Inicio rápido

Regístrate, crea una decisión a partir de una plantilla, pruébala en el Playground, despliégala y llámala con cURL, JavaScript o Python — en unos cinco minutos.

Este recorrido sigue la lista de pasos de tu Panel: crear una decisión, probarla, desplegarla, crear una clave de API y hacer tu primera llamada a la API.

Crea tu cuenta

Abre app.dcision.io y elige Continuar con Google o ingresa tu e-mail de trabajo para recibir un código de 6 dígitos (válido durante 10 minutos).

El primer inicio de sesión crea tu cuenta y un workspace en el plan gratuito Genesis (1M de decisiones al mes, 2 decisiones, logs de 7 días — consulta Planes).

Crea una decisión a partir de una plantilla

Ve a Plantillas y elige Calificación de leads en Todas las plantillas (o Decisiones → Nueva decisión y selecciona la plantilla), y luego haz clic en Crear decisión.

Llegas al editor con un borrador editable que contiene:

ParteContenido
Estadomessage (string, obligatorio), company_size (number), source (string)
Preguntaspurchase_intent (probability), priority (score: low → critical), route (choice: sales, sdr, nurture, spam + la reservada other)
Compuestolead_score — un ranking de 0–1 a partir de la intención (peso 2), la prioridad (1) y la probabilidad de sales (1)
Políticasroute = spam → block; confianza de purchase_intent por debajo de 0.6 → escalate

El panel Patrones junto al esquema muestra que esta decisión ya combina tres de los patrones de TypeSafe: enrutamiento por intención, enrutamiento filtrado por confianza y puntuación compuesta.

El slug — tu endpoint — se genera a partir del nombre: lead-qualification (o lead-qualification-2 si el workspace ya lo usa). Puedes cambiarlo hasta el primer deploy.

Pruébala en el Playground

Abre la pestaña Playground, reemplaza el estado con el JSON de abajo y haz clic en Ejecutar decisión (o pulsa ⌘/Ctrl + Enter):

{
  "message": "We need pricing for 500 users and want to start next month.",
  "company_size": 500,
  "source": "website"
}

Obtienes el resultado tipado, la acción y por qué se eligió, una barra de confianza por pregunta, la distribución de probabilidad completa de cada opción y el valor de lead_score. Las ejecuciones del Playground no se facturan y aparecen en Ejecuciones. Los cambios en el borrador se aplican incluso antes de guardarse.

Despliégala

Abre la pestaña Publicar y haz clic en Publicar v1. Dcision toma un snapshot del borrador como la versión 1 inmutable y la pone en vivo:

POST https://api.dcision.io/v1/decisions/lead-qualification

A partir de ahora el slug queda bloqueado. Los cambios posteriores se quedan en el borrador hasta que despliegues la v2 — producción nunca cambia por accidente. Consulta Versiones y deploy.

Crea una clave de API

Ve a API Keys → Nueva clave, deja el nombre Production y el entorno Live, y haz clic en Crear clave. Copia la clave — empieza con dcs_live_ y se muestra una sola vez — y guárdala como variable de entorno en tu servidor:

export DCISION_API_KEY="dcs_live_…"

Nunca envíes la clave a un navegador ni a una app móvil. Consulta Autenticación.

Llama a la API

curl -X POST https://api.dcision.io/v1/decisions/lead-qualification \
  -H "Authorization: Bearer $DCISION_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": {
      "message": "We need pricing for 500 users and want to start next month.",
      "company_size": 500,
      "source": "website"
    }
  }'

Los SDKs oficiales para TypeScript y Python envuelven esta llamada con reintentos seguros — await dcision.decide("lead-qualification", state). Para llamarla desde una herramienta que no puede guardar una clave de API — un formulario, un CRM, Zapier, n8n o Make — activa la URL de webhook de la decisión en su pestaña Avanzado. Para que un agente de IA la llame, conecta el servidor MCP — consulta Usar Dcision en Claude Code.

La respuesta (los valores varían de una ejecución a otra; la forma es exacta):

200 OK
{
  "decision_id": "dec_3fKq9ZtW1mXcV7bN2pLa",
  "execution_id": "exec_8HsT2kQw9ZyR4vMn1cXe",
  "schema": "lead-qualification",
  "version": 1,
  "result": {
    "purchase_intent": 0.9412,
    "priority": "high",
    "route": "sales"
  },
  "confidence": {
    "purchase_intent": 0.8824,
    "priority": 0.69,
    "route": 0.85
  },
  "scores": { "priority": 2.81 },
  "composites": { "lead_score": 0.8414 },
  "action": "continue",
  "action_reason": { "type": "default" },
  "metrics": {
    "latency_ms": 412,
    "engine": "jev",
    "model": "jev-1.13.0",
    "estimated_cost_usd": 0.00001575,
    "input_tokens": 375,
    "output_tokens": 36
  }
}

Lee la respuesta

  • result contiene una respuesta por pregunta, indexada por la clave de la pregunta: un número en [0, 1] para las preguntas probability, una etiqueta de la escala para las preguntas score y una opción para las preguntas choice.
  • confidence indica qué tan seguro está el motor de cada respuesta, de 0 a 1 — consulta Confianza y probabilidades.
  • scores contiene el nivel ponderado de cada pregunta score, contado desde 1: priority en 2.81 queda entre medium (2) y high (3), más cerca de high.
  • composites contiene las combinaciones ponderadas de la decisión — aquí lead_score. Consulta Compuestos.
  • action es lo que debe hacer tu código: continue, block, escalate o fallback. action_reason dice por qué — aquí ninguna política coincidió, así que se aplica el continue predeterminado. Consulta Políticas y acciones.
  • version es la versión desplegada que respondió y execution_id permite encontrar la ejecución en Ejecuciones.
  • metrics informa la latencia, el modelo exacto que respondió, los tokens de entrada y salida y el costo estimado del motor — Jev y OpenAI Decisions facturan solo tokens de entrada.

Agrega ?include=probabilities para recibir también la distribución completa de cada pregunta — consulta Confianza y probabilidades.

Próximos pasos

En esta página