如何使用 OpenAI Decisions API：从第一个请求到阈值与测试

使用 OpenAI Decisions API 的方式是：向 https://api.openai.com/v1/decisions 发送 POST 请求，带 "model": "gpt-6-luna"、一个 input（文本、图片或两者）和一个 questions 数组，每个问题可以是 predicate、choice 或 score。你拿回的是带概率的类型化答案，而不是需要解析的文本；费用为每 100 万输入 token 0.10 美元，无输出、缓存读或缓存写费用。该接口自 2026 年 10 月 6 日起处于公测阶段。

本指南覆盖获取密钥、用 curl/Python/JavaScript 完成第一次调用、读懂每种答案类型、在一条工单上提三个问题、图片输入、阈值设定，以及在 Apifox 中搭建测试环境。要判断什么时候该选这个接口，从「什么是 OpenAI Decisions API」开始。

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。

Decisions API 请求速览

字段	取值
`model`	`gpt-6-luna`（公测阶段唯一可用模型）
`input`	字符串，或 `user` 消息数组，其 `content` 为字符串或 `input_text`、`input_image` 类型的部分
`questions[].type`	`predicate`、`choice` 或 `score`
`questions[].instructions`	必填；用平实语言描述问题
`questions[].name`	可选；在答案中回显（省略时为 `null`）
`questions[].choices`	仅 `choice`；2 到 255 个不重复的 `{value, description}` 对象，`value` 为字符串或布尔值
`questions[].levels`	仅 `score`；有序 `{label, description}` 对象，从低到高，索引从 0 开始
`safety_identifier`	可选的不透明终端用户 id，最长 128 字符

来源：Decisions API 参考。这个接口上没有 temperature、stream、tools 或 text.format。

获取密钥并完成第一次调用

在 OpenAI 控制台创建密钥（「OpenAI API key 指南」有完整步骤），导出为 OPENAI_API_KEY，永远不要把它粘贴进代码。然后问一个是/否问题：

curl https://api.openai.com/v1/decisions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "The box arrived crushed and the screen is cracked.",
    "questions": [
      {"type": "predicate", "name": "damaged",
       "instructions": "Does the customer report a damaged item?"}
    ]
  }'

响应有三个顶层字段：model、answers 和 usage。这是 OpenAI 参考中的形状，output_tokens 为 0，因为这个接口不收输出费用：

{
  "model": "gpt-6-luna",
  "answers": [
    {"type": "predicate", "name": "damaged", "probability": 0.95}
  ],
  "usage": {
    "input_tokens": 42,
    "input_tokens_details": {"cached_tokens": 0, "cache_write_tokens": 0},
    "output_tokens": 0,
    "output_tokens_details": {"reasoning_tokens": 0},
    "total_tokens": 42
  }
}

同样的调用用 Python（SDK 3.26.0 或更高）：

from openai import OpenAI

client = OpenAI()  # reads OPENAI_API_KEY from the environment

decision = client.decisions.create(
    model="gpt-6-luna",
    input="The box arrived crushed and the screen is cracked.",
    questions=[
        {"type": "predicate", "name": "damaged",
         "instructions": "Does the customer report a damaged item?"}
    ],
)
print(decision.answers[0].probability)

以及 JavaScript（SDK 7.30.0 或更高）：

import OpenAI from "openai";

const client = new OpenAI();

const decision = await client.decisions.create({
  model: "gpt-6-luna",
  input: "The box arrived crushed and the screen is cracked.",
  questions: [
    { type: "predicate", name: "damaged",
      instructions: "Does the customer report a damaged item?" },
  ],
});
console.log(decision.answers[0].probability);

按类型读取答案

答案按提问顺序返回，各带一个 type。按类型分支处理，因为任何问题都可能以 refusal 返回。

predicate 返回 probability，即条件为真的 0 到 1 估计值。
choice 返回 choice（胜出的 value）、作为 {value, probability} 对象数组的 probabilities，以及 confidence。
score 返回 score、作为 {value, label, probability} 对象数组的 probabilities（其中 value 是 0 起始的等级索引），以及 confidence。score 是等级索引按概率加权后的平均，因此可能落在两级之间：1.1 表示“介于等级 1 和等级 2 之间，更靠近 1”。
refusal 只返回 type 和 name。模型拒绝回答该问题；同一请求中的其他问题仍可收到答案。

for a in decision.answers:
    if a.type == "refusal":
        send_to_review(a.name)
    elif a.type == "predicate":
        flag = a.probability > 0.9
    elif a.type == "choice":
        route = a.choice if a.confidence > 0.8 else "review"
    elif a.type == "score":
        priority = round(a.score)

