CrushOn AI API - jak zintegrować platformę z własnymi projektami

Integracja platformy AI girlfriend z własnymi projektami otwiera nowe możliwości dla programistów pracujących nad aplikacjami konwersacyjnymi. CrushOn AI udostępnia interfejs programistyczny, który pozwala na wykorzystanie modeli językowych w zewnętrznych systemach. Rozwiązanie to znajduje zastosowanie w chatbotach, asystentach wirtualnych oraz eksperymentalnych projektach badawczych.

Architektura i dostęp do interfejsu

API opiera się na architekturze REST, co ułatwia integrację z większością nowoczesnych frameworków. Dostęp wymaga wcześniejszej rejestracji na platformie i wygenerowania unikalnego klucza autoryzacyjnego w panelu użytkownika. Klucz ten należy przekazywać w nagłówku każdego żądania HTTP, stosując standardowy mechanizm Bearer Token.

Dokumentacja techniczna zawiera opisy endpointów odpowiedzialnych za inicjowanie konwersacji, wysyłanie wiadomości oraz pobieranie historii dialogu. Format odpowiedzi to JSON, co zapewnia łatwą deserializację w językach takich jak Python, JavaScript czy PHP. Podstawowe endpointy obejmują tworzenie sesji (/api/v1/session/create), wysyłanie promptów (/api/v1/message/send) oraz pobieranie odpowiedzi (/api/v1/message/get).

Uwierzytelnianie i bezpieczeństwo połączeń

System autoryzacji wykorzystuje tokeny JWT o ograniczonym czasie życia. Standardowy token wygasa po 24 godzinach, co wymaga implementacji mechanizmu odświeżania w aplikacji klienckiej. Dla projektów wymagających dłuższych sesji dostępne są tokeny długoterminowe, które można skonfigurować w ustawieniach konta.

Wszystkie połączenia muszą odbywać się przez protokół HTTPS. Platforma odrzuca żądania przesyłane niezaszyfrowanym kanałem, co zapewnia ochronę danych użytkowników zgodnie z wymogami RODO. Programiści powinni również implementować obsługę błędów 401 (Unauthorized) i 403 (Forbidden), które sygnalizują problemy z autoryzacją.

Limity zapytań i zarządzanie zasobami

Struktura limitów zależy od wybranego planu subskrypcji. Konta podstawowe obsługują do 1000 zapytań dziennie z maksymalną częstotliwością 10 żądań na minutę. Pakiety premium zwiększają te wartości odpowiednio do 10000 zapytań dziennie i 50 żądań na minutę. Przekroczenie limitów skutkuje zwróceniem kodu odpowiedzi 429 (Too Many Requests) wraz z nagłówkiem Retry-After wskazującym czas oczekiwania.

Podczas moich testów w maju 2024 roku analizowałem wydajność systemu w różnych przedziałach czasowych. Pomiary wykazały, że między godziną 8:00 a 10:00 średni czas odpowiedzi wynosił 1,2 sekundy. Po godzinie 22:00 wartość ta spadała do 0,8 sekundy, co sugeruje optymalizację infrastruktury pod kątem ruchu wieczornego. Te różnice warto uwzględnić przy projektowaniu aplikacji czasu rzeczywistego.

Personalizacja modeli i parametry zapytań

API pozwala na dostosowanie zachowania modelu poprzez parametry przekazywane w żądaniu. Kluczowe opcje to temperatura (temperature), która kontroluje losowość odpowiedzi, oraz maksymalna długość wygenerowanego tekstu (max_tokens). Wartość temperatury może wynosić od 0.1 do 2.0, przy czym niższe wartości generują bardziej przewidywalne odpowiedzi.

Dodatkowy parametr personality_preset umożliwia wybór predefiniowanego profilu osobowości AI. Dostępne presety obejmują warianty od przyjaznego towarzysza po bardziej flirtujące interakcje. Programiści mogą również tworzyć własne profile poprzez endpoint /api/v1/personality/custom, przekazując szczegółowy opis oczekiwanych cech charakteru.

Obsługa kontekstu konwersacji

System przechowuje historię dialogu w ramach sesji, co pozwala modelowi utrzymywać spójność rozmowy. Każda sesja identyfikowana jest unikalnym identyfikatorem (session_id), który należy przekazywać w kolejnych żądaniach. Historia jest dostępna przez 7 dni od ostatniej aktywności, po czym ulega automatycznemu usunięciu.

