快速入门
注册、从模板创建决策、在 Playground 中测试、部署,然后用 cURL、JavaScript 或 Python 调用它——大约五分钟。
本教程沿用仪表盘上的检查清单:创建决策、测试、部署、创建 API 密钥,并完成第一次 API 调用。
创建账户
打开 app.dcision.io,选择使用 Google 继续,或输入你的工作邮箱以接收 6 位验证码(10 分钟内有效)。
首次登录会创建你的账户,以及一个使用免费 Genesis 套餐的工作区(每月 1M 次决策、2 个决策、7 天日志——参见套餐)。
从模板创建决策
进入模板,在所有模板下选择线索资格评估(或者 决策 → 新建决策 并选择该模板),然后点击创建决策。
你会进入编辑器,其中有一个可编辑的草稿,包含:
| 部分 | 内容 |
|---|---|
| 状态 | message(字符串,必填)、company_size(数字)、source(字符串) |
| 问题 | purchase_intent(probability)、priority(score:low → critical)、route(choice:sales、sdr、nurture、spam,外加保留的 other) |
| 复合指标 | lead_score——由意向(权重 2)、优先级(1)和 sales 的概率(1)得出的 0–1 排序值 |
| 策略 | route = spam → block;purchase_intent 的置信度低于 0.6 → escalate |
schema 旁边的模式面板显示,这个决策已经组合了 TypeSafe 的三种模式:意图路由、置信度门控路由和组合评分。
slug——也就是你的端点——根据名称生成:lead-qualification(如果工作区中已有,则为 lead-qualification-2)。在首次部署之前,你都可以修改它。
在 Playground 中测试
打开 Playground 标签页,把状态替换为下面的 JSON,然后点击运行决策(或按 ⌘/Ctrl + Enter):
{
"message": "We need pricing for 500 users and want to start next month.",
"company_size": 500,
"source": "website"
}你会看到类型化的结果、行动及其被选中的原因、每个问题的置信度条、每个选项的完整概率分布以及 lead_score 的值。Playground 的运行不计费,并会出现在执行记录中。对草稿的修改甚至在保存之前就会生效。
部署
打开部署标签页,点击部署 v1。Dcision 会把草稿快照为不可变的版本 1 并使其上线:
POST https://api.dcision.io/v1/decisions/lead-qualification从现在起,slug 被锁定。之后的修改会保留在草稿中,直到你部署 v2——生产环境永远不会意外改变。参见版本与部署。
创建 API 密钥
进入 API 密钥 → 新建密钥,保留名称 Production 和 Live 环境,然后点击创建密钥。复制密钥——它以 dcs_live_ 开头,并且只显示一次——把它作为环境变量保存在你的服务器上:
export DCISION_API_KEY="dcs_live_…"切勿把密钥发送到浏览器或移动应用中。参见身份验证。
调用 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"
}
}'官方的 TypeScript 和 Python SDK 用安全重试封装了这个调用——await dcision.decide("lead-qualification", state)。要从无法保存 API 密钥的工具——表单、CRM、Zapier、n8n 或 Make——调用它,请在决策的高级标签页中开启它的 webhook URL。要让 AI 智能体调用它,请连接 MCP 服务器——参见在 Claude Code 中使用 Dcision。
响应(每次运行的值各不相同;结构是确定的):
{
"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
}
}解读响应
result包含每个问题的一个回答,以问题键为键:probability 问题为[0, 1]区间内的数字,score 问题为等级标签,choice 问题为一个选项。confidence表示引擎对每个回答有多确定,取值 0 到 1——参见置信度与概率。scores包含每个 score 问题的加权级别,从 1 开始计数:priority为 2.81,介于medium(2)和high(3)之间,更接近high。composites包含决策的加权组合——此处为lead_score。参见复合指标。action是你的代码应该做的事:continue、block、escalate或fallback。action_reason说明原因——此处没有匹配的策略,因此采用默认的continue。参见策略与行动。version是作答的已部署版本,execution_id可用于在执行记录中找到本次运行。metrics报告延迟、作答的确切模型、输入和输出 token 数以及预估的引擎成本——Jev 和 OpenAI Decisions 只对输入 token 计费。
加上 ?include=probabilities 还可以获得每个问题的完整分布——参见置信度与概率。