new-api 后端是什么语言

来写这个 a p i 的这个方法， 我们数数 a p i 吧， 使用的时候需要返回这么几个参数，第一个就是返回来我们的这个提示信息，就 msd， 那我们就可以定义一个得了。 msd 等于先默认为空，然后还有里面有一个 数据，那我们同样到这一场等于空，数组还有个扣的，这个扣的的话我们默认为两百，他是状态码，状态码的话我们可以 呃，是两百呀，四零四呀这一类的，同样我们可以再设置一个错误码， 就是有可能我们报错了，我先试一下三个九吧，四个九，有可能，我们有可能我们报错了，我们需要去怎么去调整来，现在我我们来 reten 使用性 pp 里面封装好的这个 jason 的这个数组就可以，它这个里面前面是一个 数据，后面是一个状态，这个状态的话我们就可以把扣子传进去，这数据的话我们可以传上一个 result， 那这个 result 没有定义，我们需要去定义一下，到了 result 等于我们这个数组 出组的情况下，我们需要去怎么去操作呢？我们首先它里面有个其实信息，我们使用常过来的 mse， 同样数据我们推过来， 这样我们就会返回来一个 jason 的一个数据，那我们， 嗯，我们可以直接访问一下，访问一下这个 重启哈， jason 收 a p i， 看，这样就返回来我们需要的这个 jason 的这个格式，那同样我们返回到 我们这边的数据，我们可以 return 一下， return， 你前面的验证是要加啊，你们加完验证之后，错误码的话，你可以指定一个对应的错误码，然后呃错误信息你也可以自己去指定，也可以是后台，就是呃 validit 里面你可以自定义的这些错误信息， 我们直接就可以 dollar this， 我们这个方法里面呢收 api， 我们现在需要去传这个参数了， 这就是，嗯， a d d， 我们就说插入成功， 当然这个是要跟模型去关联的，关联之后模型那边返回来，如果成功的话，我们再去调用这个 ap 的这个接口，那数据的话我们就到了这个传过去， 然后 code 那肯定就是两百，错误码的话，我们就我们不填了， 默认，因为我们正常返回了吗？然后我们再去在这这个里面去调用的时候，看一下我们这边的代码， 我们打印一下，我们就知道我们返回来了没有， 我们先看一下控制台啊，刷新一下一二三，一二三，看到没有插入成功。迪塔，迪塔也有，迪塔里面数据是内蒙一二三，遇到内蒙 一二三，这，这就是我们需要拿到的这个结果，我们拿到这个结果就可以做相应的事情。像一般情况下我们可以来判断一下 a f， 判断 r e s， 点 c o d 等于两百，那就证明我们请求成功了。请求成功之后我们可以呃打印一下这个 提示信息，我们把下面这个删掉，让他老是碍事，我们刷新一下，刷新完成之后我们就可以看到我们登录上号密码， 我们拿到数据了，然后我们还可以对应的提示信息告诉我们这个动作完成之后，我们就可以做相应的这个跳转呀，或者是怎么回事，当然你从这个 那我们去请求这个 a、 d、 p 的接口，我们可以看一下删掉，那我现在给加上一个。

啊，大家好，给大家录制一期这个 new api 的搭建教程。这个 new api 呢是这位大佬啊，基于 yapi 进行二次开发的啊，我觉得它非常好用啊，因为它整合了这个 maganning 这个 绘图的这个功能。然后怎么使用？首先你得有一个服务器啊，有服务器，然后接下来你连接你的服务器，那我这里用了宝塔，因为宝塔的话，他这个数据库和返贷比较方便，所以我这里就直接用宝塔给大家演示了 啊，这里呢主要是要遇到可能会遇到两个问题，待会给大家解释一下啊，那么首先怎么怎么用呢啊？首先你在这个你要新建一个文件夹啊，这里我们就直接用虐片，然后你进入这个虐片， 然后你在这里面新建一个文件，然后叫 delever， 然后你也可以直接 get 啊，就直接 下下来插到本地啊，你可以直接把这个项目给找到本地啊。当然这里呢我们就直接采用复制的方式啊，把这个复制下来就可以了，但为了不出错，我们把它点一下，这个变成尺读的格式，然后我们把它复制下来。 好，我们把它复制下来好，然后我们把它复制到这个里面保存一下。好，这里呢有几个地方需要修改的，我给大家简说一下啊， 那么有几个地方需要修改的，那首先这个这前面就不用管它啊，前面不用管它，主要是这个地方连接的数据库， 这个地方你需要修改，然后这里呢这个地方随机支付串，这个地方要改一下啊，当然大佬好像说可以把这张删掉啊，这个我没有试过啊，当然这里呢我就随便输个数据啊，对吧？随便输个数据， 然后呢？接下来就是配置数据库了啊，这个配置数据库啊，宝塔的优势就在于啊，可以直接 就牛逼吧，然后这就是他的用户名，数据库名，然后密码复制一下啊，我们把这个信息给他配置进去，这是密码， 这冒火，后面这个是，别，别删错了啊，别把这个艾特删掉，然后这个是 uapi 啊，别输错了。 好，然后接下来布置这个地址啊，这个地址的话就是你可以用 ip 地址啊，然后保存啊，保存就可以了，然后接下来我们来拉一下镜像， 一定要在这个路径下的啊， 这的话如果在国呃，国内访问的话，他可能会比较慢啊，因为我这个是香港的服务器，所以速度没不成问题。好，这个等会来看，我们先去做一下，把网站剪了，你先建一个网站，比如说，哎， 啊，因为我做了范玉明解析啊，这个你自己去做玉明解析到这个 ip 啊啊。进来之后，然后接下来我们做添加反代，反代的话因为他默认是三天单口，如果你没改的话就是三天单口，然后随便输个数字啊，点确定好？我们反代做好了， 大家做好了，你可以直接使用这样一个命令啊啊，你可以直接使用这个命令去运行他，他会自动拉取镜像。为什么我说啊，我要分成两步呢？是因为如果你以后更新的话，你可以直接先输入这个破拉拉一 拉镜像，拉完之后重再输一下这个就可以了啊，就是更新的话，你就直接这两个命令就可以了，然后进去，然后一般情况下他会提示啊，你访问不了，一般他会提示你这个没有数据过权限，我们来看下是不是来看没有权限，对吧？他会提示你啊，这个 ip 没有权限，我们把这个 ip 加进去啊， 这个 ip 你看它提示什么 ip， 你就加什么 ip。 好，然后你这个地方把权限改成指定 ip 就可以了。 好，这里我给大家说一下啊，有的他可能是用本地 ip 啊，因为我这个我也不知道他这个，为啥他是这个啊？之前我遇到过情况，他就是要本地，本地 ip 怎么看呢？就是看这个 vip 它运行的时候这两个 ip， 这两个 ip 你给它输进去，就跟刚才一样输进去。还有一个问题就是注意好把这个端口打开，把这个端口打开， 如果你为了安全，你可以修改一下，只允许，只允许指定 ip， 你可以把你的这个 ip 给 限制一下，就保证呢，这样的话会安全一点吧。好，然后我们看运行好了没？好，运行成功，然后我们的网站也答案成功，接下来就直接可以进去了。好，进去了，然后初始密码是 root， 有密码一二三四五六，初次进去他需要你修改密码。 好，这就好了，然后你刷新一下啊，添加渠道，把渠道一添加，然后你创建令牌啊，等等等等啊，这些你你们就自己去操作了，这个我就不不再去说了。

