Integuru · 协议与工具集成

让 AI 自动「黑」进任意网站：Integuru 的逆向工程之道

痛点故事：那些没有 API 的平台

想象一下这个场景：你在某家银行 app 里操作理财，每个月都要手动导出账单 PDF；你代理的电商客户需要在 Shopify 后台批量下载订单，但平台没有开放批量导出接口；你的自动化流程需要每天自动抓取某 SaaS 工具的数据，但对方根本没有开放任何 API 文档。

在 Integuru 出现之前，面对这些「没有 API」的网站，开发者的常规解法是：爬虫、模拟浏览器点击，或者直接给平台写邮件求一个企业级 API 接口——前两者脆弱且容易触发反爬，后一个可能等三个月都没有回复。

Integuru 的出现，彻底改变了这个困局。它用 AI agent 自动「逆向分析」任何网站的内部 API，让你在几分钟内获得可编程调用的代码——不需要平台授权，不需要 API 文档，只需要你自己的账号和一次鼠标操作。

背景：YC W24 孵化的野心项目

Integuru 由 Y Combinator W24 批次孵化，创始团队将这个项目定位为「无需授权的集成工具」（Permissionless Integrations）。顾名思义，它的核心价值在于：打破平台对 API 的垄断，让用户对自己的账号数据拥有真正的控制权。

项目于 2024 年 10 月开源，尽管 README 标注为「v0 早期版本」，依然在 GitHub 获得了超过 4600 颗星，并在 Hacker News 上引发热烈讨论。项目当前已演进到 www.integuru.com 的商业版本，GitHub 开源版本保持更新（最后推送 2026年5月26日）。

核心原理：请求依赖图 + LLM 自动推理

Integuru 的工作流分为两个阶段：录制阶段 和 推理阶段。

录制阶段：用户通过 create_har.py 脚本启动一个 Playwright 控制的浏览器，正常登录目标网站，手动完成一次想要自动化的操作（比如下载账单）。整个过程中，浏览器发出的所有网络请求（包括 XHR/Fetch）都被捕获并保存为 HAR 文件。

推理阶段：Integuru agent 接收三个输入：HAR 文件（记录了所有网络请求）、Cookie 文件（认证信息）、一个描述用户意图的自然语言 Prompt（例如「下载2024年1月的电费账单」）。

接下来，agent 开始「逆向分析」：

识别关键请求：从 HAR 文件中找出真正执行目标操作的那个请求（比如账单下载请求的 URL）
解析依赖关系：这个请求的 URL 中可能包含动态参数（如 accountId、userId），agent 追溯这些参数的来源，找到「哪个请求提供了这些值」，建立依赖关系
构建请求图：将所有请求组织成一张有向无环图（DAG），叶子节点是用户操作触发的请求，根节点是只依赖认证 Cookie 的请求
代码生成：从根节点到叶子节点遍历这张图，每个节点转换为一个 Python 函数，最终输出完整的、可直接运行的集成代码

整个过程靠 LangGraph 编排的 LLM agent 完成，不依赖任何目标平台的文档或授权。

技术栈拆解

组件	技术选型	作用
LLM 编排	LangChain + LangGraph	构建 agent 推理链，支持有状态多轮对话
图算法	NetworkX	构建和遍历请求依赖图（DAG）
浏览器自动化	Playwright	录制 HAR 文件，模拟用户操作
可视化	Matplotlib	可视化依赖图（调试用）
HTTP 客户端	requests + httpx	实际执行逆向 API 调用
日志追踪	LangSmith	全链路调试和 agent 行为分析

代码结构清晰分层：integuru/agent.py 负责 LLM 推理决策；integuru/graph_builder.py 负责请求图构建；integuru/main.py 是主流程入口；integuru/models/ 和 integuru/util/ 提供数据模型和工具函数。

部署体验：需要一点耐心

Integuru v0 没有提供 Docker 支持，也不支持一键部署。这对普通用户来说有一定的上手门槛。

安装流程：

配置 OPENAI_API_KEY（官方推荐 o1-mini 及以上模型）
poetry install 安装依赖（Python 3.12 专用）
运行 poetry run python create_har.py 启动浏览器录制
在 Jupyter notebook 中运行 agent

