\n\nSmartBear 推出 Swagger 更新，通过 Swagger 目录和漂移检测功能，解决 AI 编程工具因快速生成代码而导致的 API 规范不一致问题，确保 AI 时代的应用程序完整性。
译自：SmartBear's Swagger update targets the API drift problem AI coding tools created
作者：Darryl K. Taft
上周，SmartBear 宣布为其商业版 Swagger 工具集推出新功能，旨在随着 AI 编程工具加速软件开发，帮助企业治理、验证并扩展 API。
此次更新的核心在于两项新增功能：一是经过重新设计的 Swagger Catalog（Swagger 目录），让平台团队能够集中查看 API 组合；二是具备漂移检测功能的契约测试，可持续验证 API 的行为是否符合 OpenAPI 规范。
SmartBear 表示，Swagger 支持横跨整个 AI 赋能的 API 全生命周期的设计、治理和测试，确保每一步的质量。它使用户能够构建面向人类、大语言模型（LLM）、智能体（Agent）以及持续创新的 API。
AI 编写代码的速度已超过规范更新速度
该公司将这两项新功能置于“应用程序完整性”的旗帜下——SmartBear 的首席产品兼技术官 Vineeta Puranik 将这一术语定义为一种持续、可衡量的保证，即确保软件按预期运行，并具备能够以 AI 速度和规模运行的治理能力。
Vineeta Puranik 试图解决的问题是，像 GitHub Copilot 和 Claude 这样的工具可以在几分钟内生成或修改数千行代码，但这些 API 本应遵循的规范并不会自动更新。其结果就是 SmartBear 所说的“漂移”——即 API 契约与代码实际行为之间的偏差。
“平台负责人正面临碎片化的发现过程和生命周期可见性缺失的困扰，而工程和 QA 团队 则面临着规范与运行时之间无声的背离，”Vineeta Puranik 告诉 The New Stack。
要么左移，要么晚点付出代价
SmartBear 的漂移检测功能在 CI/CD 流水中运行，在代码到达生产环境之前捕获偏差。这与 Kong 或 Apigee 等 API 网关 提供的功能有所不同——那些工具是观察生产环境中的流量，这意味着错误已经发生了。Vineeta Puranik 表示，SmartBear 的主张是左移（shift-left）：在构建周期中发现漂移，而不是在部署之后。
她指出，Swagger Catalog 解决了可见性方面的问题。随着 AI 工具大规模生成和修改 API，平台团队会失去对现有哪些 API、哪些符合规范以及哪些已准备好投入生产的追踪。该目录提供对组织完整 API 组合的生命周期追踪和治理执行——包括从代码库、CI/CD 流水线摄取的 API，以及从 Postman 等工具导入的规范。
一站式全景视图
在一家参与功能测试的汽车公司担任高级首席解决方案架构师的 Jason Burch 表示，该目录的价值既是技术性的，也是组织性的。
他在一份声明中说：“当你将数百个内部 API 集中展示在一个地方时，它为产品、开发和架构团队创造了跨团队的可见性——并以我们目前的流程无法实现的方式提升了治理水平。”
此次发布还包括本季度即将推出的多项 Swagger 平台更新。其中包括：具备 AI 驱动 API 生成功能的新编辑器、上下文感知文档、基于 Spectral 的治理执行、支持自然语言 API 自动化的 MCP 服务器 支持，以及对 OpenAPI 3.1、AsyncAPI 3.0 和 GraphQL 扩展的协议支持。
作为智能体基础设施的 API
对 MCP 服务器的支持具有特殊意义。Vineeta Puranik 说，智能体之间的通信是通过 API 进行的，这意味着机器可读且最新的规范不再仅仅是最佳实践，而是一种硬性依赖。
在这种环境下，漂移不仅会破坏测试，还会破坏集成。Vineeta Puranik 直言不讳地指出：“智能体之间靠什么交谈？就是 API。”
除了目录和漂移检测外，SmartBear 还将一款名为 BearQ 的新型 AI 原生测试产品定位为应用程序完整性故事的一部分。该工具从一个 URL 开始，自主探索应用程序功能，生成测试用例，运行它们并标记失败——所有这些都不需要测试人员具备脚本编写知识。
“你可以告诉它去查看某个功能，它就会明白你的意思，”Vineeta Puranik 说，“你不需要告诉它任何脚本语言。”她表示，针对批量 API 测试的智能体工作流（将工具指向整个代码库）计划于第二季度推出。
平台化策略，而非单一解决方案
SmartBear 的 Swagger 工具被全球 32,000 家机构的 1,600 多万名开发人员使用，包括三星、福特和万豪。由该公司委托 Forrester 咨询公司进行的一项总体经济影响研究发现，对于一家拥有 200 名开发人员的复合型企业，该平台在三年内实现了 227% 的投资回报率。
与此同时，SmartBear 在上月底发布了 SmartBear Application Integrity Core。与这两个新发布的功能一样，这些能力改进并加速了应用程序测试，以跟上 AI 驱动代码生成速度和数量的增长。
这些新功能为人类主导的测试工作流增加了智能体和 AI 动力——包括针对本地应用利用 AI。这些举措紧随 SmartBear 最近发布的 BearQ 之后，进一步完善了其注入 AI 的应用程序测试产品组合。
增强功能包括：
- SmartBear 测试自动化平台 Reflect 中新增的智能体能力，允许开发人员和 QA 工程师直接从其编码环境生成自动化测试。通过 SmartBear MCP 服务器调用 Reflect，团队可以引入更丰富的上下文，借鉴现有的测试资产、统一的可见性与报告以及开发历史。这能够以智能体方式创建上下文感知测试，并在无需从零开始的情况下加速自动化采用。
- Zephyr 新增的 Rovo 智能体技能，可在 Atlassian Jira 中实现自然语言查询，以评估测试覆盖率、搜索测试执行情况并评估发布就绪性，从而使 QA 团队能够快速识别缺漏并确定测试工作的优先级。
- 为 SmartBear 的桌面测试和安全本地环境工具增加 AI 能力——包括在 ReadyAPI 中提供自然语言 AI 测试生成，用于构建复杂的多步骤 API 测试；并在 TestComplete 中增强基于 AI 的对象检测。这将提高快速变化的应用的自动化可靠性，同时配合企业治理控制，以满足合规和质量标准。
“SmartBear 正在全力以赴，使 QA 团队能够更快行动并改进应用级测试。我们看到一些团队正奔向像 BearQ 这样完全自主的解决方案，而另一些团队则在部署支持 AI 的工具来辅助人工主导的自动化甚至手动流程，”Vineeta Puranik 在声明中表示。“我们通过帮助团队自信地采用 AI、有效地扩展测试并在软件交付加速时保持应用程序完整性，在客户的 AI 旅程中与他们并肩前行。”全 工智能