无论你是开发网站、 app 或者是小程序，你都离不开用户的全新验证。那么当前比较流行的方式就是使用 gwt 的 通行方式， gwt 呢，它的全称叫做 jason web tokens， 简单来说呢，它就是一张福气搬给你的电子身份证，它自带了防伪水印，无需要查询你的数据库表，直接就可以进行验证。 我们先来看一下这个 t w t 长的什么样子，其实呢，看一下右侧这个，它就是一个字母串，只是说只是说呢，这个字母串由三部分组成，使用这个点号进行分割。第一部分红色的字体，它是 hud， 描述了加密算法等原数据。 那第二部分呢，中间的这一部分，它是用于存放真实的用户数据，比如说我们这侧看到的 sub， 它通常呢放一个用户 id， 然后这里用户名称，过期时间等等等等都在这里，这些信息呢，它是可以透明公开的，所以不要存放密码。 那第三部分，这里是防伪签名，这个签名呢是在服务器端的，你可以自己设定，千万不要泄露。 ok， 那 接下来咱们看一下他是如何工作的，他的工作流程主要这么几步，第一部分是用户登录发送账号密码。 第二部分呢，服务器这端接收到用户密码以后，去数据库进行检验，如果用户密码正确的话，咱们就生成一个 g w t， 然后返回客户端， 客户端接收到以后，把它存储到 local storage， 存储到本地，然后在请求其他请求的时候，直接携带这个 g w t。 服务器端进行一个判断，如果正确的话，直接就把数据返回去，这是一个大致的流程。 ok， 咱们看一下完整的流程， 我们就以咱们大学课堂 face 一 篇项目为例，当我们在 u l 中直接输入 students 访问这个学生管理页面的时候，它会自动地跳转到登录页，因为这个页面需要权限，所以呢它让你登录。 ok， 我 们登录以后再试一下。 登录成功以后，咱们检查一下，找到 network， 然后我刷新一下这个页面。 好，我们看一下这个页面中咱们访问了一个接口，比如说这里访问的是学生接口，我们看右侧，这里找到请求头中有个参数叫做 authorization 授权， 然后这里它返回的是一个 bear， 加上这一串，这一串就是咱们的生成的 token， 因为我们前面登录成功以后，服务器端会为我们生成这么一个 token， 每次用户访问一些需要登录的权限的页面的时候，就会携带上它， 我们看一下它是什么。在课程里面，咱们教大家使用一些工具，把我们刚才的 gw token 放到这里粘贴过来，你会看到这里解码后的信息包括什么？ 头部信息？ header， 包括算法使用的是 h s 二五六，然后类型使用的是 g w t， 接着载荷 payload， 也就是用户填你的信息有 sub， 这是用户名，然后 user id， 然后角色，这是过期时间。 ok， 这就是咱们刚才看到的这串 g w t， 它显示的内容，每次用户都携带上它以后，到服务器端验证成功以后，我们就可以获取用户的 id， 然后就可以去查询数据库，获取当前这个用户所所要实现的功能，比如说这里显示它的 用户名，它的角色，这就是 g w t 的 基本流程，后面呢，我们在课程中对它进行详细讲解。好，小伙伴，本节我们就介绍到这里，我们下节再见。

