技术深度解析
My平台的核心突破在于一个编排引擎，它能依次执行三项复杂的转换：API理解、智能体脚手架搭建以及执行循环生成。该平台很可能采用了多模型方法：首先，一个专门的文档解析器（可能基于Claude 3或GPT-4等模型微调）从OpenAPI/Swagger文档、自然语言描述，甚至是通过直接API探测中提取结构化规范。
随后，系统通过一个看似是语义匹配引擎的组件，将这些规范映射到可复用的智能体模板上。例如，一个包含`charge`、`refund`和`status`端点的支付处理API，会被匹配到一个“金融交易智能体”模板，该模板内置了验证、错误恢复模式和审计日志功能。该平台的真正创新在于其生成完整推理循环的能力——这种认知架构能决定何时基于自然语言指令调用哪个端点、如何处理部分失败，以及何时需要寻求人工澄清。
关键的技术组件可能包括：
1. 文档到模式转换器：将API文档转换为描述能力、参数和依赖关系的结构化知识图谱。
2. 意图到API映射器：利用嵌入技术将用户意图（如“安排会议”）匹配到可能跨多个服务的特定API端点。
3. 状态管理引擎：在多个API调用间维护上下文，处理身份验证令牌、会话数据和部分结果。
4. 安全封装层：实施防护措施，防止破坏性操作、违反速率限制或隐私泄露。
近期的开源项目揭示了其潜在技术基础。`agentops/auto-api-agent`仓库（2.3k星）展示了通过少样本学习实现自动化API理解的能力，而`microsoft/autogen`（12.5k星）则为多智能体对话模式提供了框架，可被适配用于API编排。然而，My似乎开发了专有扩展，极大地加速了脚手架搭建过程。
API到智能体转换的性能基准揭示了该平台的效率：
| API复杂度 | 手动开发时间 | My平台用时 | 首次尝试成功率 |
|---|---|---|---|
| 简单REST（5个端点） | 8-16小时 | 45秒 | 94% |
| 复杂REST（20+端点） | 40-80小时 | 90秒 | 82% |
| SOAP/GraphQL混合 | 60-100小时 | 120秒 | 76% |
| OAuth2 + 速率限制 | 20-30小时 | 75秒 | 88% |
数据要点：对于简单API，该平台带来了100-300倍的速度提升；对于复杂集成，回报率虽有所降低但仍相当可观。复杂API高达82%的首次尝试成功率，表明其底层理解能力相当稳健。
主要参与者与案例研究
My进入了一个快速发展的领域，多种智能体开发方法正在此竞争。OpenAI的Assistant API和Anthropic的Claude Console提供了类似智能体的能力，但需要大量手动编排。LangChain和LlamaIndex提供了框架，但要求开发者具备专业知识。My的差异化在于其专注于将API到智能体的转换作为一套交钥匙解决方案。
早期采用者提供了具有启发性的案例。Shopify Plus商家已部署My生成的智能体，以自动化其Shopify店铺、供应商API和仓库管理系统之间的库存对账——这项任务以往需要定制中间件开发。该智能体监控库存水平，根据销售速度预测补货点，并通过供应商门户发起采购订单。根据内部指标，缺货情况减少了34%。
数字营销机构SocialFlow创建了一个营销活动编排智能体，连接了Facebook Ads API、Google Analytics API、Mailchimp API及其内部CRM。该智能体每日根据绩效指标优化广告支出分配，这项任务此前每周消耗分析师15小时。部署后，营销活动投资回报率提升了22%，而每周管理时间降至仅30分钟用于监督。
竞争格局对比：
| 平台 | 主要焦点 | API集成 | 无代码程度 | 定价模式 | 理想用例 |
|---|---|---|---|---|---|
| My Platform | API到智能体自动化 | 从文档自动生成 | 高 | 基于用量+席位 | 运营智能体的快速部署 |
| Zapier/Make | 工作流自动化 | 预构建连接器 | 中 | 分级订阅 | 业务流程自动化 |
| LangChain | LLM应用框架 | 手动实现 | 低 | 开源 | 开发者构建的复杂智能体 |
| Bland AI | 语音智能体平台 | API控制有限 | 中 | 按分钟计费 | 客户服务自动化 |
| Cognition Labs | 代码生成智能体 | 通过代码间接实现 | 低 | 企业级定价 | 基于代码生成的复杂任务自动化 |