让模型只做决定，而不是写一段话
解读 Decisions API 对智能体工作流的意义
文章讨论的问题
来源文章认为，智能体不只是生成内容，还要在流程中不断判断：该用哪个模型、问题是否紧急、输出是否达标、是否需要人工介入。这类决策在一个工作流里可能出现成百上千次，每一次都走完整的生成式推理，延迟和成本会叠加。
接口提供了什么
据文章介绍，微软已在 Foundry 中提供 OpenAI Decisions API。开发者针对输入提出自己定义的问题，每个问题对应三种结果之一：条件为真的概率与置信度、从预设选项中选一个、按给定量表打分。输入可以是文本、图片或结构化数据。
我的理解是，它的价值在于输出本身就是程序可直接消费的值。不必再从一段自然语言里解析“模型到底想说什么”，控制流会更稳定，也更容易测试。
适用场景
文章给出的使用时点有三个：任务开始前做请求路由，执行中选择下一步动作，任务结束后依据标准评估输出，再决定继续、重试、换路径或交给人。
- 客服场景：先判断紧急程度，再决定由哪个模型或工具处理。
- 多模型系统：把简单请求分给更轻的模型，不必默认使用更大的模型。
- 质量门禁：用量表给智能体输出打分，低于阈值就转人工。
接入方式与价格
文章说明，接口位于 Azure OpenAI 资源的 /openai/v1/decisions 端点，目前支持 GPT-6 Luna。调用可使用 OpenAI SDK 或 REST，在 model 字段填写部署名，认证支持 API Key 或 Microsoft Entra ID。文中价格表列出该模型每百万 token 输入 0.10 美元、缓存输入 0.01 美元、30 分钟缓存写入 0.125 美元，输出为 N/A。
对开发者的影响
以下是我的分析。如果决策点被单独抽出，团队就可以分别优化路由、评估和生成，并为每类决策设定独立的指标与预算。这也让“人工介入”的触发条件更明确，因为概率和分数可以直接设阈值。
仍待观察
- 推测：专用决策接口在准确率和延迟上相对通用模型的优势，文章没有给出基准数据，需要自行实测。
- 目前仅支持一个模型，可选范围和区域可用性尚不清楚。
- 量表打分的一致性与可复现性，如何校准置信度，文章未展开。
来源：Microsoft Foundry Blog 原文（见来源清单）。
- 作者:月明
- 链接:https://lunalight.top//article/azure-foundry-2026-10-24-4567265
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
