哪些应用或者是web服务可以使用api

很简单，去官网找，API的规则一般都会写在网站的开发者相关的页面里或者API文档里，比如你可以从TMDB首页的“更多”进入，其它网站也大同小异。这个Action用到了TMDB的搜索电影API，文档的网址是：https://developer.themoviedb.org/reference/search-movie，下面是这个网址的内容：API文档都会很详细的告诉你如何使用他们的API，在左侧的导航部分你可以看到还有很多其他的API可以使用，我们先忽略，专注到右侧部分，点击图片可以放大。你可以在右上角的认证里看到你的API读访问令牌。也可以看到和我配置文件里相同的部分，包括url，请求方法get（红框），对应需要的查询参数query（蓝框）和language（黄框）。这个API的作用就是：Search for movies by their original,translated and alternative titles.——输入query关键词，如果成功，就会返回符合关键词的电影列表。在右侧RESPONSE（响应）这里也展示了当我们请求后响应的范例。我们可以在左边query输入“奥本海默”，Language填zh-CN，点一下Try it，就会“啪”的一下出来一大堆数据。这种数据格式叫做JSON，你只需要知道这种写法可以让程序很方便的读写就好，看起来有点复杂。——不过你仔细看一下，就会发现这个数据其实和脑图没有太大区别。还记得之前提到的键和值么？可以看到这里面返回了两条结果，是不是有点眼熟？没错，这个API返回的数据，应该和搜索结果页是一样的。只不过网页拿到了这些数据，做了样式的美化展示。

明白了这些基础之后，我们来看看我们的数据抽取服务到底提供了哪些东西？该服务基于FastAPI和Postgresql搭建，并提供了一个标准的REST API接口。同时附带有docker-compose文件，方便你快速搭建服务环境。这个服务以一个基本的Web应用程序模板形态现身，你可以进一步开发扩展，为你的团队成员创建一个便捷的数据抽取应用程序。简而言之，它就是一个帮你开始应用开发的样板。当然，如果你不想做任何开发，也可以直接使用它进行数据抽取流程。该API支持定义并持久化“抽取器”，这些抽取器包含了配置LLM抽取需要的关键部件：一个描述你想从数据中抽取的结构的图式（Schema），一个提供抽取上下文背景并振奋模型的指令（Prompt），以及展示一些抽取样例给模型的样例（Reference examples）。此外，API提供了一个让你提交文件进行抽取的端点，使用已经定义的抽取器，以及另一个通过RemoteRunnable来让抽取服务作为更大LangChain Expression Language(LCEL)链中的一环更容易使用的端点。服务已经预设了基于MIME类型的解析器，并可支持PDF和HTML文档的解析。你还可以扩展该服务以支持其他文件类型（例如，PowerPoint），方法是使用现有的LangChain文档加载器和解析器。设计抽取API时我们作了一个关键决定：设计它总能提取多个实体。通常在文本信息抽取时这是期望的行为，因为这让模型有可能在文字中存在对应信息时抽取多个实体，且在文本中没有相关信息时不会有任何提取动作。你如何实际使用这个服务呢？在上面的基础上，有几个方面是你需要考虑的。你可以使用JSON模式精确定义提取信息，也可以指定需合入的样例来提升提取结果的质量。你既可以在调用API时指定这些参数，也可以将抽取器和样例保存在数据库中，便于保存和分享。在传入文本时，你可以选择传入原始文本或者二进制文件。

总结一下：今天我们的讨论起始于人工智能中的“Agent&Action”，然后转向OpenAI对智能体（Agent）能力模型的定义。接着，我们深入探讨了ChatGPT中的Action（搜索、画图、代码解释器），以及GPT系列中的不同Action。使用了一个容易上手的Action Webpilot，用于访问网页获取实时的文本内容。最后，我们初步了解了API的概念，以及GPT如何通过Action与外部数据进行交互和使用。如果对Action很感兴趣，你可以从以下方向开始继续前进：系统的了解和学习API相关的知识去网上寻找可以用的API来练习发掘GPT Action更多的潜力以上是我认为相对容易入门的知识框架，但是我们都知道：你不可能只在一次分享/一篇文章中就获得完整的Action相关知识学习虽然没有终点，但有阶段性目标。大家可以通过后续看到的不同的教程和资料，识别这些知识之间的共性和逻辑关系，然后继续深化对这个主题的理解，构建你自己的知识体系。如果你对GPT开发有兴趣，想要认识更多玩GPT的朋友，欢迎加入GPTGeeker的星球：