أطلقت OpenAI واجهة Decisions API في نسخة تجريبية عامة بتاريخ 6 أكتوبر 2026. تستقبل الواجهة النص أو الصور أو كليهما، وتعيد واحدًا من ثلاثة أنواع Typed: احتمال تحقق شرط، أو اختيارًا من مجموعة مسموحة، أو درجة وفق مستويات مرتبة. تقول OpenAI إنها أسرع بنحو عشر مرات من Responses API، ولا تدعم حاليًا إلا gpt-6-luna. يفيد ذلك في التصنيف والتوجيه وتحديد الأولويات، لكنه لا يحوّل الاحتمال إلى صلاحية أو قرار نهائي. القيمة الإنتاجية تأتي من عتبات جرى معايرتها، ومسار مراجعة واضح، وفحوص Policy حتمية، وسجل تدقيق يحيط بكل إجابة.
جرى التحقق من سجل التغييرات الرسمي ودليل Decisions في 7 أكتوبر 2026. تاريخ الإطلاق، وحالة Beta، والنموذج المدعوم، وأنواع الأسئلة، والتسعير، وتصريحات التحكم في البيانات أدناه مصدرها OpenAI. أما العتبات وحدود الخدمات وخطوات الإطلاق فهي توصيات هندسية وليست ضمانات من OpenAI.
ما الذي أطلقته OpenAI فعليًا؟
المسار المخصص هو POST /v1/decisions. يرسل الطلب model، وinput مشتركًا، ومصفوفة questions. قد يكون الإدخال نصًا، أو رسائل مستخدم تحتوي نصوصًا وصورًا. يحمل كل سؤال اسمًا فريدًا ونوعًا وتعليمات، وتعيد الاستجابة الاسم نفسه داخل مصفوفة answers كي يربط كود التطبيق النتائج من دون تحليل نص حر.
توجد ثلاثة عقود. يقدّر predicate احتمال صحة شرط. ويختار choice قيمة من مجموعة مغلقة غير مرتبة، مع احتمالات موزعة على الخيارات. أما score فيقيّم مستويات مرتبة ويعيد متوسطًا مرجحًا بالاحتمالات لمؤشرات تلك المستويات. تطرح OpenAI أمثلة مثل فحص الضرر الظاهر، وتوجيه القسم، وملاءمة الإجابة، ودرجة الشدة.
الواجهة Public Beta وليست بديلًا مستقرًا لكل مسارات Responses. تقول OpenAI إن gpt-6-luna هو النموذج الوحيد المتاح الآن، وإنها تتوقع الوصول إلى General Availability خلال الأسابيع القادمة. تعامل مع Endpoint وSDK كاعتمادين محددي الإصدار: ثبّت إصدارات SDK المدعومة، وأضف Contract Tests، واحتفظ بمسار تراجع حتى تثبت النسخة التجريبية استقرارها مع Traffic الحقيقي.
اختر الأداة الصحيحة قبل كتابة Prompt
واجهة Decisions ضيقة عن قصد. استخدمها عندما تكون النتيجة المطلوبة احتمالًا أو فئة مغلقة أو درجة مرتبة. استخدم Structured Outputs مع Responses API عندما تحتاج JSON مخصصًا أو حقولًا مستخرجة أو شرحًا مكتوبًا. استخدم Function Calling عندما يجب أن يقترح النموذج Tool ومعاملاتها. واستخدم الكود أو SQL أو Rules عندما توجد الإجابة الحتمية أصلًا داخل نظامك.
الاحتياج نقطة البداية الأنسب
شرط شبيه بنعم/لا مع احتمال Decisions predicate
فئة مغلقة غير مرتبة Decisions choice
Rubric مرتبة أو درجة شدة Decisions score
JSON مخصص أو استخراج أو شرح Responses + Structured Outputs
طلب إجراء مع معاملات أداة Function calling + authorization
استحقاق أو رصيد أو Policy حتمية Code / SQL / rules engine
العثور على سجلات مطابقة Search أو vector retrievalمن Anti-patterns الشائعة سؤال النموذج هل يُسمح بالاسترداد المالي بينما القاعدة موجودة في بيانات العملية. اقرأ الطلب والدفع والسياسة من قواعد البيانات. ومن الخطأ أيضًا استخدام Score لاستخراج أسماء وتواريخ وبنود؛ فهذه مشكلة Structured Extraction. اختيار الأداة الأضيق الصحيحة يقلل الغموض والزمن والمخاطر التشغيلية.