我相信很多人刚接触 ai 和 web coding， 会遇到一大堆的专业名词，搞不懂。大模型， prompt， token， ui 前端 api， 后端数据库服务器， m c p， plugging and agent， 听听是不是就晕头了？想搞明白呢，又要花很多时间去学习。那今天呢， fred 就 用全网可能最通俗易懂的讲法带你了解这些专业名词，我相信只要你会点麦当劳，那你就能够看懂。 ok， 大家好，我是 fred， 专注从普通小白来视角分享怎么从零开始用 ai 和 web coding 提升自己的生活和工作效率。 我们想一想啊，就是今天如果你想吃饭，第一步一定不是去研究这种厨房的设备，对吧？而是先想我要吃什么。 麦当劳可能是一间一家店，必胜客是一家店，肯德基又是另外一家店，进去的时候你要看店面和菜单对吧？点点餐品，然后跟服务员去说你要吃什么，服务员把你的话变成小票，小票通过系统传给后厨， 后厨按照固定的流程去做，门店有服务器在跑啊，订单要存在账本里面，如果流程复杂，可能还需要店长或者经理来盯着，那这就是一整套。你自己去出去吃饭和点餐，完，完成那个自餐，然后给到你吃完的一整套的流程。那 所有的这种大元模型的啊，或者 ai 专业词儿，也就在这个流程里面你就能理解。我们一个一个来讲，第一个先来讲就是大元模型，英文叫做 l a m n， 就是 呃， large language model， 你 可以把它理解成，哎，就是不同的店，比如麦当劳适合这种 快速的这种标准套餐，对吧？必胜客适合另一类的群体， ai 里面也一样， deepsea， kimi 啊， chatty 或 cult， 每个模型都有自己的特点， 所以说选模型的时候不是说看哪个名字看起来最强，对吧？而是想要问我这次要做的事情交给哪一家店，或交给哪个模型最合适。比如说你要推理，就可能要选那种擅长思考的，要读长的资料，可能要选上下文更强的。 那么选完店，你进门先看到什么这种招牌对吧？菜单，点餐屏啊，按钮，价格提示的文案，这些就是 ui， 也就是用户看得见，点得到、读得到的一个东西。 而前端会比 ui 更大一点，就前 ui 是 点餐屏长什么样？前端是整个前台怎么运转，菜单怎么打开，哎，按钮点完去哪里 啊？包括说加载中怎么显示，订单结束要怎么摆出来？叔叔，你跟 ai 说改 ui 是 改外观和体验，你说改前端，通常还包括页面跳转、交互状态和数据的展示。 看完菜单之后，我们要点餐了，对吧？你跟服务员说随便来点吃的，他很难给你想到你要吃什么， 比如你说我要来个肯德基，那他怎么知道你要吃什么？但你如果说我要一个套餐，对吧？啊？一个汉堡加鸡腿，可乐不加冰，打包带走。欸哦，这就清楚多了，那这就是 prompt。 prompt 不是 一个咒语，而是把你 让你把这次需求说清楚。而也有一些其他的 prompt， 比如说 system prompt 就 像一个电规，决定服务员默认怎么去服务，而 context 就 像刚刚你记住了这句话，比如说你已经说过不要宾了，那 output 就是 你最后想要拿到什么样的结果，比如说表格，页面代码，还是一段文案， 而服务员听完了之后，不会把你一整段话原封不动的去丢给后厨，对吧？系统会把这一句话啊，拆成一条一条的小票 套餐，可乐不加冰打包，哎，预算四十块钱。 ai 也是这样，它会用 tokenizer， 也就是分词器把你的输入拆成 token， 而 token 可以 理解成 ai 真正处理的一张张小小票条， token 越多，小票越长， ai 要看的东西也就越多，成本越高，速度也就可能越慢。所以说你写 prompt 也不是越长越好，而是要把关关键条件给说清楚，别塞一堆没用的这种废话。 而服务员收到订单之后呢，也不能说靠大喊说来个汉堡，他要通过一个固定的窗口把订单交给后厨，而这个固定窗口就是 api。 在 网页和应用的时候，前端不会直接跑到后端去翻数据库，而是按照 api 的 约定去发请求，比如说 post 或者 orders， 哎，就像前台订递进去一张一个新的订单，后端处理完再通过 a p i 把结构传回前端，虽说按钮没有反应，数据没有出来，很多时候不是 u i 的 问题，而是 a p i 没有接好， 而订单进了后厨，哎，就到了后端，后端就是用户看不见的地方，它决定了这一单能不能做，价格，怎么算库存，还有没有订单，要不要保存。 很多小白用 ai 做网页，只做出了感觉很漂亮的这种前端点餐屏，但一刷新数据就全没了，这就说明它可能只是一个前端的假页面，还没有真正的后端， 所以说你要学会跟 ai 说，哎，我这次不是只做一个页面，还需要有后端的逻辑，要能保存数据，还能处理真实的订单。 而后厨去做汉堡呢，也不会每一单都重新去研究怎么做，它有一定的 sop， 先烤面包，再烤 煎肉饼，对吧？然后再加酱料，再加一些包菜，最后包装检查，这就是 skills。 如果你每次都让 ai 去写周报，做 ppt， 发布文案，字幕检查， 那就不要每一次重新打一大段文字，而是把它写进固定的流程，什么时候用，用什么材料，用什么工具，第一步做什么，最后再怎么检查，这个固定的流程就是 workflow。 哎，工作流。 而一家店要真正的营业啊，一定不是说在纸上画个菜单就 ok 了，对吧？他需要有门店开着，就像一个服务器，你的项目也一样，代码要跑到某一个地方的时候，别人才能够真正的访问啊，那就是一个域名， 而门店还要有账本跟库存表，那这就是数据库，用户是谁，下了什么单，库存还剩多少订单，历史是什么都要存在数据库里面。所以说你看到 ai 做出页面，要多问一句，说这个数据是真的存起来了，还是写在页面前端上面的一个假的数据？ 再往后呢？如果你想要让 ai 不 只是聊天，而是真正的读文件，查网页，看数据库，跑命令，就要让它接上工具， 而这就是 m c p， m c p 可以 理解成一个统一的接法，比如说工具本身是像文件、网页、资料，数据库命令行，对吧？浏览器或者设计稿， m c p 的 作用就是让 ai 能够用比较统一的方式看见这些工具， 调用这些工具。但只要接的工具，就一定要看它的权限，它能读什么，能写什么，以及能不能执行命令。 而 plugging 呢，就会更像装好的一个现成的功能，比如说麦当劳接入一个外卖系统、会员系统或者优惠券的系统，它不是从零开始造，而是安装登录然后授权。 所以说 ai 里面的 canvas， 日历、网盘、邮件也都可以这样理解。 m c p 更像接工具的方法，而 plugging 更像别人已经做好的一整个功能入口。你要看的不是说这个名字酷不酷，而是它解决什么问题，要什么权限和会访问哪些数据。 最后是 agent 啊， agent 就 像一个店长，就不是只听一句话，而是盯完整一个流程，它会先看你要什么，再拆步骤， 中途需要工具就叫人去查和拿工具，后厨做完了还要检查有没有漏单。 ai agent 也就是这样， 比如说你让 coco 的 把这个页面改好，并能确定能跑起来这种自然语言，反到 coco 里面，它会可能会去看代码， 改 ui 叉 api， 改后端以及跑构建以及打开页面的检查。但越是 agent， 就 越要说清楚边界目标是什么，哪些文件不能碰到，最后怎么去验收。 ok， 回到最后，我们 web coding 啊，你也不用背刚刚说的一大堆的百科的全书这些专业词儿，你只要理解这一个故事，理解这一整套的流程。我要选哪些店，那就是选模型，我要怎么点点单，就是用 prompt 小票怎么猜？它就是 token 点餐屏好不好看，那就是 ui 和前端啊，订单要怎么传给后端？就是 api， 后厨要怎么处理就是后端，对吧？流程怎么附用就是 skills 啊，项目跑在哪里，数据存在哪里，就是服务器跟数据库，要 ai 接工具就是 m c p， 要装现成的功能就看 plugging， 要你让它盯完整的流程，那就交给 agent。 理解这些词不是为了显得大家更专业，而是为了你跟 ai 去做项目沟通的时候能把问题说到正确的层级。 ok， 我是 fred， 我 相信你听完本期的内容会大有收获， 欢迎转发给你那些现在还不懂这些的朋友们，我们下期再见！

前后端到底怎么接头？今天两分钟带你彻底拿捏 api！ 懂的都懂，其实就像异地恋了，前端负责貌美如花，后端负责数据，全靠 api 牵线。 要是没它，绝对乱套。一边疯狂要数据，另一边狂喊格式不对，崩溃了吧？重点来了啊， api， 它其实就是高级餐厅里的金牌服务员， 看好喽，你只管点单，服务员去传菜，后厨做好，最后秒速上菜。 每 api 有 多惨，要么数据库被黑，要么数据太大，直接把你页面卡死。所以说， api 就是 一份儿铁合同，保证前后端各司其职，绝对不越界。 现在的行业标配是 restful 设计，有四大铁律，赶紧点赞记一下，第一条网址链接里只准用名词，千万别加什么动词进去。 第二，靠这四个 http 动词就能完美搞定所有的增删改查。第三条，让状态码来说话，只要看到二百就代表完美成功了。 那要是跳出个四零四呢？意思就是根本找不到，别瞎忙活了。至于五尺百，说明服务器崩了，记住，千万别把错误全藏在数据里。最后第四条，绝对无状态，服务器可不记人，每次来必须自带令牌哦。 哎对，还有 jason， 这绝对是全宇宙最通用的技术，方圆了！不管你用 js 还是 python， jason 一 出秒变所有人都懂的纯文本 好动手时间到。写个 api， 其实就三步，导入路由，直接返回，只需要短短三四行，代码碰你的第一个接口就这样诞生了。 不过呢，代码写完怎么测？这一步超级关键，绝对不能省啊！用 postman 界面最直观清爽，想装个黑客啊，那就直接用 curl 敲命嘞！ 太棒了！ restful 动词 jason 还有测试，现在你全盘拿捏了，恭喜你正式迈进全站的大门。那你准备写的什么 a p i 呢？评论区见喽！