整个过程大约需要 30 分钟配置时间，主要卡点在 Playwright 浏览器安装和 API Key 配置。没有 GPU 需求，普通电脑即可运行。

争议与局限

合法性争议：逆向工程网站内部 API 在法律灰色地带。美国《DMCA》第1201条对「规避访问控制措施」有所限制，但「纯粹基于自己账号数据操作」的 API 调用，历史上有多起判例认为不构成侵权（如 iPhone 越狱案）。Integuru 明确声明仅用于用户对自己账号的操作，不建议用于抓取他人数据或商业滥用。

稳定性问题：目标网站的 UI 改版会导致 HAR 文件中的请求结构变化，agent 生成的代码可能失效。这与爬虫的脆弱性如出一辙。

v0 版本局限：当前 GitHub 版本标注为「v0 早期版本」，部分功能（如输入变量的代码生成）尚未完善，商业版本可能功能更完整。

行业意义：API 民主化浪潮

Integuru 代表了一种新兴的 AI Agent 应用范式——不是让 AI 帮你写代码调用 API，而是让 AI 帮你发现和利用那些根本不存在的 API。它站在「API 经济」的反面，暗示着：在 AI 时代，平台对 API 的控制权正在被技术手段绕过。

如果这类工具普及，平台的 API 变现策略将面临挑战。同时，它也为合规 API 市场提供了逆向刺激——与其让用户自己逆向，不如官方主动开放高质量 API 留住用户。

从技术演进角度，Integuru 是 LangGraph 多智能体协作的出色实践案例，展示了如何用有向图 + LLM 实现复杂的自动化推理任务，对 AI 工程师有较高的学习参考价值。

让 AI 自动「黑」进任意网站：Integuru 的逆向工程之道

痛点故事：那些没有 API 的平台

背景：YC W24 孵化的野心项目

核心原理：请求依赖图 + LLM 自动推理

Integuru 的工作流分为两个阶段：录制阶段 和 推理阶段。

接下来，agent 开始「逆向分析」：

识别关键请求：从 HAR 文件中找出真正执行目标操作的那个请求（比如账单下载请求的 URL）
解析依赖关系：这个请求的 URL 中可能包含动态参数（如 accountId、userId），agent 追溯这些参数的来源，找到「哪个请求提供了这些值」，建立依赖关系
构建请求图：将所有请求组织成一张有向无环图（DAG），叶子节点是用户操作触发的请求，根节点是只依赖认证 Cookie 的请求
代码生成：从根节点到叶子节点遍历这张图，每个节点转换为一个 Python 函数，最终输出完整的、可直接运行的集成代码

整个过程靠 LangGraph 编排的 LLM agent 完成，不依赖任何目标平台的文档或授权。

技术栈拆解

组件	技术选型	作用
LLM 编排	LangChain + LangGraph	构建 agent 推理链，支持有状态多轮对话
图算法	NetworkX	构建和遍历请求依赖图（DAG）
浏览器自动化	Playwright	录制 HAR 文件，模拟用户操作
可视化	Matplotlib	可视化依赖图（调试用）
HTTP 客户端	requests + httpx	实际执行逆向 API 调用
日志追踪	LangSmith	全链路调试和 agent 行为分析

部署体验：需要一点耐心

Integuru v0 没有提供 Docker 支持，也不支持一键部署。这对普通用户来说有一定的上手门槛。

安装流程：

配置 OPENAI_API_KEY（官方推荐 o1-mini 及以上模型）
poetry install 安装依赖（Python 3.12 专用）
运行 poetry run python create_har.py 启动浏览器录制
在 Jupyter notebook 中运行 agent

整个过程大约需要 30 分钟配置时间，主要卡点在 Playwright 浏览器安装和 API Key 配置。没有 GPU 需求，普通电脑即可运行。

争议与局限

稳定性问题：目标网站的 UI 改版会导致 HAR 文件中的请求结构变化，agent 生成的代码可能失效。这与爬虫的脆弱性如出一辙。

v0 版本局限：当前 GitHub 版本标注为「v0 早期版本」，部分功能（如输入变量的代码生成）尚未完善，商业版本可能功能更完整。