Come aggiungere funzioni AI alla tua app

Per aggiungere funzioni AI alla tua app, chiama un'API di large language model (LLM) dal tuo server: invia istruzioni chiare insieme ai dati pertinenti e usa ciò che torna indietro. La maggior parte delle funzioni utili segue uno di quattro schemi — riassumere, chattare, estrarre dati strutturati e classificare — e ciascuno richiede poche decine di righe di codice che un app builder può scrivere per te. Quello che decide se la funzione è davvero valida è tutto ciò che sta intorno alla chiamata: tenere la chiave API sul server, controllare il costo per utente e verificare l'output prima di fidarsene.

I quattro schemi alla base della maggior parte delle funzioni AI

Estrazione e classificazione sono spesso le più preziose e le meno visibili. Fanno risparmiare in silenzio qualche minuto a ogni record e, poiché l'output ha una forma fissa, puoi verificarlo automaticamente. La chat è la più visibile ma la più difficile da far funzionare bene, e ha una guida dedicata: come creare un'app chatbot AI.

Come si inserisce nella tua app

Ogni schema ha la stessa struttura:

1. L'utente agisce — clicca «Riassumi», carica un file, invia un messaggio.
2. Il front end chiama il tuo server, non il fornitore AI.
3. Il tuo server costruisce la richiesta: istruzioni di sistema, l'input dell'utente e gli eventuali dati che il modello deve leggere dal database — solo quelli che questo utente può vedere.
4. Il tuo server chiama l'API dell'LLM con una chiave conservata in una variabile d'ambiente.
5. Il tuo server controlla la risposta — JSON valido, un'etichetta nota, una lunghezza sensata — e la salva o la restituisce.
6. Il front end la mostra, trasmettendo il testo man mano che arriva per le risposte più lunghe.

La chiave resta sul server al passo 4 e non arriva mai al browser. Se il concetto di API è nuovo, cos'è un'API è un breve primer, e come usare le API degli LLM spiega in modo più approfondito token, modelli e chiavi.

Scegliere fornitore e modello

I principali fornitori — OpenAI, Anthropic, Google e altri — offrono tutti API di testo con struttura abbastanza simile. Domande utili nella scelta:

• Qualità sul tuo compito. Prova alcuni esempi reali della tua app su due o tre modelli. Le differenze spesso si vedono meglio sui tuoi dati che nei benchmark generali.
• Dimensioni e costo. I fornitori offrono modelli più grandi e capaci e modelli più piccoli, economici e veloci. Classificazione ed estrazione semplice spesso funzionano bene con un modello piccolo; il ragionamento lungo o la scrittura sfumata possono richiederne uno più grande.
• Output strutturato. Per estrazione e classificazione, preferisci una funzione dell'API che faccia restituire al modello un JSON conforme a uno schema che fornisci, invece di interpretare testo libero.
• Gestione dei dati. Leggi i termini del fornitore su come vengono conservati gli input API o se vengono usati per addestrare i modelli, e se questo è adatto ai dati che i tuoi utenti ti affidano.
• Limiti. I nuovi account spesso hanno limiti di frequenza più bassi; verificali prima del lancio.

Nomi e prezzi dei modelli cambiano spesso, quindi il codice dovrebbe leggere il nome del modello dalla configurazione invece di scriverlo in più punti.

Aggiungere una funzione, passo dopo passo

Prendi un esempio concreto: un piccolo CRM in cui ogni contatto ha una lunga cronologia di note.

1. Salva la chiave. Crea una chiave nella dashboard del fornitore e salvala come segreto lato server, per esempio OPENAI_API_KEY o ANTHROPIC_API_KEY.

2. Chiedi una sola funzione precisa:

Aggiungi un pulsante «Riassumi» alla pagina del contatto. Sul server, invia le ultime 20 note del contatto a [FORNITORE] usando il segreto [NOME_VARIABILE], con istruzioni per scrivere tre punti elenco: stato attuale, domande aperte, prossimo passo. Includi solo le note che l'utente connesso può vedere. Mostra uno stato di caricamento, salva il riepilogo con una data e ora, e mostra «Impossibile riassumere in questo momento» se la chiamata fallisce. Non inviare mai la chiave al browser.

3. Aggiungi l'estrazione dove fa risparmiare tempo di digitazione:

Quando un utente incolla una firma di email nella casella «Aggiunta rapida», chiama [FORNITORE] sul server e restituisci un JSON con nome, azienda, qualifica, email e telefono, usando la funzione di output strutturato del fornitore. Valida il JSON sul server, precompila il modulo del nuovo contatto e lascia che l'utente modifichi prima di salvare. Lascia i campi vuoti invece di indovinare.

«Lascia che l'utente modifichi prima di salvare» è la parte importante: il modello propone, la persona decide.

4. Classifica in background:

Quando arriva un nuovo ticket di assistenza, classificalo in esattamente una di queste categorie: fatturazione, bug, richiesta di funzione, accesso all'account, altro. Usa un modello piccolo e a basso costo. Se la risposta non è una di queste etichette, salva «altro». Mostra l'etichetta come tag modificabile.

