、MCP 协议、API 网关。

2.1 统一 API 接入：一个接口调用多个模型

不同模型厂商（OpenAI、Anthropic、Google 等）的 API 格式差异较大，逐一对接维护成本高。统一 API 聚合平台通过提供标准化的接口，屏蔽底层模型差异，允许开发者用同一套代码调用多个模型。

技术要点：

  • 提供统一的 /v1/chat/completions 风格接口。

  • 支持模型路由、负载均衡、故障转移。

  • 实现方式：在聚合层解析请求，转换为各厂商原生格式。

示例：使用 LiteLLM 统一调用不同模型

from litellm import completion

# 统一接口，传入不同模型名
response = completion(
    model="gpt-4o",  # 或 "claude-3-5-sonnet", "gemini-1.5-pro"
    messages=[{"role": "user", "content": "你好"}]
)
print(response.choices[0].message.content)

LiteLLM 是一个开源库，可以将多个模型 API 统一为 OpenAI 格式。生产环境中也可以使用类似的 API 网关（如 OpenRouter、Vercel AI Gateway）实现统一接入。

2.2 MCP 协议：标准化的工具连接接口

MCP（Model Context Protocol）由 Anthropic 发起，目标是解决 AI 与外部工具连接的碎片化问题。它定义了一套标准协议，让 AI 应用能以统一的方式发现和调用各种工具（API）。

MCP 的核心组件：

  • MCP Server：包装具体工具或数据源，暴露标准接口。

  • MCP Client：AI 应用通过客户端连接 Server，自动发现可用工具。

  • 传输层：支持 stdio、HTTP/SSE 等。

示例：一个简单的 MCP Server（Python）

from mcp.server import Server, NotificationOptions
from mcp.server.models import InitializationOptions
import asyncio

# 创建 MCP Server
server = Server("example-server")

@server.list_tools()
async def handle_list_tools():
    """声明可用工具"""
    return [
        {
            "name": "get_time",
            "description": "获取当前服务器时间",
            "inputSchema": {
                "type": "object",
                "properties": {}
            }
        }
    ]

@server.call_tool()
async def handle_call_tool(name: str, arguments: dict):
    """处理工具调用"""
    if name == "get_time":
        from datetime import datetime
        return {"content": [{"type": "text", "text": datetime.now().isoformat()}]}
    raise ValueError(f"Unknown tool: {name}")

async def main():
    from mcp.server.stdio import stdio_server
    async with stdio_server() as (read_stream, write_stream):
        await server.run(
            read_stream,
            write_stream,
            InitializationOptions(
                server_name="example-server",
                server_version="0.1.0",
                capabilities=server.get_capabilities(
                    notification_options=NotificationOptions(),
                    experimental_capabilities={}
                )
            )
        )

if __name__ == "__main__":
    asyncio.run(main())

示例：使用 Nginx 或专用网关配置简单路由

以 Higress（阿里云开源的 AI 网关）为例，配置一个简单的 AI 代理：

apiVersion: networking.higress.io/v1
kind: McpBridge
metadata:
  name: default
spec:
  registries:
    - name: my-services
      type: dns
      domain: internal.example.com
      port: 8080
---
apiVersion: networking.higress.io/v1
kind: HttpApi
metadata:
  name: ai-gateway
spec:
  rules:
    - path: /v1/chat/completions
      service: openai.backend
      timeout: 30s

网关可以结合鉴权插件、限流策略、成本统计等功能，实现生产级的 AI 应用管理。

3. 电商实战：API 与 AI 结合的应用场景

API 与 AI 的结合在电商领域已经有大量落地案例，主要体现在智能选品、智能导购、供应链协同等方面。

3.1 智能选品与动态定价

AI 通过调用电商平台的商品数据 API（如淘宝、1688 的搜索/详情接口）实时获取市场数据，结合大模型的分析能力，辅助商家进行选品决策和定价调整。

技术架构：

  • 定期调用商品搜索 API，拉取关键词下的商品列表。

  • 通过 AI 分析销量、价格分布、评论情感，预测爆款趋势。

  • 输出选品建议表格或动态调价策略。

示例：调用 1688 商品搜索 API 并结合 AI 分析（Python）

import requests
import openai

def search_1688(keyword):
    """调用 1688 商品搜索 API（需替换为实际开放平台接口）"""
    # 注意：此处为示例 URL，实际需使用官方开放平台
    url = "https://gw.open.1688.com/openapi/param2/2.0/alibaba.item.search"
    params = {
        "app_key": "your_key",
        "keyword": keyword,
        "page_size": 20,
        # 签名等参数省略
    }
    resp = requests.get(url, params=params)
    return resp.json()

def ai_select_products(keyword):
    raw_data = search_1688(keyword)
    # 提取简要信息
    products = []
    for item in raw_data.get("result", {}).get("items", []):
        products.append({
            "title": item["title"],
            "price": item["price"],
            "sales": item["sales"]
        })
    # 让 AI 分析并给出选品建议
    prompt = f"基于以下商品数据，推荐最有潜力的3款商品，并说明理由：\n{products}"
    client = openai.OpenAI()
    resp = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}]
    )
    return resp.choices[0].message.content

print(ai_select_products("蓝牙耳机"))
3.2 智能导购与对话式购物

通过将商品搜索、详情、下单等 API 包装为 MCP 工具，接入 AI 智能体，用户可以通过自然语言完成整个购物流程。

流程示例：

  1. 用户说：“我想买一个 200 元以内的蓝牙耳机，要降噪的。”

  2. Agent 调用商品搜索 API，根据关键词和价格过滤。

  3. 返回多个选项，用户选择后，Agent 调用详情 API 展示参数，最后引导下单。

3.3 供应链全链路协同

AI Agent 可以通过 API 集成供应链系统，完成从选品、工厂寻源、询价到下单的自动化流程。例如，通过 1688 的工厂信息 API、询价 API 等，Agent 可以自主寻找优质供应商，降低人工成本。

4. 总结

API 在 AI 应用中的角色已经从“数据通道”进化为“执行引擎”。Function Calling 让模型能够调用外部工具，MCP 协议正在标准化工具连接方式，API 网关则为规模化应用提供了管理能力。对于开发者而言，理解这些模式并掌握相应的实现技术，是构建下一代 AI 应用的基础。

未来，随着 AI Agent 能力的增强，API 的设计和管理将更加重要。谁能高效、安全地让 AI “调用”世界，谁就能在智能化竞争中占据先机。

# 人工智能 # 爬虫 # 大数据
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

程序员学 AI（八）：AI Agent 到底是什么？从回答问题到完成任务

avatar AI Agent技术社区
cover

22道AI Agent 工程师必会的面试题，别啥都不会就出去找工作

avatar AI Agent技术社区

写给 TypeScript 工程师的 OpenClaw.NET 上手指南：用你熟悉的 TS 思维，跑起一个生产级 AI Agent

读代码层：TS 和 C# 本来就是「远房亲戚」——asyncawait??、接口、泛型、严格空检查，你的心智模型几乎无缝平移。真正要适应的只有两件事：类型是具名而非结构化的（多一句显式声明），以及 NativeAOT 下的「禁反射」约束。写扩展层：你甚至可以不怎么碰 C#——Node.js 插件桥意味着你的 TypeScript 插件就是一等公民，而且能在生产 aot 车道跑。内核给你 .NET

avatar AI Agent技术社区