Cum adaugi funcționalități AI în aplicația ta

Pentru a adăuga funcționalități AI în aplicația ta, apelează un API de model mare de limbaj (LLM) de pe server: trimite-i instrucțiuni clare plus datele relevante și folosește ce primești înapoi. Majoritatea funcțiilor utile se încadrează în patru tipare — rezumare, chat, extragere de date structurate și clasificare — iar fiecare înseamnă câteva zeci de rânduri de cod pe care un constructor AI le poate scrie pentru tine. Lucrul care decide dacă funcționalitatea este bună este în jurul apelului: păstrarea cheii API pe server, controlul costului pe utilizator și verificarea rezultatului înainte să te bazezi pe el.

Cele patru tipare din spatele majorității funcțiilor AI

Extragerea și clasificarea sunt adesea cele mai valoroase și cele mai puțin vizibile. Îi economisesc cuiva câteva minute la fiecare înregistrare și, pentru că rezultatul are o formă fixă, îl poți verifica automat. Chatul este cel mai vizibil, dar cel mai greu de făcut bine și are propriul ghid: cum construiești o aplicație cu chatbot AI.

Cum se integrează în aplicația ta

Fiecare tipar are aceeași structură:

1. Utilizatorul acționează — apasă „Rezumă”, încarcă un fișier, trimite un mesaj.
2. Frontendul tău apelează propriul server, nu furnizorul de AI.
3. Serverul tău construiește cererea: instrucțiuni de sistem, datele introduse de utilizator și orice date de care modelul are nevoie din baza de date — doar date pe care acest utilizator are voie să le vadă.
4. Serverul tău apelează API-ul LLM cu o cheie stocată într-o variabilă de mediu.
5. Serverul tău verifică răspunsul — JSON valid, o etichetă cunoscută, o lungime rezonabilă — și îl salvează sau îl returnează.
6. Frontendul îl afișează, transmițând textul pe măsură ce sosește pentru răspunsuri mai lungi.

Cheia se află pe server la pasul 4 și nu ajunge niciodată în browser. Dacă ideea de API este nouă pentru tine, ce este un API este o scurtă introducere, iar cum folosești API-urile LLM explică în detaliu tokenii, modelele și cheile.

Alegerea furnizorului și a modelului

Furnizorii mari — OpenAI, Anthropic, Google și alții — oferă API-uri de text cu structuri destul de asemănătoare. Întrebări utile la alegere:

• Calitatea pentru sarcina ta. Încearcă câteva exemple reale din aplicația ta pe două sau trei modele. Diferențele se văd adesea mai clar pe datele tale decât în testele generale.
• Dimensiune vs. cost. Furnizorii oferă modele mai mari, mai capabile, și modele mai mici, mai ieftine, mai rapide. Clasificarea și extragerea simplă funcționează frecvent bine pe un model mic; raționamentul lung sau scrierea nuanțată pot necesita unul mai mare.
• Rezultat structurat. Pentru extragere și clasificare, preferă o funcție API care face modelul să returneze JSON conform unei scheme pe care o furnizezi, în loc să analizezi text liber.
• Tratarea datelor. Citește condițiile furnizorului despre dacă intrările API sunt stocate sau folosite pentru antrenare și dacă acest lucru se potrivește datelor pe care ți le oferă utilizatorii.
• Limite. Conturile noi au adesea limite de rată mai mici; verifică-le înainte de lansare.

Numele modelelor și prețurile se schimbă des, deci codul ar trebui să citească numele modelului din configurare, nu să-l scrie fix în multe locuri.

Adăugarea unei funcționalități, pas cu pas

Ia un exemplu concret: un CRM mic în care fiecare contact are un istoric lung de notițe.

1. Stochează cheia. Creează o cheie în panoul furnizorului și salveaz-o ca secret pe server, de exemplu OPENAI_API_KEY sau ANTHROPIC_API_KEY.

2. Cere o singură funcționalitate restrânsă:

Adaugă un buton „Rezumă” pe pagina contactului. Pe server, trimite ultimele 20 de notițe ale contactului către [PROVIDER], folosind secretul [ENV_NAME], cu instrucțiunea să scrie trei puncte: starea actuală, întrebările deschise, pasul următor. Include doar notițele pe care utilizatorul logat le poate vedea. Afișează o stare de încărcare, salvează rezumatul cu o marcă de timp și afișează „Nu s-a putut rezuma acum” dacă apelul eșuează. Nu trimite niciodată cheia în browser.

3. Adaugă extragerea acolo unde economisește tastare:

Când un utilizator lipește o semnătură de e-mail în caseta „Adăugare rapidă”, apelează [PROVIDER] pe server și returnează JSON cu nume, companie, funcție, e-mail și telefon, folosind funcția de rezultat structurat a furnizorului. Validează JSON-ul pe server, completează în prealabil formularul noului contact cu el și lasă utilizatorul să editeze înainte de salvare. Lasă câmpurile goale în loc să ghicești.

„Lasă utilizatorul să editeze înainte de salvare” este partea importantă: modelul propune, persoana decide.

4. Clasifică în fundal:

Când sosește un tichet nou de suport, clasifică-l în exact una dintre categoriile: facturare, eroare, cerere de funcționalitate, acces la cont, altele. Folosește un model mic și ieftin. Dacă răspunsul nu este una dintre aceste etichete, salvează „altele”. Afișează eticheta ca tag editabil.

