OpenAI Decisions API 怎么用？5 步接入附请求示例

OpenAI Decisions API 是 OpenAI 于 2026 年 9 月 30 日开发者日推出的低延迟分类与路由接口,2026 年 10 月 6 日已进入公开 Beta。接入共 5 步:准备 API Key、理解「问题 + 候选答案 + 上下文」的请求模型、写候选答案、发起调用并读置信度、接进业务逻辑。按 2026 年 10 月的公开信息,输入每百万 token 0.10 美元、输出免费,约 150ms 返回,比常规调用 Luna 快约 10 倍。

先确认一件事:别把阿里云百炼的 decision-model 当成它

搜索「Decisions API」时,前排很容易出现阿里云百炼的 decision-model 文档,那是另一家产品的决策模型接口,请求格式、计费与可用地区都不一样。本文只讲 OpenAI 官方 Decisions API,官方入口是 developers.openai.com 的 Decisions 指南。认准两个特征:底层模型是 OpenAI 的 GPT-6 Luna,响应约 150ms。

前置准备:账号、API Key 与访问方式

1. 注册 OpenAI 开发者账号并登录平台,国内访问需要稳定的海外网络环境,与调用其他 OpenAI API 的要求一致。
2. 在平台创建 API Key。Decisions API 2026 年 9 月 30 日先限量预览,10 月 6 日转入公开 Beta,面向更多开发者开放,账号是否可用以官方文档为准。
3. 准备环境:Python 3.9+ 与 openai 官方 SDK,或直接用 HTTP 调接口。

请求模型:问题 + 候选答案 + 上下文

Decisions API 不做开放式生成,它只在你预设的问题与候选答案里做选择。官方机制是:开发者提供上下文(文本或图片),预先定义「问题 + 可选答案」,API 返回选中的答案及置信度等结构化信息。

一次请求至少包含三部分:

• 上下文(context):待判断的文本或图片,比如一条客服消息、一段审核内容、一张商品照片。
• 问题(question):你希望模型回答的单选题,例如「这条消息该派给哪个团队?」。
• 候选答案(answers):有限、互斥的答案集合,例如 billing、technical_support、sales。

响应里你主要读两样:选中的答案与置信度。结构化字段直接给程序用,不用再写正则从长文本里抠结论。

5 步接入:从请求示例到拿到决策

以客服工单分流为例,下面是逻辑完整的调用示意(字段名以官方文档为准):

from openai import OpenAI

client = OpenAI()  # 填入你自己的 API Key

resp = client.decisions.create(
    model="luna",                     # 底层模型 GPT-6 Luna,具体标识见官方文档
    question="这条客服消息应该派给哪个团队?",
    answers=["billing", "technical_support", "sales"],
    input="My Stripe integration keeps failing. Please help ASAP.",
)

print(resp.selection)    # 例如 technical_support
print(resp.confidence)   # 例如 0.93

1. 定义问题与候选答案:问题要单一可判断,答案 3-8 个为佳,彼此互斥、覆盖要全。
2. 组装上下文:文本直接放 input;图片场景传图片,官方演示过「判断商品照片是否有可见损伤」并返回损伤概率。
3. 发起调用:传 model、question、answers、input,等待结构化返回,单次约 150ms 量级。
4. 读置信度:把 confidence 与业务阈值比较,低于阈值走兜底,转人工或默认策略。
5. 验证并接业务:先跑通一条真实样例,确认 selection 稳定后,再接进客服分流、审核或 Agent 决策节点。

验证成功的标志:同一批测试样本下 selection 符合预期、confidence 分布合理、延迟稳定在约 150ms 量级。

候选答案怎么写才不翻车

候选答案的质量直接决定准确率,几条经验:

• 互斥且穷尽:每个答案只表达一种含义,别留模糊项,必要时显式加 other 兜底。
• 语义自解释:答案用业务可读的短词或 ID,别用歧义缩写。
• 别塞开放式问题:它适合「选一个」,不适合「写一段」。
• 多问题场景:官方称支持多个问题并行处理,一次请求做多路判断,各路答案集各自独立。

置信度怎么当阈值用

置信度是这台接口最有价值的部分,它给你「机器拿得准不准」的量化信号。建议做法:

1. 先在历史样本上标定阈值,常见区间 0.6-0.8,以你自己的数据为准。
2. 高于阈值自动执行,低于阈值转人工或走默认规则。
3. 把每次调用的问题、答案、置信度记日志,定期回看低置信度样本,持续优化候选答案写法。

计费:输入 0.10 美元/百万 token,输出免费

按 2026 年 10 月的公开报道(见百度百科 Decisions API 词条与新智元报道),Decisions API 基础输入价为每百万 token 0.10 美元,输出免费。和同类产品放一起看:

Decisions 比 Jev 略贵,但支持图片输入;对比常规调用 Luna(同类任务约 1.6 秒),它省的是延迟与解析成本,不只看单价。计费按实际输入 token 算,高频小判断场景总成本很低。

典型场景:分流、审核、Agent 决策节点

• 客服工单分流:按消息内容选团队与优先级。
• 内容审核与策略选择:在「允许 / 限流 / 人工复审」等预置策略中快速选一个。
• Agent 编排决策节点:决定下一步调哪个工具、哪个子 Agent,而不是让大模型自由发挥。
• 规则引擎补充:在模糊地带给规则引擎一个建议决策,由规则引擎做最终裁定。

想对比另一款决策类接口的接入路径,可看 Microsoft-Decision-1 接入教程:5 步调通;如果你的 Agent 工作流还没有编排骨架,先读 Docker Agent YAML 教程:一份配置 5 步跑通智能体。

API Key 的通用配置习惯可以参考 Claude Max API Key 怎么配置?5 步接入教程。

常见报错速查