大家好， new api 是 一款高效的 ai 聚合网关， 能将所有模型服务统一转换成欧版 ai 格式，不管是归机流动、 deep seek 还是其他主流 ai 模型，都能通过它实现统一调用， 不用单独适配不同模型的接口。其次，它支持三十多家主流模型服务，兼容性极强，而且部署简单一拖 one panel 面板可以一键安装。 另外它还有可适化管理界面，渠道管理、令牌管理、用量统计都能直观操作，新手也能快速上手。 它还支持端口外部访问、智能路由、精细计费等实用功能，不管是日常测试还是轻度部署都能完全胜任。下面正式开始我们今天的教程。点击 one pin 面板左侧菜单的应用商店，找到 new api， 点击安装， 勾选端口外部访问选项，其他保持默认，点击确认，等待应用安装完成。 当看到安装应用 new api 成功，我们关闭追踪， 在已安装标签中找到刚才安装的 new api， 点击跳转即可打开 new api 界面。首次打开 new api， 需要完成系统初识化数据库检查，直接点击下一步即可。 管理员账号根据提示完成用户名密码的设置后，点击下一步，根据实际情况选择使用模式。此处我们以自用模式为例， 点击下一步，完成出使化设置后，点击出使化系统即可。打开 new a p i 首页，点击右上角的登录， 输入相应信息后点击继续即可进入 new api 主界面。我们首先需要接入一下模型，模型供应商，以归机流动和 deep seek 为例，在 new api 左侧菜单找到并点击渠道管理， 点击添加渠道类型，选择 silicon cloud， 然后到归机流动官网复制 a p i t， 在 名称下方输入归机流动，在秘要下方粘贴归机流动官网复制的 a p i t。 点击更多选择，清除所有模型，点击获取模型列表， 根据需要选择模型，此处我们选择全部模型，点击确定， 点击提交，这样就完成了轨迹流动模型的添加。同样方法，我们添加 deep seek， 添加完成后分别点击测试， 测试正常，并给出响应时间说明，设置正确。点击左侧菜单的操练场，根据需要对模型配置进行调整，并选择合适的模型。 设置完成后，在对话框输入任意内容， 可以看到能够正常运行。 我们再测试一下智能体的接入。第一步，创建模型，点击 one panel 面板左侧菜单的 ai， 点击模型，点击创建， 在名称下方命名一下，我们以 new api 为例，模型供应商下方选择自定义 api t， 在 new api 的 令牌管理中生成 勾选，记住认证信息 base u r l 下方输入 http 冒号斜杠，斜杠 l o c l h o s t 冒号三零零零，自行命名一下模型和名称，其他保持默认，点击确认。 第二步，将新添加的模型接入千问号，点击左侧菜单的智能体，找到千问号。点击端口下方的 web ui 端口， 输入用户名密码后点击登录，即可登录到千问号主界面，点击左侧菜单的模型， 找到 alma， 点击设置在基础 u r l 下方输入 new api 的 ip 地址，加端口号 api 秘钥下方输入前面 new api 生成的令牌，点击保存。点击欧拉玛下方的模型，点击自动发现模型， 模型加载成功后，关闭此对话框，找到默认 l l m 下方的提供商，选择 alma， 在模型下方选择一个我们需要的模型， 点击保存，点击聊天， 在对话框中输入任意内容，能够正常运行，说明我们的设置完全正确。需要切换模型时，只需要点击右上角后选择自己需要的模型即可。 本期教程完成，谢谢大家！

怎样做 top 肯平台来起步？就想告诉你一件事，做 top 肯代理，第一步是有一套自己能完全控制的聚合平台， 为什么？因为你去找二道贩子拿分销价，本质还是别人的渠道，模型列表、定价结构、倍率系数全被别人锁死。一定有自己的聚合分发系统， 左边接上游厂商，右边你自己定价卖出，这套系统搭起来才叫你的生意。那怎么搭？三部上游进货部署工具配置计费。 第一个渠道阿里云百链新用户开通就送七千万免费 talkin， 每个模型各一百万，九十天有效期，潜温泉系列 deepstack 都能跑。 千万 max， 国内定价输入二点四元每百万 token， 输出九点六元每百万 token， 国内直联不走境外结算合规没毛病。第二个渠道， mini max m 二点七是二零二六年期间百万 token， 上下文性能对标 close opus 四点六，但输入价格只要零点二美元，百万 token 输出一点一美元，百万 token， 中文场景文本处理能力很顶， 而且兼容 openni 格式接口接入零摩擦拿到上游 api key。 第二步是在服务器上把你的聚合分发系统部署起来，现在开源方案很成熟，助力就一套 opencl 极其延伸的 new api， 多考一键部署，一行命令拉镜像，一条命令启动完事。支持几十种模型统一接入，自带用户管理、配额控制、数据看板， 能把百变 key、 迷你 max key 统一转成标准格式对外分发，还能设置模型硬设和倍率定价，数完就是配置计费，各家用统一格式接入后，你要设好在成本之上的定价空间， g p、 t 等高价模型成本是 deepsea 的 舒适倍，绝不能统一定价，利润空间至少留百分之二十，不然羊毛党就会找上门儿。渠道里把 deepsea 千问 minimax 都配进去，哪个闪现快成本低就自动路由到哪个， 最重要的是什么？千万别一上来就比价。刚起步没有分发量，没有价格谈判筹码，找上游谈价，你连门都进不去。把有限的精力放到跑通业务流程， 找到第一批真实用户上去，有了稳定的分发量，那些运营商的规模化合作通道自然会对愿意深耕的人开放。这套流程跑通之后，你手里就有了一套自己能主导的 top 分 发系统。咱们再聊怎么定价，怎么找早期用户 评论区告诉我你现在是用百炼还是迷你 max， 或者是在纠结用哪个科研工具。

今天给大家演示怎么搭建 api 中转平台，用的是开源软件牛 api， 在 gitref 可以 下载和部署它的相关说明，这里不过多讲解。先来看一下效果，这个就是我本地搭建好的， 配的是 localhost 三千端口，直接点一下测试，用的是 gpt 五点四，连接成功，证明我们部署成功了。 这个是怎么部署的呢？其实也很简单，先把源代码下载下来，用字节的编程工具把它打开，然后给他发个消息，帮我 docker 启动一下， 然后他就会自己帮你安装部署 docker， 给你启动起来就打开浏览器进行访问，访问后要你配置用户名密码，这些进去之后要做哪些呢？首先我们这里要添加模型，比如这里没有 gpt 五点四这类模型， 你就在这里添加模型，然后点应用更改，就有这个模型了。有了这个模型，然后我们再来配这个渠道管理，渠道管理就添加渠道，比如说你是 open a 的， 比如说我是 codex 的， 就选 codex， 然后这里有个 codex 授权， 你就点打开授权页面，按提示操作就行，它就会跳转，跳载之后你就把链接放在这里生成并填入，这样的话你的 官方的授权区就打通了。打通之后怎么用 a p i 调用呢？你的令牌管理，这里就添加令牌，比如说你需要的令牌名称分组，就是你刚才的渠道的分组， 以及这个令牌可以访问哪些模型，完了后你就可以点击保存，这里就有相关的密钥，当然网址就是 a p i 的 三千端口，你部署在本地，部署在服务器都可以， 所以现在网上流行的中转，基本都是通过 大部分都是用这个软件来中转，你看它里面各种渠道都有。