5. Testează cu date reale și dezordonate — notițe lungi, notițe goale, alte limbi, o semnătură fără număr de telefon — și uită-te la douăzeci de rezultate unul lângă altul înainte de lansare.

Cum scrii instrucțiuni care funcționează

Instrucțiunile trimise cu fiecare cerere (adesea numite promptul de sistem) sunt sursa calității.

• Spune pentru cine este și cum arată un rezultat bun. „Rezumatele sunt citite de un agent de vânzări în 10 secunde înainte de un apel” îi oferă modelului o țintă.
• Fixează formatul. Număr exact de puncte, limită de lungime, câmpuri, etichete.
• Spune ce să facă atunci când nu este sigur. „Dacă notițele nu menționează un pas următor, scrie «Niciun pas următor înregistrat».” Asta reduce răspunsurile inventate.
• Dă două sau trei exemple de intrare și ieșire bune pentru extragere și clasificare.
• Păstrează instrucțiunile separate de conținutul utilizatorului și etichetează clar conținutul utilizatorului, ca modelul să le poată deosebi.

Păstrează prompturile în fișiere din codul tău, ca să fie versionate și revizuibile ca orice alt cod.

Ține costurile sub control

API-urile LLM taxează pe tokeni — bucăți mici de text — atât pentru ce trimiți, cât și pentru ce revine. Costul crește odată cu cantitatea de context per cerere înmulțită cu frecvența rulării. Controale practice:

• Trimite doar ce este necesar. Ultimele 20 de notițe, nu tot istoricul. Taie documentele lungi sau împarte-le.
• Folosește cel mai mic model care face treaba. Testează înainte să alegi implicit cel mai mare.
• Limitează lungimea rezultatului cu setarea de tokeni maximi a API-ului.
• Pune rezultatele în cache. Stochează un rezumat și regenerează-l doar când se schimbă sursa, în loc să-l faci la fiecare vizualizare de pagină.
• Limitează pe utilizator. Un plafon zilnic per cont sau per plan oprește un utilizator intens sau un script să umfle factura.
• Limitează ratele endpoint-ului ca pe orice rută costisitoare.
• Setează un buget sau o alertă în panoul furnizorului și verifică utilizarea săptămânal după lansare.
• Înregistrează consumul de tokeni pe funcționalitate, ca să știi care cost cât.

Dacă funcționalitățile AI sunt centrale pentru produsul tău, include costul de rulare în prețul tău, în loc să-l absorbi.

Siguranță și încredere

Rezultatul AI este probabilistic. Poate fi greșit și sună sigur pe sine și poate fi influențat de textul pe care îl citește. Construiește ținând cont de asta:

• Tratează rezultatul ca pe o intrare nesigură. Validează structura, escapează-l înainte de a-l randa ca HTML și nu-l rula niciodată ca cod sau ca interogare de bază de date.
• Păstrează un om în buclă pentru orice are consecințe — trimiterea unui e-mail, modificarea unei înregistrări, rambursarea unei plăți. Modelul redactează; o persoană confirmă.
• Protejează-te de injecția de prompt. Un document sau un mesaj poate conține text de genul „ignoră instrucțiunile tale”. Limitează ce poate vedea modelul la ceea ce poate vedea utilizatorul curent și nu-i da unelte care pot face acțiuni sensibile fără ca codul tău să verifice mai întâi permisiunile.
• Etichetează conținutul AI ca utilizatorii să știe că un rezumat sau o sugestie a fost generată și o pot verifica.
• Tratează elegant erorile. Furnizorii au întreruperi și limite de rată. Pune timeout, afișează un mesaj clar și lasă restul aplicației să funcționeze.
• Atenție la ce trimit utilizatorii. Pentru câmpurile de text liber, ia în calcul un pas de moderare și spune clar în politica de confidențialitate că conținutul este procesat de un furnizor terț de AI.

Lista mai largă de verificări se află în lista de verificare de securitate pentru aplicațiile construite cu AI.

Greșeli frecvente

• Începi cu un chatbot general când un singur buton „Rezumă” sau „Categorisește” ar ajuta mai mulți oameni.
• Pui cheia în codul frontend sau într-un depozit public.
• Trimiți întreaga bază de date ca context, ceea ce este lent, scump și riscă să expună datele altor utilizatori.
• Ai încredere în rezultatul text liber acolo unde o schemă sau un set fix de etichete ar face-l verificabil.
• Lipsesc limitele per utilizator, descoperite când sosește prima factură.

Adăugarea funcționalităților AI cu Mythex

În Mythex adaugi AI în propria aplicație cerând în chat, folosind propria cheie de la furnizor. Stochează cheia ca secret de proiect — când agentul are nevoie de ea, Mythex afișează în chat un card pentru secrete, ca să nu lipești cheia în conversație — iar agentul scrie ruta de server, prompturile și interfața. Utilizarea AI a aplicației tale este facturată de furnizorul tău, separat de creditele Mythex pe care le cheltuiești pentru construire. Documentația are un prompt de pornire în adaugă funcționalități AI cu propriile chei API.

Întrebări