Decisions API 是什麼？用途、費用與使用方法

OpenAI Decisions API 是用來判斷文字與圖片的介面，能回傳「某件事成立的機率」「固定選項中的一個答案」或「依等級計算的分數」。你可以先定義問題，再讓應用程式用這些答案協助分類、分流與排序。

對工作者來說，關鍵在於能不能把反覆發生的判斷說清楚。例如每天收到大量客服信，先分清楚需求與接手部門，就可能省下一部分整理工作。本文會沿著一封來信，說明 Decisions API 的用途、費用與試用方式，幫你判斷是否值得接進現有流程。

---

Decisions API 是什麼？先理解它在流程中的位置

API 是應用程式介面，讓軟體依約定的方式交換資料或使用功能。Decisions API 的工作，是讀取你送入的資料與問題，回傳程式能辨識的答案類型；它主要服務的是應用程式裡範圍明確、需要反覆處理的小判斷。

例如一位客戶寫信：「我昨天收到商品，但螢幕破裂，明天開會要用，可以換一台嗎？」系統可以把來信交給它，分別判斷是否要求換貨、應由哪個部門接手，以及需要多快處理。

判斷完成，不等於換貨也完成了。查訂單、確認保固、安排物流或核准退款，都需要其他程式或人員接手。若還不熟悉這種分工，可以先看API 與 MCP 的差別。

它目前處於公開測試階段，只支援 gpt-6-luna，使用獨立端點 POST /v1/decisions。你可能看到單數「Decision API」的寫法，OpenAI 文件中的正式名稱則是「Decisions API」。（OpenAI Decisions 文件）

這裡也要分清楚名稱：API 是使用功能的介面，模型則負責評估資料。相同模型用在不同介面時，可用功能與計費方式仍可能不同；模型背景可延伸閱讀GPT-6 Sol、Luna 的差異。

---

Decisions API 的三種輸出：是非機率、選項與分數

同一封客服信，可以拆成不同問題。先想清楚每一題需要哪種答案，再選題型，會比直接要求「幫我妥善處理客戶」更容易接到後續流程。以下沿用這封商品螢幕破裂、希望換貨的來信。

---

predicate：Decisions API 怎麼回答是非題？

predicate 用來評估一個條件是否成立。例如問「客戶是否明確要求換貨？」它回傳的 probability 介於 0 到 1，表示模型估計這個條件成立的機率，越接近 1，越傾向成立。

這個數值不表示需求有多強烈。若結果在 0.5 附近，代表模型對條件是否成立的判斷接近兩邊，不能解讀成「客戶有一半想換貨」。想衡量程度，需要另訂評分標準。

---

choice：從固定選項選一個部門

choice 用來分類。你可以預先列出「付款」「配送」「售後」「其他」，並說明各部門的範圍，再請 Decisions API 選一項。回傳資料包含選中的值、各選項機率，以及 confidence。

選項描述要能分出差別，例如「配送」處理包裹延遲，「售後」處理收到商品後的損壞與退換貨。保留「其他」，才有出口接住不屬於既有分類的來信；它可以接到一般客服或人工檢查佇列。

---

score：按明確等級衡量程度

score 適合有高低順序的問題，例如使用受阻的程度。可以把等級定為「0：一般詢問，不影響使用」「1：有問題，但仍能使用或有替代方法」「2：無法使用，也沒有替代方法」，讓每一級都有可判斷的條件。

這些等級的索引從 0 開始。模型會依各級機率計算加權平均，所以回傳分數可以是小數；它不一定等於某一級，也不是受影響客戶的比例。若你要的是單一類別，應使用 choice。

客服信只說明螢幕破裂、明天要用，沒有交代是否還有替代設備。這種缺口不能靠你希望它「判準一點」就消失，應補問客戶或交給人工確認。（OpenAI 三種題型說明）

choice 與 score 都另有機率分布及 confidence，可以作為檢查結果的線索。confidence 不是拿你的歷史客服資料測出來的正確率，不能看到 0.9 就認定這類信件有 90% 會分對。

