ZD至顶网软件频道消息:API驱动型业务的概念近年来逐步兴起。事实上,人们发现在数字化业务领域,应用程序编程接口与产品间的界线正变得愈发模糊。
其基本概念确实非常强大:发布API、允许客户参与、最终利用其实现价值交换。
为了切实完成这项目标,我们当然需要具备一定规模的严肃业务以及与之相匹配的技术架构。举例来说,API最好得到严格定义,否则您的业务可能遭遇意想不到的影响。另外,API必须易于使用,否则将带来噩梦般的客户体验。另外,API必须能够进行成功整合,从而通过切实起效以实现对接、监控及获利。
Amazon Web Services在将产品转化为API形式方面表现得相当出色。事实上,AWS整体即是由一系列API所构成:需要计算资源?提供对应API以实现。需要追踪资源使用量?提供对应API以实现。需要添加额外功能与容量?提供对应API以实现。
不过AWS方面已经开始超越API驱动型业务的基本范畴。通过AWS市场(AWS Marketplace),他们转而尝试API驱动型生态系统。这一宏伟愿景也许会在未来给软件市场带来深远影响。
在今天于旧金山召开的AWS峰会上(如上图),该公司扩展了AWS市场以引入“SaaS合同功能(SaaS Contracts Feature)”。具体来讲,AWS客户现在能够通过AWS购买多年期SaaS合同,并利用AWS购物车及计费流程实现获取、支付与购买行为监控。
更重要的是,任何SaaS服务都将独立于EC2或者相关资源而自行存在。这意味着在选择实例时,客户能够通过AWS合同进行购买并随处运行,包括AWS云内、内部设施中甚至是其它云供应商环境下。
AWS合同服务的实现流程非常简洁。AWS方面指出,其需要指定两位工程师在四周时间内审查并应用指向软件厂商业务的API。这种简单方式直接将软件公司的产品许可模式转化为服务配置模式。尽管其它厂商同样在这方面作出了尝试,但AWS在精简性方面无疑表现得最为出色。
大型用户亦可深入思考如何利用AWS作为其服务目录。一旦将软件(包括内部开发软件)发布至AWS目录当中,用户即呆享受软件供应商提供的全部功能。如果您身为首席信息官且喜爱商用软件当中的AMI机制,那么无疑应当尝试将这种新模式与您的内部软件加以结合。虽然具体执行细节可能仍存在问题,但这一改进方向确实值得称道。
那么这种解决思路是否适用于一切问题?答案当然是否定的。AWS公司表示其致力于消除软件市场中的“摩擦”因素,但软件行业中的交易成本仍然种类繁多且规模庞大。举例来说,AWS宣称(来自第三方数据)目前全球拥有75000家软件供应商,且每年通过风险投资建立的新兴软件厂商约为1000家。那么,我们未来是否能够利用Alexa Fund这类工具改变软件融资方式?
如果着眼于未来几年,可以想象AWS将持续发布一系列用于软件业务活动的API,包括在组合产品中嵌入第三方服务及数据以建立新的合作伙伴关系。但至少就目前来看,微软、甲骨文以及谷歌等企业还不一定会认同这种动作方式,而用户则将继续维持现有采购模式。
不过如果软件注定要统治整个世界,那么我们自然有必要让其变得更为小巧,而这也将给企业用户带来巨大助益。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。