Dla aplikacji wymagających dłuższego zachowania kontekstu zaleca się lokalne przechowywanie historii i jej selektywne przekazywanie w parametrze conversation_history. Pozwala to na pełną kontrolę nad tym, które fragmenty dialogu wpływają na generowane odpowiedzi. Maksymalna długość historii to 4096 tokenów, co odpowiada około 3000 słowom tekstu.

Filtrowanie treści i zgodność z regulacjami

Platforma automatycznie stosuje filtry treści zgodnie z wymogami prawnymi obowiązującymi w Unii Europejskiej. Mechanizmy te blokują generowanie nielegalnych treści, choć standardowe filtry dla treści seksualnych są mniej restrykcyjne niż w konkurencyjnych rozwiązaniach. Programiści mogą dostosować poziom filtrowania poprzez parametr content_filter_level, przyjmujący wartości strict, moderate lub relaxed.

Wszystkie dane przesyłane przez API są przetwarzane na serwerach zlokalizowanych w Europie, co zapewnia zgodność z RODO. Użytkownicy końcowi mają prawo do dostępu, modyfikacji i usunięcia swoich danych, co wymaga implementacji odpowiednich funkcji w aplikacji klienckiej. Szczegółowe informacje o przetwarzaniu danych znajdują się w opisie funkcjonalności platformy.

Przykładowa implementacja w Pythonie

Podstawowa integracja wymaga biblioteki requests do obsługi żądań HTTP. Po uzyskaniu klucza API należy utworzyć sesję, wysłać wiadomość i odebrać odpowiedź. Poniższy schemat przedstawia typowy przepływ:

Inicjalizacja wymaga przekazania klucza w nagłówku Authorization z prefiksem Bearer. Następnie wywołanie endpointu /api/v1/session/create zwraca identyfikator sesji. Kolejne żądania do /api/v1/message/send powinny zawierać ten identyfikator wraz z treścią wiadomości w formacie JSON. Odpowiedź zawiera wygenerowany tekst w polu response_text oraz metadane takie jak liczba użytych tokenów.

Warto zaimplementować mechanizm retry dla żądań zakończonych błędem sieciowym. Standardowa strategia to eksponencjalne opóźnienie z maksymalnie trzema próbami. Dla produkcyjnych aplikacji zaleca się również logowanie wszystkich interakcji z API w celu debugowania i monitorowania zużycia limitów.

Zaawansowane scenariusze użycia

API znajduje zastosowanie w projektach badawczych nad modelami konwersacyjnymi oraz w prototypowaniu chatbotów dla branży rozrywkowej. Programiści tworzą również narzędzia do generowania dialogów dla gier wideo, gdzie naturalność interakcji z postaciami niezależnymi ma kluczowe znaczenie.

Innym przypadkiem użycia jest integracja z systemami CRM, gdzie wirtualny asystent może prowadzić wstępne rozmowy z klientami. Wymaga to jednak dostosowania filtrów treści do kontekstu biznesowego i dokładnego testowania odpowiedzi pod kątem profesjonalizmu. Więcej o możliwościach platformy znajdziesz w szczegółowej recenzji CrushOn AI.

Monitorowanie i optymalizacja wydajności

Panel deweloperski udostępnia statystyki wykorzystania API, w tym liczbę żądań, średni czas odpowiedzi oraz kody błędów. Te dane pozwalają na identyfikację wąskich gardeł i optymalizację zapytań. Szczególnie istotne jest monitorowanie parametru tokens_used, który bezpośrednio wpływa na koszty przy planach rozliczanych za użycie.

Dla aplikacji o wysokim ruchu zaleca się implementację cachowania odpowiedzi dla powtarzających się zapytań. Proste pytania typu FAQ można obsługiwać lokalnie, rezerwując wywołania API dla bardziej złożonych interakcji. Strategia ta pozwala zmniejszyć zużycie limitów nawet o 40 procent przy zachowaniu jakości doświadczenia użytkownika.

Programiści pracujący nad zaawansowanymi integracjami mogą skorzystać z przewodnika dla zaawansowanych użytkowników, który szczegółowo omawia techniki optymalizacji i najlepsze praktyki.