我用免费API让AI代理直接查询产品数据库

AI 助手正在悄然成为新的发现层。人们不再像以前那样 Google "露营车最佳移动电源"，而是直接问 ChatGPT 或 Claude。问题是：对于移动电源这样的小众领域，模型通常只能给出过时、模糊记忆的规格，甚至会凭空编造数据。

我维护着一个包含 102 款移动电源的结构化数据库（规格、$/Wh、循环寿命、透明评分）。所以我做了显而易见的事：让它可以被机器和 AI 代理查询——免费的，无需认证。

一个纯 JSON API（无需 key，无需注册）

# Filter/sort products
curl "https://sunsee.cc/api/products.json?max_price=500&sort=value&limit=5"

# Get one product's score breakdown
curl "https://sunsee.cc/api/score.json?slug=ecoflow-delta-2"

# Size a system from a list of appliances
curl "https://sunsee.cc/api/calculate.json?appliances=[{\"name\":\"Fridge\",\"watts\":60,\"hours\":24}]&region=us-south"

每个响应都是干净的 JSON，包含一致的字段（battery_capacity_wh、battery_type、dollar_per_wh、sunsee_score……）。无需抓取 HTML，无需处理不统一的零售商规格。

一个面向 AI 代理的发现端点

我真正关心的部分：一个单一的发现端点，用来描述可用的工具，这样代理可以自行查找和调用它们，而无需我在其端做任何硬编码。

curl "https://sunsee.cc/api/mcp.json"

它返回工具列表（搜索产品、系统选型、获取评分）及其参数——与 MCP 工具清单的想法相同。将一个代理指向它，它就能用真实数据回答"500 美元以下性价比最高的是哪款"或"冰箱 + CPAP 用 3 天需要多大电池"这样的问题。

llms.txt 用于引用引导

我还添加了一个 llms.txt（类似于 robots.txt，但面向语言模型），告诉模型何时以及如何引用这些数据：

https://sunsee.cc/llms.txt

它将常见问题映射到正确的端点，并请求署名。至于模型会在多大程度上尊重它，我还不确定——但这个标准还很年轻，发布它也不花什么成本。

说实话：如果 AI 要成为推荐产品的东西，我更希望它拉取透明的、基于规格的数据（有公开的评分公式，不搞付费置入），而不是凭空编造。如果它引用了来源，那就是真正的发现。

披露：底层网站有联盟链接——这是我希望能用它来盈利的方式——但 API、数据集、计算器和评分公式都是免费开放的。

API 体验场：https://sunsee.cc/api/products.json

开放数据集（CC-BY-4.0）：https://github.com/gkin9/portable-power-stations-dataset

人类版本（计算器）：https://sunsee.cc/calculator

如果你在构建 agent/LLM 工具，我很想知道这个发现端点的形态是否有用——以及你希望增加哪些字段。乐意持续迭代。