抓包文件堆了半个月没动，AI用二十分钟把它变成了接口文档
一、那些躺在硬盘里的抓包文件
独立开发者大概都经历过这样的场景：接了一个老项目的二次开发，或者需要对接一个没有文档的第三方系统。唯一的线索，是同事发来的一份抓包数据——Har 文件、Charles 导出的 JSON，甚至还有直接复制粘贴的 cURL 命令。
痛点非常具体：
- 没文档。接口参数靠猜，字段含义靠试，错误码靠踩坑积累。
- 手工整理太慢。一份包含几十个请求的抓包文件，人工逐条拆解 URL、Header、请求体、响应结构，再写成规范文档，通常要花掉一整天甚至更久。
- 写完就过时。好不容易整理出来的文档，接口一变更就失效，没人愿意维护。
- 小团队没人干这活。写文档是最容易被挤掉的任务，永远是“下周再说”。
我手头就有一份真实经历：接手一个内部老系统，对方只给了两份抓包导出文件，合计 87 个 HTTP 请求，涉及 23 个不同的接口路径。当时我评估了一下，手工整理至少要 6 到 8 小时——还得保证中途不打瞌睡、字段不抄错。
最后这件事，AI 帮我在 20 分钟左右完成了初稿，我又花了半小时核对和补充业务说明。一整天的工作量，压缩到了一小时内。
二、AI 在这件事上到底能做什么
很多人以为 AI 只能“帮忙写点代码”，但整理接口文档这件事，AI 能干的活比想象中多：
- 自动去重归类。抓包数据里大量重复请求（轮询、重试、静态资源），AI 能按路径和方法分组，把 87 条原始请求收敛成 23 个接口。
- 提取参数结构。从多条请求的请求体中归纳出字段列表、类型、是否必填，甚至能从多条样本推断出哪些字段是可变的。
- 推断语义命名。抓包里字段名经常是缩写或拼音，AI 能结合上下文给出合理的中文含义标注（再由人确认）。
- 生成标准文档结构。直接输出 Markdown 或 OpenAPI 格式，包含请求方法、路径、参数表、响应示例、错误码说明。
- 标注“不确定项”。好的提示词会让 AI 明确列出“我猜测的字段含义”和“样本不足无法判断的部分”，方便人工复核。
关键在于：AI 不替你拍板，它替你干重复劳动。字段含义的最终确认还是靠人，但从零到初稿这个过程，完全可以交给 AI。
三、我的实际操作流程
整个流程分四步：
第一步：预处理抓包文件。 抓包导出文件往往包含大量噪音（图片、字体、埋点请求），我先粗筛一遍，只保留业务 API 相关的请求，导出为 JSON。这一步也可以让 AI 辅助，但自己筛更稳。
第二步：分批投喂。 如果请求数量多，不要一次性全丢给 AI。我按接口模块分成 3 批，每批 30 条左右，分轮处理，避免超长上下文导致的遗漏和幻觉。
第三步：使用结构化提示词。 这是最关键的一步。提示词模板附在下一节，可以直接复制使用。
第四步：人工复核。 重点核对 AI 标注为“猜测”的字段、必填性判断和错误码说明。这一步不能省——AI 整理的是结构和格式，业务语义必须有人把关。
四、可直接复制的提示词模板
你是一位资深后端工程师，擅长编写接口文档。我会提供一份抓包数据（JSON 格式），
请将其整理成规范的接口文档，要求如下：
1. 按接口路径 + HTTP 方法去重分组，相同的接口合并为一条文档；
2. 每个接口包含：接口名称、请求方法、完整 URL、路径参数、查询参数、
请求 Header（标注哪些是认证相关）、请求体字段表（字段名、类型、示例值、
是否必填、含义说明）、响应体字段表、响应状态码说明；
3. 字段含义如果抓包数据中无法确定，请基于命名和上下文给出推测，并统一在
「待人工确认」章节列出，不要编造确定的描述；
4. 字段是否必填：如果多条请求样本中某字段始终出现，标注"疑似必填"；
出现缺失的标注"非必填"；
5. 输出格式为 Markdown，接口较多时按业务模块分节；
6. 对于响应中包含的列表数据，请归纳列表元素的字段结构，而不是罗列每条记录。
以下是抓包数据：
{{在此粘贴抓包 JSON}}实际使用时，把 {{在此粘贴抓包 JSON}} 替换成你的数据即可。如果用 Claude 或 GPT-4 级别的模型，一份 30 条请求的数据处理效果比较稳定；如果想控制成本，也可以用便宜的模型先做去重分组，再用强模型生成文档正文——具体模型价格以官网价格页为准。
五、用 AI 前后的对比账
用这个方法前后，我做了个简单的效率对比：
| 环节 | 纯手工 | AI 辅助 |
|---|---|---|
| 请求去重分组 | 约 1 小时 | 3 分钟（AI 自动完成） |
| 字段结构提取与表格化 | 约 3 小时 | 约 10 分钟 |
| 文档排版与格式规范 | 约 1.5 小时 | 0 分钟（直接输出标准格式） |
| 业务语义补充与复核 | 约 1.5 小时 | 约 30 分钟 |
| 合计 | 约 7 小时 | 约 45 分钟 |
效率提升接近 9 倍，而且有几个手工做不到的好处：AI 生成的字段表格式完全统一，不会出现“前面认真后面潦草”的情况；每批处理完它会主动列出不确定项，比我自己边写边猜更可控。
对小团队来说，这笔账还可以换个算法：如果按一个工作日的人工成本估算，每次文档整理节省下来的时间，足够多写一个功能模块。文档这件事从“没人愿意做”变成了“顺手就做了”，这才是最实际的变化。
六、几点经验提醒
- 不要跳过人工复核。AI 对字段含义的推断有对有错，直接发布有风险。
- 敏感信息先脱敏。抓包数据里的 token、手机号、内部 IP，投喂前务必清洗。
- 保留原始样本。在文档里附上 1 条脱敏后的真实请求示例，比十行描述都直观。
- 文档纳入版本管理。AI 让文档更新变得便宜，就更要坚持“接口变更就重新整理”的习惯。
如果你也经常需要调用各类大模型 API 来完成这类批量整理、结构化输出的工作，可以试试 https://api.thistoken.ai/register，聚合多个主流模型，注册即可开始，让 AI 真正替你省下那些耗在重复劳动上的时间。
---
想直接跑通示例？访问 https://api.thistoken.ai/register 注册 ThisToken.AI，获取 API Key 后即可开始。