OpenAI 指南如此划线：无序类别（如部门）用 choice；有序等级（如严重程度）用 score。

一条工单上三个问题

相互独立的问题共享一次请求和同一个 input，每个问题可以用不同类型。下面在一条工单上同时提一个 predicate、一个 choice 和一个 score：

{
  "model": "gpt-6-luna",
  "input": "I was charged twice for my order.",
  "questions": [
    {"type": "predicate", "name": "refund_requested",
     "instructions": "Is the customer asking for money back?"},
    {"type": "choice", "name": "department",
     "instructions": "Which team should handle this ticket?",
     "choices": [
       {"value": "billing", "description": "Charges, refunds, invoices"},
       {"value": "technical", "description": "Bugs and errors in the product"},
       {"value": "shipping", "description": "Delivery and tracking"},
       {"value": "other", "description": "Anything else"}
     ]},
    {"type": "score", "name": "urgency",
     "instructions": "How urgent is this ticket?",
     "levels": [
       {"label": "low", "description": "No time pressure"},
       {"label": "medium", "description": "Needs a reply this week"},
       {"label": "high", "description": "Customer is blocked or losing money"}
     ]}
  ]
}

answers 数组按相同顺序返回。下面的 choice 取值是 OpenAI 指南对这个输入给出的数值；predicate 和 score 的数值为示意：

"answers": [
  {"type": "predicate", "name": "refund_requested", "probability": 0.88},
  {"type": "choice", "name": "department", "choice": "billing",
   "probabilities": [
     {"value": "billing", "probability": 0.95},
     {"value": "technical", "probability": 0.02},
     {"value": "shipping", "probability": 0.01},
     {"value": "other", "probability": 0.02}
   ],
   "confidence": 0.93},
  {"type": "score", "name": "urgency", "score": 1.6,
   "probabilities": [
     {"value": 0, "label": "low", "probability": 0.05},
     {"value": 1, "label": "medium", "probability": 0.30},
     {"value": 2, "label": "high", "probability": 0.65}
   ],
   "confidence": 0.65}
]

指南的两条规则：当你的分类覆盖不了所有输入时，加上 other 之类的兜底项；围绕可观察的标准来写问题，让相邻的 score 等级有不同含义。如果第二个决策依赖第一个答案，请单独发一个请求。

图片输入

把图片作为 user 消息里的一个 content 部分传入。指南文档化了内联 base64 data URL：

{
  "model": "gpt-6-luna",
  "input": [{
    "role": "user",
    "content": [
      {"type": "input_text", "text": "Photo attached to a return request."},
      {"type": "input_image", "image_url": "data:image/jpeg;base64,/9j/4AAQ..."}
    ]
  }],
  "questions": [
    {"type": "predicate", "name": "visible_damage",
     "instructions": "Is the product visibly damaged?"}
  ]
}

API 参考另列出可公开访问的 HTTP(S) URL、单请求所有消息合计最多 128 张图，以及可选的 detail 字段（low、high、auto、original），所以在依赖托管 URL 之前，先用你自己的账号测一遍。两个页面都未支持 file_id 输入。

用标注样本定阈值

OpenAI 没有公布这个接口的准确率或校准数据。官方建议使用你自己应用中的标注样本来设定分派、过滤或复审的阈值，依据是误报与漏报的成本对比。实践中就是：拿一个小 CSV，装着真实工单和人工选出的部门，跑同一个请求，观察 confidence 在哪里把“能自动分派”和“需要人工”的样本分开。下一节就搭这个闭环。