افصل الاستدلال عن سياسة القرار
إجابة النموذج دليل يدخل في القرار، وليست القرار كاملًا. ضع Policy Service بعد API. تتحقق هذه الخدمة من شكل الإجابة، وتضم حقائق موثوقة من التطبيق، وتطبّق عتبات مناسبة لحالة الاستخدام، ثم تختار الإجراء: توجيه آلي، أو طلب دليل إضافي، أو مراجعة بشرية، أو رفض الأتمتة. تبقى الصلاحيات والآثار غير القابلة للعكس خارج النموذج.
يتكوّن المسار العملي من ست مراحل: التحقق من الأدلة الداخلة؛ وتطبيعها من دون مسح التفاصيل المهمة؛ واستدعاء Decisions بمجموعة أسئلة ذات إصدار؛ وتقييم الإجابة Typed بسياسة ذات إصدار؛ وتنفيذ Action مصرح بها وIdempotent فقط؛ وتسجيل مرجع الدليل وإصدار السؤال والنموذج والتوزيع والعتبة ونتيجة السياسة والقرار البشري النهائي. يجب أن يوضح Audit Log سبب التوجيه من دون تخزين محتوى حساس لا حاجة له.
const result = await client.decisions.create({
model: "gpt-6-luna",
input: ticketText,
questions: [{
type: "choice",
name: "queue",
instructions: "Route by the customer's requested outcome.",
choices: ["billing", "delivery", "technical", "other"]
}]
});
const answer = result.answers.find(x => x.name === "queue");
const policy = routeWithReview({
answer,
questionVersion: "support-queue-v3",
autoRouteMinConfidence: 0.92,
highImpact: ticketRequestsAccountClosure(ticketText)
});العتبة وأسماء الدوال أعلاه Policy توضيحية في التطبيق، وليست حقولًا تضمنها OpenAI. الحد المهم هو أن الخدمة قد توصي بمسار، بينما يملك كود التطبيق العتبة وصلاحيات الحساب والآثار الجانبية والتعافي.
عاير العتبات وفق كلفة الخطأ
الاحتمال الخام ليس معايرًا تلقائيًا لمجتمع مستخدميك. قيمة 0.90 لا تثبت أن تسع حالات من كل عشر ستكون صحيحة في إنتاجك. ابنِ Dataset موسومة تشبه Traffic الحقيقي، ثم قارن التوقعات بالنتائج المعروفة. قسّم التحليل بحسب اللغة والقناة وجودة الصورة وفئة العميل وطول الإدخال، لأن المتوسط العام قد يخفي فئة ضعيفة.
حدّد العتبات من خسارة العمل لا من سهولة التنفيذ. في توجيه Inbox منخفض الأثر قد تكلّف False Positive عملية نقل داخلية واحدة. وفي فحص ضرر ظاهر قد تحرم False Negative عميلًا من مطالبة صحيحة. أما الاحتيال والسلامة والأهلية فقد تكون أخطاء الاتجاهين مكلفة وحساسة قانونيًا. عرّف مناطق منفصلة للقبول الآلي والمراجعة والرفض الآلي بدل دفع كل القيم عبر حد واحد.
راقب Precision وRecall وFalse-positive Rate وFalse-negative Rate ونسبة المراجعة والتغطية وخطأ المعايرة وp50 وp95 Latency والكلفة لكل حالة جرى أتمتتها بصورة صحيحة. يوصي دليل OpenAI صراحة بأمثلة موسومة من التطبيق وباختيار العتبات وفق كلفة False Positives وFalse Negatives. أعد الحساب بعد تغيير التعليمات أو الخيارات أو مستويات Score أو معالجة المدخلات أو سلوك النموذج.
صمّم أسئلة قابلة للملاحظة
اسأل عن دليل يمكن رؤيته في الإدخال. سؤال «هل يظهر انبعاج في المنتج مع تجاهل التغليف والظلال؟» قابل للاختبار. أما «هل هذا العميل جدير بالثقة؟» فيضغط الهوية والتاريخ والحكم الاجتماعي داخل Label غامضة. عندما يعتمد السؤال على حالة حساب موثوقة، اجلبها بصورة منفصلة، ودع الكود يجمعها مع نتيجة النموذج.
