Decisions API
项目AI 辅助整理材料发布
OpenAI 面向分类与请求分流等有限答案问题的接口，支持概率、预设选项和评分输出
本次变化
Decisions API 从公开测试转为正式开放。它把分类和请求分流等小选择拆出来，让开发者围绕明确的答案范围评估效果。
核心判断AI 辅助分析
把高频小选择拆成可单独评估的环节，能让开发者定位等待和误判发生在哪里；真正的效率增量取决于判断结果与队列、复核和权限规则如何衔接。
以下从一篇以该对象为主体的报道展开，不代表完整评估。
事实拆解
01从公开测试转为正式开放
OpenAI 于 10 月 22 日宣布 Decisions API 正式开放，使用 GPT-6 Luna。相较公开测试期，本次加入提示缓存、原生 JSON 输入与 GPT-Live 集成，每次请求的问题上限提高到 400 个。
02先规定问题和答案的范围
开发者提供问题、上下文及适用的选项或评分等级。接口返回条件成立的估计概率、预设选项，或按各有序等级的概率加权计算的分数，用于分类和请求分流等环节。
H/ACC 洞察
让小选择成为可单独检验的环节
H/ACC 编辑解读：把反复出现的小选择拆成单独接口，开发者就能围绕一个具体任务比较响应时间和判断错误，而不必只凭整段对话是否流畅来评价系统。明确答案范围并保留应用记录，也更容易把错误分类并回放。
以客服分流为例，应用可以记录分到哪个队列、之后是否改派，以及何时转人工。模型输出参与判断，应用在外部设置接受条件和后续权限；把这些环节连起来，才有机会把更快的判断变成更顺畅的服务。
后续观察AI 辅助分析
- 在同一批真实请求上，与现有分流方式相比，响应时间中位数、95 分位耗时和误分率分别如何变化？
- 更改问题表述、输入语言或类别分布后，误分率与转人工比例能否保持在预设范围内？
判断边界
- 公开材料中的性能数字来自不同任务与比较条件，本篇未调用接口或独立复现速度、准确率和成本。
- 概率与分数是模型输出。是否足以自动采取行动，需要在实际任务中检验，并由应用设置接受与转交规则。