面试官， string s， n t n 五 n t n， 创建了几个对象？求知者，很简单，两个，一个堆对象，一个长量池对象。面试官，那 string s 等于 abc 这种写法呢？求知者，就一个，直接在括号串长量池生成。面试官，那要是 string s 等于 new string， 又是几个？求知者， 嗯，应该也是两个吧？这道 java 基础经典考题看着人人都会，实则百分之八十开发者都只懂皮毛说不全。底层逻辑，今天面试一位 java 开发简历，标注基础功底扎实，熟悉 jvm 内存结构。我当场抛提， stream s 等于 new stream， 一 共创建几个对象？求知者脱口而出，两个堆，内存一个，长量池一个。我接着追问，如果字幕串长量池里已经提前存在 a、 b， c， 还会创建几个？求知者立马卡壳，那难道只剩堆儿里面一个啊？我点头认可，没错。那 string s 等于 a 加 b 加 c， 又会生成几个对象？求知者蒙了，难道是 a、 b、 c 三个分开的对象？我摇头说错，编辑器会做编辑期常量优化，直接合并成 a、 b、 c， 全程只生成一个常量式对象。求知者当场愣住，还有这种底层优化？我继续深挖，那 string s equals， new string plus， new string， 那一共创建多少对象？底层依赖什么类？ intar 的 方法？底层逻辑是什么？实际业务怎么用？问到这里，求知者已经答不上来，典型的只会死记面试答案，完全不懂底层原理和内存机制。 spring 作为 java 使用频率最高的类，也是面试必考核心知识点。面试官根本不想听你被固定答案，真正想听的是内存分配逻辑编一期优化规则，长量池运行机制， inter 的 底层原码原理，如果你这道经典题也讲不透，我整理好了高频核心面试提铺包含了 jvm 底层原理、 spring 高频八股 radis 缓存陷阱、现成池、高频连环问等。点个赞，评论区甩六六六，打包带走 nice 第一部分， 先搞懂字串长量池核心概念， g、 d、 k 一 点七及以后版本字串长量池正式迁移到堆内存中，用来缓存附用字串对象，减少内存浪费。第二部分，经典面试题主题拆解题目一， string s 等于 new string 创建几个对象？ 标准答案，一个或两个长量池没有 a、 b、 c 长量池新建一个，加堆内存新建一个，一共两个长量池已有 a、 b、 c 不 会重复创建长量池对象，仅在堆内存新建一个 stream 对 象。题目二， stream s 等于 a 加 b 加 c 创建几个对象？ 答案，仅一个 java 编辑器存在长量折叠优化编辑阶段，直接把 a 加 b 加 c 合并为 abc 字节码，等同于直接写 string s 等于 abc， 只会在长量池生成一个对象。验证方式，使用 java app 杠 c 反翻译查看字节码能直接看到 ldc 指令加载长量池 abc 无任何拼接逻辑题目三， string s 等于 new string 加 new string 创建几个对象？答案，一个或两个 编辑优化后等效于创建 a、 b、 c 字串逻辑和直接 new string 一 致，长亮池无则两个，已有则一个。第三部分， 拼接场景进阶考点，这种写法底层会自动创建 string builder 做拼接，底层会先后加载长亮池 a、 b、 c， 再创建 string builder， 调用 append 拼接，最后 to string 生成新字串，若长亮池无对应字串，整体会生成六到七个对象。 若长亮池已存在 a、 b 和 c， 无需新建长亮池对象，仅生成四个堆内对象。第四部分， int 的 方法核心原理， int 核心作用，手动将字母串放入长亮池，附用长亮池已有该字母串， 直接返回长亮池引用。不新建对象，长亮池没有该字母串，把当前字母串引用存入长亮池，再返回引用。高频追问， jdk 一 点六和 jdk 一 点七加 int 底层有什么区别？也是定级高级开发的关键考点。第五部分， string 为什么要设计成不可变 适配长量尺？若自控串可变，修改引用值会影响所有共享该自控串的地方。安全保障类加载网络请求、文件路径等核心场景依赖自控串不可变，可防止恶意篡改。 天然现成安全不可变对象无法被多现成，修改无需枷锁同步哈希缓存高效，不可变，可缓存。 hashcode 作为 hashmap 键值，性能更优。第六部分， stream splender， blender， stream buffer 区别，面试必问三件套 执行效率，现成安全使用场景是基础面试必备知识点。第七部分，自解码底层分析，想拉开和普通求职者差距，直接从自解码层面解读 new 指令，在堆内存分配 stream 对 象空间。 ldc 指令， 从矩阵长量池加载 a、 b、 c 字变量， invoke special 调用 string 构造方法完成对象抽象。一套流程讲完，直接体现底层功底。第八部分，高频追问汇总 q 一。 字变量赋值 a、 b、 c 和 new string 写法哪个更好？优先用字变量可赋用长量池对象，节省内存，还能规避 no 空置针隐患。 q 二， two u capx 会生成新对象吗？一定会， string 不 可变特性，任何修改操作都会返回全新自创串对象。 q 三， sub string 截取会不会创建新对象？ j d k 一 点六共享底层自幅数组 j d k 一 点七及以后每次截取都会生成全新 string。 实力 灵魂总结，下次面试被问 string 按这个逻辑分层做大 u 创建对象数量，看长量池是否存在字面量赋值指操作长量池高效赋用。静态自创串拼接会被编程优化合并 电量拼接依赖 stream builder 实现 intern 手动入池。高低版本底层有差异，不可变性。四大核心原因，牢记于心，高级开发从来不靠死记硬背答案，而是能从内存分配编易优化自解码，底层多角度拆解原理，这才是 java 进阶必备的核心功底。厉害！