在 Apifox 中测试 Decisions API

保存好的请求让阈值调优和回归检查可以重复。下面是在 Apifox 里的搭建步骤：

把密钥存为环境变量。创建一个环境，把 OPENAI_API_KEY 添加为私密变量（「Apifox 环境与私密变量」有配置说明），并把 Authorization 请求头设为 Bearer {{OPENAI_API_KEY}}。密钥原文永远不会落进共享请求体。
每种问题类型保存一条请求。创建一条指向 https://api.openai.com/v1/decisions 的 POST 请求，Content-Type: application/json，把上面工单示例里的 choice 问题单独粘进去并保存。再复制出 predicate 和 score 两个版本。
添加 JSONPath 断言。在 choice 请求上：状态为 200、$.answers[0].type 等于 choice、$.answers[0].choice 等于 billing、$.answers[0].confidence 大于 0.8、$.usage.output_tokens 等于 0。对破损判断的 predicate，断言 $.answers[?(@.name=='damaged')].probability 大于 0.9。这样措辞变更或模型行为变化都会让测试失败，而不是错分工单。
在标注工单上跑。用保存的请求建一个测试场景，附上一个两列的小 CSV：ticket_text 和 expected_department。把 {{ticket_text}} 映射进 input，断言 $.answers[0].choice 等于 {{expected_department}}。运行报告显示每一行的 confidence，这正是 OpenAI 让你用来定阈值的数据。所有错分样本所在的分界线，就变成你代码里“自动分派”的阈值。
为前端 mock answers 数组。把分派逻辑或 UI 指向同一接口的 mock，让它返回 confidence 高于和低于阈值的 choice 答案，外加一个 refusal，这样复审队列路径在你花掉一个输入 token 之前就能开发好。「Apifox 条件 mock 响应」讲了按请求内容切换 mock。
在 CI 里跑场景。导出一个访问令牌，然后在流水线里加一步：

apidog run --access-token "$APIDOG_ACCESS_TOKEN" \
  -t "$SCENARIO_ID" -e "$ENV_ID" -r cli,junit

断言失败会让构建失败，confidence 的悄然下滑会在部署前被抓住，而不是出现在支持队列里。更多模式见「测试 LLM 应用」。

错误与边界情况处理

429 限流。官方没有公布 Decisions 专属限制；请到 Settings > Organization > Limits 查看你的数值。指数退避，出现 Retry-After 响应头时遵循它。「速率限制超限指南」里有一个重试包装器。
拒答。把 type: "refusal" 当作一种分派结果，而不是异常。把这条工单转给人工，同一请求的其他答案照常使用。
依赖决策。每个问题都是针对共享输入独立评估的。任何依赖前一个答案的问题都需要单独请求。

常见问题

Decisions API 多少钱？gpt-6-luna 上每 100 万输入 token 0.10 美元，无输出、缓存读或缓存写费用。一条 500 token、三个问题的工单花费 500 / 1,000,000 x $0.10 = $0.00005，一百万条这样的工单花费 50 美元。超过 272K token 的长上下文输入按 2 倍计费，区域处理加收 10%。

Decisions API 免费吗？不免费，没有免费档。想不花钱试用 GPT-6 Luna，「GPT-6 Luna 免费使用渠道」一文列出了现有途径。

它有多快？OpenAI 称比 Responses API 快约 10 倍，没有公布绝对延迟数字。OpenAI 论坛有开发者反馈图片决策约 0.8 秒返回。

哪些模型能配 Decisions API？目前只有 gpt-6-luna。它是 Luna 上的一个接口，不是独立模型。模型本身见「什么是 GPT-6 Luna」。

什么时候该改用 Structured Outputs？需要按你自己的 JSON schema 返回对象（如抽取字段或书面说明）时；需要模型发起带参数的工具调用时用 function calling。「Decisions API 与 Responses API」一文展示了同一个工单的两种做法。

和 Jev 相比如何？两者都返回带概率的类型化答案、都只按输入计费；Jev 仅支持文本，每 100 万 0.042 美元。「Decisions API 与 Jev 对比」有完整表格。

下一步

把本指南的三问题工单请求发出去，然后在 20 条你自己的标注工单上跑一遍，观察 confidence 在哪里把分对和分错的样本分开。接着下载 Apifox，把请求、CSV 场景和断言放在一起保存，今天定下的阈值在每次部署时都会被重新校验。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

立即体验 Apifox

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。

获取专属报价与部署方案

详细的私有化部署系统架构与安全白皮书

针对您公司规模的专属报价单

免费的 1v1 专属产品演示 (Demo) 机会

获取部署方案

* 提交后，我们的客户经理将在 1 个工作日内与您联系

林俊锋企业微信

@Apifox 专属顾问