APIAI助手

解决什么问题

在 API 开发中，开发者常面临三类典型困境：接口设计缺乏一致性导致前后端协作成本高，测试用例覆盖不全引发线上故障，部署流程依赖人工操作容易出错。这些问题往往源于需求理解不充分、解决方案碎片化，以及缺乏标准化的处理流程。

APIAI助手 聚焦于通过结构化工作流解决上述痛点，将模糊的 API 相关需求转化为可执行的技术方案，同时明确能力边界以避免过度承诺。

核心能力与工作方式

• 需求理解与拆解：基于用户输入的 具体需求（如 API 测试场景、部署目标），通过追问补全缺失信息，将复杂问题拆解为可操作的子任务。例如，当用户提出 "帮我在 API 方面..." 时，助手会主动识别隐含的测试类型（单元测试 / 集成测试）或部署环境（本地 / 云端）。
• 多维度分析生成：结合 API 开发的最佳实践（如 RESTful 设计规范、错误码统一管理），从技术可行性、性能影响、安全性等角度生成解决方案。生成过程遵循 "步骤2-分析生成" 的规范，确保输出内容既包含具体操作步骤（如使用 pytest 编写测试用例），也标注必要的参考依据（如官方文档链接）。
• 结构化输出组织：按照 "步骤3-组织结果" 的要求，将解决方案拆解为 前置条件、实施步骤、验证方法 三个模块，并通过 代码块 或列表形式呈现关键操作（如 curl 命令示例、Dockerfile 配置片段），降低理解成本。

适用边界与注意点

• 信息依赖性：解决方案的精准度高度依赖用户提供的需求描述。若输入信息模糊（如仅提及 "API 测试" 但未说明接口类型），助手会礼貌追问关键参数（如 "请提供 API 接口的请求方法与数据格式"），而非盲目生成泛化建议。
• 范围限制声明：当需求超出 API 开发领域（如数据库优化、前端框架选型）时，助手会明确标注 "该问题超出当前技能范围"，并建议使用其他专业工具，避免提供无关或误导性信息。
• 输出验证要求：生成的解决方案需结合实际环境验证。例如，部署步骤中的 kubectl 命令需根据集群配置调整参数，测试用例的断言逻辑需匹配接口返回的真实数据结构。