OpenAI Decisions API: Phân Loại, Điều Hướng, Chấm Điểm
Biến các câu hỏi có/không, điều hướng và mức độ nghiêm trọng thành câu trả lời có kiểu với Decisions API của OpenAI (gpt-6-luna), kèm ngưỡng và bước người duyệt.
Phần lớn công cụ AI trả cho bạn một đoạn văn. Decisions API của OpenAI trả cho bạn một con số, một nhãn hoặc một điểm số, và không gì khác. Hỏi «Ảnh này có hư hỏng nhìn thấy được không?» và bạn nhận một xác suất. Hỏi «Phòng ban nào nên xử lý khiếu nại này?» và bạn nhận một trong các lựa chọn do chính bạn đặt ra, kèm xác suất cho từng lựa chọn. Hỏi «Lỗi này nghiêm trọng đến mức nào?» và bạn nhận một điểm số theo các mức bạn tự viết. Điều đó khiến nó là công cụ đúng cho những quyết định nhàm chán, số lượng lớn đang làm nghẽn hàng đợi hỗ trợ, form tiếp nhận và tồn đọng chờ duyệt.
Nhưng cũng chính vì vậy mà nó dễ bị dùng sai. Xác suất 0.92 nghe như «chính xác 92%». Không phải. Đó là ước lượng của model, và việc ước lượng ấy có khớp thực tế trên dữ liệu của bạn hay không là thứ bạn phải đo. Vì thế khoá học dành thời gian cho ngưỡng, kiểm tra hiệu chuẩn, xử lý refusal và luồng người duyệt nhiều không kém gì ba kiểu câu hỏi. Hết bài 2, bạn đã viết một câu hỏi predicate thật cho một quyết định trong công việc của mình và đọc được câu trả lời. Hết bài 5, bạn biết so sánh các ngưỡng khả dĩ trên ví dụ có nhãn và theo chi phí của từng loại sai lầm. Hết bài capstone, bạn có một Decision Design Brief một trang mà lập trình viên có thể xây và quản lý có thể duyệt.
Mọi dữ kiện sản phẩm đều lấy từ hướng dẫn Decisions chính thức của OpenAI, trang model, trang giá và changelog, tất cả được đọc ngày 13/10/2026, một tuần sau khi public beta mở. Chỗ nào bằng chứng duy nhất là báo cáo từ diễn đàn lập trình viên, bài học sẽ nói rõ. Và vì API vẫn đang beta với một model duy nhất, mỗi bài học có trích dẫn tên trường, giá hay giới hạn đều chỉ chính xác điều bạn cần kiểm tra lại trước khi tin dùng.
Bạn sẽ học được gì
- Giải thích Decisions API trả về gì, chạy trên model nào và khác gì so với Structured Outputs và function calling
- Dùng đúng cấu trúc request để viết một câu hỏi predicate với tiêu chí quan sát được và đọc xác suất của nó
- Thiết kế câu hỏi choice và score với các lựa chọn tách bạch, một lựa chọn dự phòng và các mức xếp theo thứ tự
- Đánh giá một ngưỡng dựa trên chi phí của báo động giả và bỏ sót, và giải thích vì sao một xác suất không phải là bảo đảm độ chính xác
- Thiết kế cách xử lý refusal và một luồng người duyệt cho mọi quyết định bạn tự động hoá
- Tạo một Decision Design Brief kèm checklist go-live giai đoạn beta cho một quyết định thật trong công việc của bạn
After This Course, You Can
What You'll Build
Mục lục
Yêu cầu trước khi học
- Đọc được một khối JSON ngắn (chúng tôi giải thích từng trường); không cần biết lập trình
- Để chạy các ví dụ tuỳ chọn: một tài khoản OpenAI API đã bật thanh toán và một API key
- Một quyết định lặp đi lặp lại trong công việc của bạn (có/không, phân loại hoặc chấm điểm) để dùng làm ví dụ xuyên suốt
Khóa học này dành cho ai?
- Trưởng nhóm hỗ trợ khách hàng, vận hành và tuân thủ muốn AI phân loại, gắn cờ và ưu tiên công việc mà không mất kiểm soát
- Product manager và chuyên viên phân tích viết đặc tả cho lập trình viên và cần logic quyết định phải đúng
- Lập trình viên mới tiếp cận Decisions API, muốn hiểu phần thiết kế và duyệt chứ không chỉ cấu trúc request
- Bất kỳ ai từng được đưa một «điểm độ tin cậy» và muốn biết nó thực sự có nghĩa gì
Câu hỏi thường gặp
Decisions API của OpenAI là gì?
Một endpoint riêng (POST /v1/decisions) đánh giá văn bản, hình ảnh hoặc cả hai và trả về câu trả lời có kiểu thay vì văn bản tự do: một xác suất rằng điều kiện là đúng (predicate), một lựa chọn trong tập cố định (choice), hoặc một điểm số theo các mức xếp thứ tự (score). OpenAI định vị nó cho việc phân loại nội dung, điều hướng yêu cầu và ưu tiên công việc. Tính đến ngày 13/10/2026, API đang ở giai đoạn public beta và chỉ chạy trên gpt-6-luna.
Tôi có cần là lập trình viên không?
Không. Sáu trong tám bài học nói về cách thiết kế câu hỏi tốt, chọn ngưỡng và lập bước người duyệt, là nơi phần lớn dự án thực tế thất bại. Cấu trúc request và response chính xác được trình bày dưới dạng JSON đã đối chiếu với tài liệu nhà cung cấp, đọc được mà không cần code. Nếu bạn lập trình, mọi ví dụ đều phản chiếu tài liệu chính thức của OpenAI.
Khác gì với Structured Outputs hay function calling?
Structured Outputs khiến model sinh ra một đối tượng theo JSON schema của bạn (các trường được trích xuất, một đoạn giải thích). Function calling khiến model yêu cầu gọi một công cụ kèm tham số. Decisions chỉ trả về một trong ba kiểu câu trả lời cố định kèm xác suất, và không gì khác. Bài 1 cho bạn một bảng quyết định cho cả ba.
Xác suất 0.92 có phải là 92% độ chính xác không?
Không, và khoá học này cố ý nhắc lại điều đó nhiều lần. Con số là ước lượng của model, không phải tỷ lệ đúng đã đo. Bài 5 chỉ cách đặt ngưỡng từ các ví dụ đã gán nhãn và chi phí của từng loại lỗi, và cách kiểm tra xem con số của model có khớp thực tế trên dữ liệu của bạn không.
Chi phí bao nhiêu?
Theo hướng dẫn của OpenAI ngày 13/10/2026: 0,10 USD cho mỗi 1 triệu token đầu vào trên gpt-6-luna, không tính phí đầu ra, đọc cache hay ghi cache trên endpoint này. Phụ phí xử lý theo khu vực và hệ số nhân ngữ cảnh dài vẫn áp dụng. Giá beta có thể thay đổi, nên checklist ở bài capstone yêu cầu bạn đọc lại trang giá trước khi triển khai.