今天是我实习的一百九十多天了，有好几天没更新了，最近在搞一个新项目，这个新项目也是北京的，等五一过后要坐飞机去北京出差。 这个项目的话分为三种，这个项目类型嘛，就是说有后端还有 buu， 前端还有 uniapp 啊，就是部署在部署在他们工厂的，呃，手持机上面，他们叫 pda 啊。 嗯，这个项目的话的难度我感觉是不难的，他相相比于我之前的那个北京项目的难度的话，只有相当于之前的五五分之一吧， 他的业务也比较少啊啊，所以我最近的话这个代码已经快写完了，然后到时候去北京那边就直接去现场调试了，然后调完之后就回来了。 为什么我能这个去？公司会把这个新项目交给我一个实习生去做了？因为我们公司他自己封装了这么一套框架，就是像前端啊，后端啊， uni up 呀，他们都进行了封装，对吧？就是 比如说啊，像一个基础的功能，对吧？像增删、改查、导入、导出这些基础的功能，你只需要配置一下，对吧？他就他就自己就就有了，就是说很，就是很方便啊，很方便，所以说开发起来就快，我们只需要写一些逻辑，写一些接口的对接啊这些东西啊，配置一下路由啊， 啊，对，差不多就这些。嗯，然后，呃，这个项目我觉得就是我们公司最新的框架吗？我觉得这个项目对我来说也是学到点东西了，反正每个项目都会学到点东西啊。嗯， 到时候然后那个部长就是我们公司的领导吗？在之前这个项目分给我的时候就说怎么样，这个项目简单吗？可能你一个人都能搞定了啊。但是还是安排了一个人带我。因为我之前接触的是老项目，所以很多框架，很多东西跟公司的现在的新新框架不一样啊。 嗯，等我干完这个项目，我后面应该可能就会分给我一些小的项目，一些独立的让我去干了啊，差不多就是这样了。

评论区很多兄弟想入行拓客代理，今天给一份七天入行路线，目标不是发财，是建立一张能自己攻心的认知地图。第一天，搞清楚三个核心概念的定义与边界，拓客是什么， api 如何计费， 聚合平台和中转站的本质区别，用阿里云百联的官方文档加 ai 辅助，每个概念必须能一句话讲清楚。 第二天到第三天，动手搭建一套分发系统，推荐 new api 或 open call， 多可一键部署完成三件事，接入一个上游模型，创建一个用户，并分配配额，跑通一次，完整调用原理先放一边，先把流程建立起来。 第四天，理解定价逻辑，搞清楚三个核心变量，上游采购成本模型、倍率套餐结构。用 excel 拉一张表，把 deepsafe、 千问 minmax 的输入输出价格列出来，算出你的成本底线和利润空间。第五天，研究一个合规路径算法备案的流程， icp 需很重的要求国内合规渠道和海外渠道的区别，别等做大了才发现彩虹线。 第六到七天，输入到笔输入，写一份你自己的桃肯代理创业计划书，包括上游渠道选择、定价策略、目标客户画像、合规方案，拿去跟懂行的人讨论。 七天后，你手里有一套普通的系统，一份定价模型，一个合规框架和一份可执行的计划，知道缺什么去哪补，这才是入门。

大家好，我是老王，今天我们来学习 python 最火的 web 框架 fast api， 有 加法基础的同学学这个巨快，我直接用 spring boot 对 照来讲，结构、思路、写法几乎一一对应，今天一次性讲完，学完就能写接口做项目。第一， fast api 是 什么？它是 python 现代高性能外部框架，对标 java 的 spring boot 加 spring nvc， 优点是速度快，自动生成接口文档，支持异步自带类型校验代码极度简洁，现在后端开发 ai 接口服务、微服务项目几乎都在用。 第二，安装于启动 java， 用 mebin 或 gradle 引入，依赖 python， 只需要用 pp 安装，启动命令也非常简单，支持热重载改代码自动刷新，开发效率很高。 第三，请求流程和 spring boot 的 请求处理流程几乎一致，请求到达、路由匹配、参数解析与校验，执行业务逻辑返回响应。 fast ipi 基于携程处理请求高病发场景下性能更强。 第四，路由分层，对应 spring boot 的 controller 分 包， fast ipi 支持路由拆分，不同业务模块分开管理 大型项目，结构清晰，易于维护，就像 java 里按模块写不同 controller 一 样。第五，查询参数请求体，对应 spring boot 的 request、 parameter 和 request body， fast api 直接定义参数和用 pidetic 接收 jason 自带类型校验默认值，使用方式和 java 高度相似。第六， pidetic 数据校验，对标 java 的 参数校验框架， 支持飞空、长度、范围、格式等多种校验规则，接口更安全、更规范。第七，自动生成接口文档。 spring boot 需要手动集成 swagger 才能生成文档。 fast api 零配置自带接口文档，相当于开箱即用的 swagger， 不 用写配置，不用加依赖。 第八，依赖注入，对应 spring boot 的 autodesk 的 依赖注入。 fast api 提供轻量依赖注入，用来统一获取数据库，连接公共工具权限信息，实现解偶，和 java 的 service 注入思路一样。 第九， aop 与中间键对应 spring aop 和拦截器。 fast api 通过中间键做大局，统一处理， 比如日制跨域请求头异常处理和 java 拦截器功能完全对应。第十，异步支持 对应 java 的 compatible future webflex 异步框架。 fast api 原声支持 isic and await 处理， i o 密集性，接口更快，并发能力更强。第十一， o r m 数据库操作对应 java 的 mybatis spring data j p a fast api 搭配 python o r m 框架， 实现对象映设、增删改查、事务管理，开发思路和 java 持久层完全一样。以上就是 fast ipi 全套核心内容， 从框架定位、安装、启动、请求、流程、路由、参数、文档、依赖注入、中间件异步到 o r m 全部对照 spring boot 讲完有 java 基础， fast ipi 真的 可以快速上手，直接写项目，做服务开发接口。下期我们继续学习 python 更深层次的技术。

想让你的 web 开发效率起飞，那你一定要认识 python 界的明星框架 fast api， 它最大的魅力在于代码记文档， 你只需要写好业务逻辑，访问 slash docs 路径，一套精美的交互式 api 文档就会自动呈现在你面前，甚至可以直接在页面上进行调用测试。 配合 botanic， 它还能帮你搞定最头疼的数据校验。不管是字母串长度还是数字范围， fast api 都会在数据进入逻辑前帮你把好关，类型不符直接拒之门外。高性能、高可靠、零额外配置，这就是为什么现代后端开发都爱 fast api。