5. Prova con dati reali e disordinati — note lunghe, note vuote, altre lingue, una firma senza numero di telefono — e controlla venti output affiancati prima di pubblicare.

Scrivere istruzioni che funzionano

Le istruzioni che invii con ogni richiesta (spesso chiamate prompt di sistema) sono da dove nasce la qualità.

• Dì per chi è e com'è un buon risultato. «I riepiloghi vengono letti da un venditore in 10 secondi prima di una chiamata» dà al modello un obiettivo.
• Fissa il formato. Numero esatto di punti elenco, limite di lunghezza, campi, etichette.
• Dì cosa fare quando non è sicuro. «Se le note non menzionano un prossimo passo, scrivi "Nessun prossimo passo registrato".» Questo riduce le risposte inventate.
• Dai due o tre esempi di input e output corretti per estrazione e classificazione.
• Tieni le istruzioni separate dai contenuti dell'utente ed etichetta chiaramente questi ultimi, così il modello li distingue.

Conserva i prompt in file nel codice, così sono versionati e revisionabili come qualsiasi altro codice.

Tenere sotto controllo i costi

Le API degli LLM addebitano in token — piccoli frammenti di testo — sia per ciò che invii sia per ciò che ritorna. Il costo cresce con la quantità di contesto per richiesta moltiplicata per quante volte viene eseguita. Controlli pratici:

• Invia solo ciò che serve. Le ultime 20 note, non tutta la cronologia. Accorcia i documenti lunghi o dividili.
• Usa il modello più piccolo che fa il lavoro. Prova prima di adottare automaticamente il più grande.
• Limita la lunghezza dell'output con l'impostazione di token massimi dell'API.
• Metti in cache i risultati. Salva un riepilogo e rigeneralo solo quando cambia la fonte, invece che a ogni visualizzazione della pagina.
• Limita per utente. Un tetto giornaliero per account o per piano impedisce che un utente molto attivo, o uno script, faccia salire la fattura.
• Applica un limite di frequenza all'endpoint, come a qualsiasi altra route costosa.
• Imposta un budget o un avviso nella dashboard del fornitore e controlla l'utilizzo ogni settimana dopo il lancio.
• Registra l'uso dei token per funzione così sai quale costa cosa.

Se le funzioni AI sono centrali nel tuo prodotto, includi il loro costo di gestione nel prezzo invece di assorbirlo.

Sicurezza e affidabilità

L'output dell'AI è probabilistico. Può essere sbagliato pur sembrando sicuro di sé, e può essere guidato dal testo che legge. Costruisci tenendo conto di questo:

• Tratta l'output come input non attendibile. Valida la struttura, effettua l'escape prima di mostrarlo come HTML e non eseguirlo mai come codice o query di database.
• Mantieni una persona nel processo per tutto ciò che ha conseguenze — inviare un'email, modificare un record, rimborsare un pagamento. Il modello redige; una persona conferma.
• Difenditi dalla prompt injection. Un documento o un messaggio può contenere testi come «ignora le tue istruzioni». Limita ciò che il modello può vedere a ciò che l'utente corrente può vedere, e non dargli strumenti che possono compiere azioni sensibili senza che il tuo codice verifichi prima i permessi.
• Segnala i contenuti generati dall'AI così gli utenti sanno che un riepilogo o un suggerimento è stato generato e possono verificarlo.
• Gestisci gli errori con garbo. I fornitori hanno interruzioni e limiti di frequenza. Imposta un timeout, mostra un messaggio chiaro e lascia che il resto dell'app continui a funzionare.
• Controlla cosa inviano gli utenti. Per i campi di testo libero, valuta una fase di moderazione e spiega chiaramente nell'informativa sulla privacy che i contenuti sono elaborati da un fornitore AI terzo.

L'elenco completo dei controlli è nella checklist di sicurezza per app create con l'AI.

Errori comuni

• Partire da un chatbot generico quando un solo pulsante «Riassumi» o «Categorizza» aiuterebbe più persone.
• Mettere la chiave nel codice front end o in un repository pubblico.
• Inviare l'intero database come contesto, che è lento, costoso e rischia di esporre i dati di altri utenti.
• Fidarsi dell'output in testo libero quando uno schema o un insieme fisso di etichette lo renderebbe verificabile.
• Nessun limite per utente, scoperto quando arriva la prima fattura.

Aggiungere funzioni AI con Mythex

In Mythex aggiungi l'AI dentro la tua app chiedendola in chat, usando una chiave del tuo fornitore. Salva la chiave come segreto del progetto — quando l'agente ne ha bisogno, Mythex mostra in chat una scheda dei segreti, così non devi incollare la chiave nella conversazione — e l'agente scrive la route del server, i prompt e l'interfaccia. L'utilizzo AI della tua app viene fatturato dal tuo fornitore, separatamente dai crediti Mythex che spendi per costruire. La documentazione contiene un prompt di partenza in aggiungere funzioni AI con le tue chiavi API.

Domande