اجعل الفئات مختلفة المعنى، وأضف other أو مسار مراجعة عندما يكون الواقع أوسع من Taxonomy. عرّف المستويات المتجاورة في Score بحدود ملموسة يستطيع المراجعون تطبيقها باتساق. لا تخفِ ثلاثة مخاوف مستقلة داخل سؤال واحد؛ يجب أن يكون الضرر والفئة والاستعجال إجابات منفصلة بأسماء واضحة.
تستطيع الواجهة تقييم عدة أسئلة مستقلة على Input مشترك في طلب واحد. وتوصي OpenAI بطلبات منفصلة عندما يعتمد قرار على إجابة سابقة. حافظ على هذا الفصل. تستطيع خطوة ثانية مشروطة استخدام النتيجة الأولى بعد التحقق منها مع سؤال أضيق، بينما يجعل الطلب المحمّل بعلاقات ضمنية الاختبار والتدقيق أصعب.
ابنِ مسارًا لعدم اليقين والمراجعة
تحتاج أنظمة الإنتاج نتيجة صالحة عند عدم اليقين. وجّه الإجابات منخفضة الثقة، وتقارب الاحتمالات، والفئات غير المدعومة، والمدخلات المشوهة، والحالات عالية الأثر إلى Review. اعرض للمراجع الدليل الأصلي، والتوزيع Typed، وإصداري السؤال والسياسة، والإجراء المقترح. اسمح له بتصحيح النتيجة وسبب منظم. تصبح هذه التصحيحات بيانات تقييم بدل Overrides صامتة تختفي.
توصي إرشادات الأمان لدى OpenAI بالاختبار العدائي والمراجعة البشرية، خصوصًا في المجالات عالية المخاطر. المراجعة ليست فشلًا للأتمتة؛ إنها طريقة النظام للحد من الضرر وجمع حالات الحافة اللازمة لتوسيع التغطية بأمان.
لا تسمح للاحتمال بتجاوز المصادقة أو فحص الملكية أو الموافقات أو حدود الإنفاق. لا ينبغي لتصنيف «آمن» أن يوسّع Authority أبدًا. وإذا كانت النتيجة تطلق Mutation، فاستخدم Idempotency Key وانتقال حالة دائمًا كي لا تكرر Retries رد المال أو الرسائل أو تغييرات الحساب.
قيّم نظام القرار كاملًا
يجب أن يثبّت Offline Evaluation إصدار السؤال والنموذج والسياسة ولقطة Dataset. ضمّن الاستخدام المعتاد والحالات النادرة مرتفعة الكلفة والمدخلات الغامضة والصور الرديئة وأمثلة متعددة اللغات والسياق الناقص والتعليمات العدائية المزروعة داخل الدليل. قارن المسار كاملًا، لا مطابقة Top Category فقط. يجب أن يسأل Scorecard مفيد: هل تمت أتمتة الحالات الصحيحة؟ هل وصلت الحالات غير الواثقة إلى المراجعة؟ وهل بقيت الإجراءات الممنوعة مستحيلة؟
توصي إرشادات التقييم الرسمية بـDatasets خاصة بالمهمة تشبه توزيعات الإنتاج، وتقييم مستمر، ومعايرة المقاييس المؤتمتة بالحكم البشري. احتفظ لـDecisions بمجموعة Release لم تُستخدم في الضبط، وعينة متحركة من نتائج الإنتاج. لا تضبط العتبات على السجلات نفسها التي تستخدمها لإعلان النجاح.
في Shadow Phase، استدعِ Endpoint التجريبية مع إبقاء النظام الحالي مرجعًا نهائيًا. قارن التوجيه والزمن وطلب المراجعة بالمسار القائم. ثم نفّذ Canary على Cohort ثابتة، وراقب كلفة الأخطاء وطوابير المراجعة، وحدد Rollback Thresholds قبل توسيع النطاق. لا تجعل Beta Endpoint نقطة فشل وحيدة من دون Timeout وCircuit Breaker وسلوك Fallback حتمي.
احسب الزمن والسعر وحدود البيانات
تقول OpenAI إن Decisions أسرع بنحو عشر مرات من Responses API. تعامل مع ذلك بوصفه ادعاء من المزود، ثم قِس مسارك كاملًا: زمن رفع الصور، وانتظار الطلب، والاستدلال، وقراءة السياسة، وانتظار المراجعة، وتنفيذ الإجراء اللاحق. لا يستطيع Classifier سريع إصلاح Evidence Storage بطيئة أو Review Queue مزدحمة.