现在的面试，光靠八股文和传统项目已经越来越难了， ai 的 内容已经快成了必备技能。 面试官问， r a g 是 什么 agent？ 怎么实现呢？绘画记忆怎么设计？线上解锁用的什么方案？你可能听过这些内容，但大多数人学 ai 就是 调一些 api， 往向量库里塞点数据，让模型输出，一段话就完了。这顶多算是个 demo， 只要一声问就露馅。真正的 ai 应用和调 api 之间，差的是对每个环节的深入理解和设计。于是我做了 super agent。 企业级的 ai 一 体化智能体，覆盖了智能对话、知识问答、联网搜索、 r a g 解锁增强生成 m c p 工具协议、 skills 能力扩展、列路追踪等能力。前置步骤，文档处理流水线 首先要把文档变成可解锁的数据。很多项目的做法是把文档切成固定长度，然后向量化，这样结果肯定拉暗，因为不同文档差异很大。 此项目的处理有一条完整的异步流水线，文件上传后发送任务消息到卡夫卡解析服务消费此任务。 先把各种各样格式的文档转成干净文本，接着系统会根据文档类型和内容特征，自动推荐最优的切块策略算法组合。这里有四种切块策略，结构切块 按标题、章节、段落切成与完整的块，保留文档天然边界地归分块结构，块太大时继续往下裁剪，控制块大小。 羽翼风块负责块边界的优化，让划分点落在话题转换的地方。大模型智能风块处理低质量和复杂文档， 负责处理疑难场景。确认策略后，把向量数据、关键词、数据图数据写入对应的数据库中能看到，在代码仓库中，项目介绍的还是非常详细的，包括为什么需要，有什么内容和具体的特点。 当文档准备好了后，用户在输入框里敲了一句话，点了发送。看起来很简单，但在系统内部，这条消息要经过相当多的关键步骤，才能变成一个靠谱的回答。 第一步，集群并发控制请求进来后，系统先通过 read 实现互斥锁的功能，再在本地内存任务注册表中注册，防止同一条消息重复处理。第二步，绘画记忆加载。 从数据库中加载历史对话记忆，按配置的策略来组装。上下文有三种策略，无记忆、滑动窗口、栽药压缩。栽药压缩是生产环境最推荐的方案， 长期栽药加最近几轮原文，既控制掏空成本，又保留关键上下文。第三步，知识路由。当知识库有大量的文档时，不能每次都全库解锁，成本会很大。举个例子， 用户问年假怎么申请，结果从产品手册里也解锁出了申请这个词，这就是典型的跨域干扰系统先走权重、分数、主题分类三种的层级进行排序， 每一集都用语域加词法的混合打分来确定最相关的文档。排序完成后，还要做可信度评估，第一名的分数占总分比例越高，可信度也就越高。如果第一名和第二名分数很接近，说明系统也拿不准，就会主动降级。 还有一个很巧妙的设计叫影子路由，当用户主动选择了文档进行对话时，系统在后台悄悄跑遍完整的知识路由算法，看看系统自己会选哪份文档，然后和用户的实际选择作对比， 命中率、知情度、获奖排名全都记录下来，用于持续评估和优化路由模型，整个过程对用户完全无感。另外，项目还用了图数据库构建文档图谱，每份文档在缩影构建时，会同步生成多层级的图结构。 当用户问第三张讲了什么，这种结构性问题，向量解锁和关键词解锁都处理不了，因为第三张不是一个语域概念，也不是一个关键词，它是一个结构。定位图查询天生擅长这个，直接通过章节编号定位， 还支持临街便利和子节点展开，和向量剪辑形成了互补。第四步，大模型意图分析与问题改写。把用户的当前问题、最近几轮历史对话一起传给模型分析用户意图， 同时作为问题改写，把那他怎么配置这种省略了主语的追问，结合上下文补全完整的问题，让后续剪辑能找到东西。第五步，子问题拆分 退款规则是什么？审批流程怎么走？这种复合问题，系统会拆成独立的子问题，每个单独走解锁链路，并且会用多县城来一步的执行，加快效率。 第六步，路由判定和执行器分发。很多 agent 项目，不管用户问什么，都扔给一个大模型处理，这样做有个很大的问题。二， a g 功能追求的是稳定，用户问退款规则是什么？ 你需要的是从文档中精准解锁到内容，然后让模型基于内容生成回答。这种场景让大模型自己干反而不可控， 可能跑去联网搜索一堆无关内容，而今天北京天气怎么样？这种问题知识库里根本没有答案，必须让大模型调用搜索工具获取实时信息。所以此项目设计了三层执行器，按场景精确的分流， 根据编排的结果选择最合适的执行器。歧义澄清，选择追问执行器生成澄清问题，引导用户补全信息。 知识问答，选择 r a g 执行器走内容驱动生成引用来源，可以追溯开放式问题，选择 react agent 执行器，支持联网搜索工具调用。如果是复杂的问题，可以拆解， 进入 react 推理功能，思考调用工具获取结果，循环推理，直到得出最终答案。第七步，双通道混合解锁。 对于解锁功能，很多人以为解锁就是查个像账库就完事了，但实际上用户问一个订单号或配置像名像账解锁很可能找不到。因为语域相似度对精确匹配天然弱势，所以系统用了向量解锁和关键词解锁，双通道并行处理。 向量检测走向量数据库，擅长理解语域。比如用户问打印机墨盒怎么换，文档里写的是墨盒更换步骤， 向量检测能理解它们是一回事。关键词检测走关键词数据库擅长精确匹配 订单号、配置项这些精确查询，它更在行，两种同时执行，互不堵塞。第八步， rrf 混合排序限量解锁和关键词解锁有了结果后，还有个问题，这两种的分数维度完全不同， 限量解锁返回的是鱼弦相似度，关键词解锁返回的是 bm 二五分数不能直接比大小， 所以用 rf， 也就是排名倒数融合法，不看分数的绝对值，只看排名。一个文档如果在两路解锁中排名都靠前，融合后的分数就会很高，同时低于域值的弱命中直接过滤掉。融合后还可以接外部的排序模型做精排， 在较干净的后选集上，进一步优化排序，让最相关的内容排在最前面。第九步，父子块的聚合。这是很精巧的一种设计，在文档切块的时候，会同时生成大块和小块，大块是父节点，小块是子节点，两者有关联关系。 解锁的时候用子节点的小块去匹配，因为小块语域集中更容易被向量解锁命中。但如果回答的时候也只用小块，上下文往往不完整，可能只有半句话或一个片段， 所以系统在命中子块后自动向上提升到副块，把完整的段落或章节内容拿回来给模型。总结就是，解锁用小块保精度，回答用大块保完整性。 以上每一步的耗时输入，输出决策结果，关键信息的执行会全部记录下来，可直观的呈现在管理后台的观测面板里。