---

一封客服來信，怎麼接到工作流程？

理解題型後，就能把 Decisions API 放進現有客服流程。下面是流程設計示意，沒有實際呼叫模型，也沒有把假想分類或分數當成測試結果。

1. 準備資料：送入來信，以及判斷真正需要、也有權使用的訂單資訊。沒有提供的付款、保固或庫存狀態，模型無法自行核對。
2. 分開問題：用是非題問是否要求換貨，用選項題問接手部門，再用有清楚等級的評分題衡量使用受阻程度。每一題只處理一個判斷。
3. 檢查答案：程式讀取答案，再依事先設定的規則處理。「其他」、拒答、資料不足或未達自訂門檻的結果，都有人工接手的位置。
4. 執行下一步：例如建立售後案件、標記需要確認的時限，再由客服查訂單與換貨資格。涉及退款等重要動作，另走既有權限與審核。

針對同一份資料，多個彼此獨立的問題可以放在同一次請求。若第二題必須根據第一題答案才決定要不要問，就要由程式安排後續請求，不能把題目放在一起便當成已完成先後流程。（OpenAI 多題處理說明）

你可以先把這份流程交給客服與整合人員核對：部門選項是否符合實際分工，資料不足時要交給誰，誰有權核准換貨。把這些答案說清楚，才知道接入後的系統會怎麼工作。

---

Decisions API 與 Responses API 怎麼選？

如果工作只需要是非機率、固定分類或依等級評分，Decisions API 就是值得測試的選項。若還需要擷取姓名、訂單號碼，或產生一段客戶回信，應評估 Responses API 搭配 Structured Outputs，讓輸出符合你自訂的欄位格式。

若需要模型要求呼叫工具，例如請系統查訂單，則還要考慮 function calling 與工具執行流程。Structured Outputs 處理輸出格式，工具呼叫處理動作請求；兩者都不代表系統已自動取得權限或保證判斷正確。（OpenAI 結構化輸出說明）

這些能力可以分工：先分類，再查資料，最後草擬回覆。想比較同類判斷工具，可讀Jev 決策模型；若要理解多步驟任務如何安排，可看Agents API 的工作方式。

---

---

Decisions API 費用怎麼算？

Decisions API 使用 gpt-6-luna 的一般輸入價格是每 100 萬個 input tokens 為 0.10 美元，只收輸入費，沒有快取讀取、快取寫入或輸出 token 費用。區域處理加價與長上下文輸入倍率仍適用，不能把這個基本單價當成所有情況的總價。（OpenAI Decisions 計費說明）

Token 是模型處理資料時計量的單位，不能直接用「一封信」換算固定費用。估算時，來信、附帶資料、問題與選項說明都要考慮；正式使用應依回傳的 usage 與帳務紀錄確認用量。

例如假設每次請求連同資料與問題共用 1,000 個輸入 tokens，執行 10,000 次就是 1,000 萬個 tokens。以基本單價試算：1,000 萬 ÷ 100 萬 × 0.10 美元＝1 美元。這是算例，排除了區域處理加價與長上下文倍率，也沒有算客服系統整合、其他 API 或人工成本。

不要拿一般文字生成頁面上的 Luna 輸出費率，直接套到這個端點。其他使用 gpt-6-luna 的請求，仍按各自模型與處理方案計費；實際預算應一起確認OpenAI 最新價格與附加條件。

---

Decisions API 怎麼開始用？先試分，再接系統

不會寫程式，也可以先利用 OpenAI Decisions Playground 理解題型與答案。這是官方提供的試驗入口；登入後依帳號實際可用功能與額度操作，先用匿名或模擬來信，避免一開始便上傳完整客戶資料。

第一步是把要測的問題寫成清楚規格。沿用客服案例，下面是非程式的設定示意，用來和客服、整合人員討論，並非可以直接貼上執行的 API 請求。

• 輸入資料：客戶來信；只有判斷需要時，才附上經授權的訂單欄位。
• 問題一：是否明確要求換貨？題型為 predicate，不要混入「是否符合換貨資格」。
• 問題二：應交給哪個部門？題型為 choice，選項為付款、配送、售後、其他，各自附範圍說明。
• 問題三：使用受阻程度為何？題型為 score，依前述 0～2 級標準評估，缺少必要資訊時交人工確認。