تسعّر OpenAI إدخال gpt-6-luna على /v1/decisions بقيمة 0.10 دولار لكل مليون Token، من دون رسوم Cache Read أو Cache Write أو Output Tokens. وقد تطبق رسوم Regional Processing ومضاعفات Long Context. قِس الكلفة لكل قرار صحيح جرى أتمتته، لا الكلفة لكل Request فقط؛ فالنتيجة غير الواثقة أو الخاطئة تولّد مراجعة وإعادة عمل ودعم عملاء.
يقول الدليل الرسمي إن الواجهة تدعم Zero Data Retention واستخدام HIPAA للعملاء المؤهلين، وتدعم Data Residency وRegional Processing في الولايات المتحدة وأوروبا، أي EEA وسويسرا. تبقى الأهلية والاتفاقيات والقيود ضرورية. قلّل المدخلات، ولا ترسل حقولًا لا تؤثر في السؤال، وطبّق Tenant Isolation قبل الاستدعاء، واضبط الاحتفاظ والصلاحيات لسجلاتك أنت.
متى لا تستخدم Decisions؟
لا تستخدمها عندما يعيد Database Lookup أو Rule أو حساب الإجابة الموثوقة. لا تستخدمها لتوليد الشرح أو الملخصات أو JSON اعتباطي. لا تسمح لها بقرارات طبية أو قانونية أو وظيفية أو ائتمانية أو أمنية أو عالية الأثر من دون مراجعة. لا تستخدم Visual Predicate عندما يحتاج الدليل قياسًا لا تستطيع الصورة إثباته. ولا تؤتمت المسار إذا كانت Labels غير متسقة أو لا يستطيع فريق المراجعة تفسير Rubric.
تجنب وهم العتبة: يبدو الرقم بدقتين عشريتين حاسمًا بينما المهمة والبيانات والنموذج تحمل عدم يقين. لا تغيّر التعليمات بصمت، لأن ذلك يغيّر عقد Classifier. لا تعتمد على أعلى احتمال وحده عندما تتقارب الخيارات. ولا تسجل دليل العميل الخام افتراضيًا لمجرد الحاجة إلى Audit؛ قد تكفي المراجع والـHashes والحقائق المشتقة الضرورية.
إذا احتاج المنتج شرحًا دقيقًا أو Workflow تستخدم أدوات، فوجّه الحالة إلى Responses API أو إنسان بعد القرار الأولي. قيمة Endpoint الجديدة في تخصصها، لا في استبدالها كل معماريات الذكاء الاصطناعي.
قائمة تنفيذية للإطلاق
ابدأ بمسار واحد منخفض الأثر وعالي الحجم تفهم Labels الخاصة به. اكتب أسئلة قابلة للملاحظة وTaxonomy ذات إصدار. ابنِ مجموعة موسومة تمثل الاستخدام. اختر العتبات من كلفة الخطأ. أضف منطقة مراجعة وفحوص صلاحية حتمية. نفّذ Shadow للمسار الحالي. أطلق Canary لشريحة ثابتة. راقب المعايرة وقدرة المراجعة والزمن والكلفة لكل أتمتة صحيحة. احتفظ بـCircuit Breaker وFallback. لا ترقّ سوى عندما يحقق النظام كاملًا—لا Demo Request—معايير القبول الخاصة بالمنتج.
تستطيع Decisions API تقليل كلفة تحويل الأدلة متعددة الوسائط إلى نتيجة Typed صغيرة. لكن ميزتها الدائمة ستأتي من الهندسة المحيطة: عقود واضحة، وسياسة معايرة، وصلاحيات محدودة، وتصحيح بشري، ودليل يثبت أن المسار المؤتمت أفضل من العملية التي يستبدلها.
المراجع الرسمية
تدعم هذه المراجع سلوك الأدوات المذكورة. الأمثلة وقرارات التصميم توضيحية، ويجب تكييفها مع متطلبات المشروع وإصداراته.
إعداد: Noor Yasser
تعمل على تحدٍ تقني مشابه؟
أساعد الفرق على تحويل القرار المعماري إلى نطاق واضح وتنفيذ يمكن تشغيله ومراجعته بثقة.