国外大模型和国内大模型，也就是 ai 爆火之后，一个词语冲上了热搜，根据国家统计局公布的数据， top 位词，也就是词源一天的使用量达到了一百四十万亿。 国外大模型和国民大模型，在法律上或者是在国家监管层面上， 在流动方面有一堵墙，也就是数据出海以及国外数据的准入，建立到一道防洪墙，这时候就衍生出来了一个行业，就是 ai 中转站。 今天彭律师用一个非常长的视频和一个 app 详细给大家讲解一下 ai api 中转站刑事法律风险， 即目前我国法律上存在哪些滞后性，在司法实践中，我们如何去破解？在这一方面我们就要看到，为什么 我们要研究这个话题，这个话题的背景和意思呢？第二个大的方面，核心的形势，法律风险是什么？第三个方面，核心的困境，也就是法律的滞后性。 第四，如何规制和完善 api 大 模型，如何合规入境？第五，也就是研究最后的和未来的一个展望。 我们为什么要研究 api 中转站？其实我们研究的背景是什么？也就是说在数字技术与区块链 数据相互交互技术中转成为了新形态， api 中转转作为数据传输接口聚合、跨境服务流转的新型技术服务模式，广泛用于数据的流转， 包括区块链、 token 经济等前沿领域得到了广泛应用。比如我们每天在使用豆包过程中跟豆包进行聊天，也是正在消耗 token。 销售顾问只是说我们作为消费者没有买单，而是豆包的运营者、经营者来进买单了。 然而在这种模式之下，缺乏了有效的监管。有无资质啊、跨境违规、匿名等服务的特征 非常容容易被用于网络黑黑产的，成为了犯罪的帮凶和犯罪的温床，也成为了目前在数字经济治理中高风险的盲区。 我们研究他的目的意义在哪个地方？研究到的意义就是填补法律空白，明确可归、边界平衡、技术创新与刑事规制，不能将 创新遏制在刑事规制之中。 b i 中转站法律的内涵与特征是什么？其核心就是绕过平台权限与地域监管，实现第三方 转接服务，也就是通过各类的聚合 api 接口实现数据的转发、服务代理密钥分流、跨境传输、流量分发等技术服务。 这时候会呈现 ap 中转站存在无资质运营、跨境违规传输、匿名提供服务和疏于风险管理、为经济新型经济业态提供了技术支撑等问题。 这些问题的明显会暴露出来法律监管的滞后性、法律高发的共共性难题， 在这一些中会存在。我们经常研究的一些罪名就是比如说非法经营罪，也就是数据出口有没有取得增值电信业务许可证 或者是电信业务许可证、数据的中转接口准入等方面，是否符合数据安全法的一些规定，国家查查数据安全法的一些相关规定， 这些是属于非法经营罪的一个特征。这个罪名我们在司法实践中还是存在很大的风险。未取得增值电信业务许可证是否构成非法经营罪的前置法定条款？ 第二个罪名，邦信罪，邦信罪的情况下，这也是该风险是含盖刑法第二百八十五条，呃， 二百八十七条。也就是说你在做 api 中转这个生意的时候，无形之中帮了一些做黑灰产，或者是说搞网络诈骗、网络诈骗、网络赌博的一些人，提供了技术支持， 客观上提供了 api 接口、中转网络服务、网络接入、数据传输、隐蔽通道等技术制共同犯罪。在司法实践中对明知的判断是非常 非常严格的，比如说你采用了加密或虚拟货币收款规避监管，服务价格远远是低于市场的，这时候在司法实践中很容易被推定为主观品质。 第三个罪名，也就是计算机类的相关的犯罪。既然你的相关犯罪常见的是刑法第二百八十五条的规定是非法获取计算机信息系统罪、控制计算机信息系统罪，以及第二百八十六条破坏计算机信息系统罪。 这个这个计算机类的犯罪都是 a p i。 运营者为了提升中转的效率，突破平台的一些权限 实施的，破解官方 api 的 接口权限、盗刷密钥、批量爬虫数据、干扰平台运营、绕开平台封控机制等未经授 权侵入、修改、传输计算机系统数据，直接构成相关的计算机类的犯罪。第四个是拒不履行信息网络安全管理义务。 这这个罪名主要是讲 a b i。 中产证属于法定的网络服务提供者，依法附有用户实名、网络日制储存违法信息、阻断 数据安全保护、配合执法部门的一些监管等法定义务。但是啊，在在你作为有法定的义务中，你并没有履行网络安全管理的义务，经监管部门整改 仍不改正，导致了违法信息的大量传播，或者是数据的违法出境，或者是数据的违法入境的一些行为，严重扰乱了网络秩序，构成犯罪。第五个，个 人信息方面。也就是说在 a b i。 中转站数据传输过程中，会自动缓存、储存、传输用户的身份信息、通信数据、交易信息等公民个人信息 运营者未经用户的授权，私自储存、泄露、售卖、非法使用用户个人信息，或者是因监管不利导致海量信息被泄露， 均会构成侵犯公民个人信息罪。另外还有个点，就是说，在 tiktok 经济叠加的形式风险，也就是 tiktok 中转站做 api 中转站作为 tiktok 经济虚拟资产流转技术的时称急于败于非法集资，比如说， 嗯， a b i 和算力在搭建的过程中进行对外融资，也就是可能会涉嫌非法集资、传销、洗钱等金融犯罪。包括 tucker 的 发行、交易、流转、跨境跨转等提供 a b i。 服务的 服务的，也有可能会被定义为非法金融一些类的犯罪。 在讲在研究这些相关罪名的过程中，我们还是要看看到新技术，新技术的产生与法律的滞后性。法律的滞后性，也就是说目前法律上有哪些滞后性？法律上的空白是什么？ 彭律师认为啊，根据目前的刑法、网络安全法和数据安全法、电信条例等法规，均制定了 a p i。 中转站 top， 仅仅新业新型业态出现之前， 现现在无任何法律条文对 a p i。 中转站的法律性质、它的业务边界以及合规标准、责任类型作出明确规定。 所以说这一块目前来说属于法律的真空状态。法律对技术中的非法经营行为、违法犯罪、帮助行为的界限也没有太多明明确作为运营者 也无法去合理的判断自己的行为哪些是超过了法律的边界，哪些是在合规的边界之内。司法机关在司法实践中也会 对这一块的适用产生了模糊和不确定性。在产生不确定性的时候，法律的制衡性出现了现实的弊端，也就是说裁判失衡、刑事打击过大和违边界模糊和市场不确定性。因此， 在立法层面应当应当进行专门立法，对 token 或 api 中转的法律属性进行明确定性，以及该定性是否涉嫌非法经营罪和帮信罪，以及洗钱罪或者是非法集资 传销等一些罪名有明确的限定以及相应的经营模式。如何去监管，民事的角度、合同的制定等等，数据的出海等等，需要有以明确的监管和法律的标准。只有 只有在构建分层监管体系中才能化解法律制后的弊端。法律制后的制端包括 a p i 主要是就是国内数据和国外数据的交互， 如何去突破这个一道墙，也就是监管跨境监管与协同方面的治理快，应当去加强。明确加强跨境监管与司法协助，明确如哪个地方来管辖，由哪个部分来管辖，也要加强司法 国际司法协助，应当秉持刑事司法的牵引性，杜绝一刀切的监管，鼓励行业发展，鼓励行业发展。对此，彭律师对 api 和 tucker 经济也有 很很强的总结和展望。未来算力时代、算力时代、 tucker 经济时代， 我们作为法律人，特别是彭律师研究刑刑事法律方面的一些问题的人， 我们应该对新型经济秉持着一种平衡的角度，不能采取一刀切或者认为新型经济就是一些违法犯罪的一些手段，我们应该具有一定的包容性，应该摒弃僵化的刑事规则。 最终我们的目标是形式来是保护数字经济和头肯经济的发展，推动经济数字经济的创新和产业 升级，作为刑法的保障最后一道屏障，使行业能够有健康有序的发展。 大家看完彭律师这个 app 之后，有相关 a p i token 方面的法律问题可以后台私信彭律师。