第二步是拿一批已有人工答案的來信試分，加入普通案例、模糊用語、同時有多個問題的來信，以及不屬於既有分類的案例。比較模型分流與人工判斷，記下哪些類型容易出錯，才有依據調整問題、選項與門檻。

例如針對 choice 分流結果，團隊可以提出「confidence 未達 0.8，就送人工」作為待測規則，但 0.8 只是門檻示意，並非 OpenAI 建議值或已驗證的安全線。應依錯誤代價測試，例如分開檢查把售後需求錯分到配送，以及把非售後來信誤分到售後的情況。

第三步才是串接。由整合人員準備 API 專案與金鑰，以 POST /v1/decisions 送出資料、模型和問題，再把答案連到客服系統。完成狀態應包括：正常案例能分流，「其他」與拒答能轉人工，出錯時有人接手，而非只確認成功收到一次回應。

---

---

導入前有哪些限制？

首先，固定答案格式仍可能包含錯誤判斷。把換貨需求分到「配送」，在選項格式上可能完全合法，業務上卻分錯了。Decisions API 的選項機率與 confidence 有助於安排檢查，實際可靠程度仍要用自己的案例驗證。

其次，OpenAI 將它描述為比 Responses API 約快 10 倍，但這是官方比較，不是本文客服案例的量測結果。輸入長度、網路、查訂單與人工處理都會影響整體耗時，不能推論接入後每一件工作都會快 10 倍。（OpenAI Decisions 介紹）

再來，處理客戶資料前，要確認哪些內容可以送出。OpenAI API 資料預設不拿來訓練模型，除非你選擇分享；但濫用監測紀錄預設可能保留最多 30 天，法律或保護服務等必要情況可能更久。「不訓練」不能直接理解成「完全不留資料」。（OpenAI 資料控制說明）

若工作需要更嚴格的資料保留或區域處理條件，應由負責人先確認帳號資格與設定。對一般入門測試，先減少姓名、電話、地址等不必要欄位，並從低影響的分類開始，會更容易看清楚這個功能是否適合團隊。

---

從一個小判斷開始

要評估 Decisions API，可以先選一個反覆發生、選項清楚、分錯時能人工修正的工作，例如客服部門分流。把題目、例外出口與接手人訂好，再拿歷史案例比較結果；等分類確實有用，才逐步接到後續系統與重要操作。

重點整理

Decisions API 可以直接在 ChatGPT 對話裡使用嗎？

Decisions API 是供應用程式串接的介面，可以先在 OpenAI 專用 Decisions Playground 試驗問題與輸入。正式連到客服或其他工作系統，仍需要整合程式與 API 專案；在 ChatGPT 對話中描述需求，不代表已經串接你的系統。

Decisions API 的 predicate、choice、score 差在哪？

predicate 回傳某個條件成立的估計機率；choice 從你預設的選項中選一個；score 按你定義的有序等級計算機率加權分數。部門分類適合 choice，使用受阻程度適合 score；score 可以是小數，不一定等於某一個等級。

Decisions API 怎麼收費？

使用 gpt-6-luna 的一般輸入價格為每 100 萬個 input tokens 0.10 美元，沒有快取讀取、快取寫入與輸出 token 費用。區域處理加價與長上下文輸入倍率仍適用，其他 API、系統整合與人工成本另計，實際費用應依 OpenAI 最新價格及帳務紀錄確認。

Decisions API 的 confidence 是正確率嗎？

不能把 confidence 直接當成用你的資料測得的正確率，也不能把 0.9 解讀成這類案件保證有 90% 分對。choice 與 score 會回傳 confidence 和選項機率，應搭配已標記案例測試，再依漏判、誤判的代價設計門檻與人工接手規則。

Decisions API 能直接幫客戶退款或換貨嗎？

它提供條件機率、分類或評分，不會因為選出退款或售後類別，就自動完成退款或換貨。查訂單、確認資格、執行付款或安排物流，都需要其他程式與權限；重要動作應接到另外的審核流程，並保留人工處理例外。