Decisions API в Codex CLI: как OpenAI тестирует быструю проверку рисков команд
В открытом коде Codex CLI есть интеграция Decisions API: GPT-6 Luna оценивает риск действий агента и выбирает между low и high. Пока она работает в экспериментальном режиме сравнения с Guardian V2 и не меняет одобрение операций. На этом примере хорошо видно, зачем агенту отдельный интерфейс для коротких решений и к какой части работы относится обещанное ускорение до десяти раз.
В анонсе от 22 октября 2026 года OpenAI сообщила об общей доступности Decisions API после публичной беты. Самое интересное для разработчика здесь — конкретная задача в исходниках Codex: проверить, удастся ли быстрее оценивать риск, сохранив качество проверки.
Зачем программирующему агенту отдельная проверка
Когда агент пишет код, часть работы быстро выходит за пределы редактора. Ему нужны команды терминала: прочитать конфигурацию, установить зависимость, запустить тесты, очистить временные файлы. Перед выполнением приходится учитывать последствия действия и то, что именно разрешил пользователь.
Возьмём условную команду rm -rf ./build. В одном проекте каталог содержит только воспроизводимые результаты сборки. В другом туда складывали файлы вручную. Одинаковая строка команды ещё не объясняет, какие данные будут потеряны и согласовал ли человек их удаление.
В разборе Ubuntu Workshop и песочницы для ИИ-агентов уже возникал вопрос границ доступа. Дополнительная оценка команды решает соседнюю задачу: помогает разобраться в намерении и последствиях внутри конкретного разговора. Для такого повторяющегося вопроса интересен быстрый классификатор.
Что возвращает Decisions API
По официальной документации OpenAI, запрос отправляется на POST /v1/decisions, а поддерживаемая модель — gpt-6-luna. Разработчик передаёт исходные данные, формулирует вопросы и задаёт допустимый вид ответа. Среди входных данных поддерживаются текст, изображения и JSON.
| Тип вопроса | Результат | Пример задачи |
|---|---|---|
predicate |
Оценка вероятности от 0 до 1 | Есть ли на фотографии видимое повреждение |
choice |
Выбор из заданных вариантов | В какой отдел направить обращение |
score |
Оценка по упорядоченным уровням | Насколько серьёзно описанное повреждение |
Для проверки рисков в Codex выбран choice. Это позволяет заранее определить два допустимых результата и обрабатывать их обычным кодом. Если приложению нужны извлечённые поля произвольной структуры или письменное объяснение, документация предлагает Responses API со Structured Outputs — генерацией по заданной JSON-схеме.
Как выглядит запрос из исходников Codex
В файле async_scorer/decisions.rs явно указаны адрес API и модель. Там же собирается вопрос с именем guardian_risk. Ниже сокращённая структура запроса: реальные инструкции и контекст заменены пояснениями.
{
"model": "gpt-6-luna",
"input": "Контекст проверяемого действия",
"questions": [
{
"type": "choice",
"name": "guardian_risk",
"instructions": "Правила оценки риска",
"choices": [
{"value": "low"},
{"value": "high"}
]
}
]
}
Этот пример показывает форму запроса; для настоящей проверки нужны полноценные правила оценки и сведения о действии. В реализации Codex поле input заполняется массивом сообщений, а инструкции берутся из подготовленного запроса классификатора.
Клиент проверяет и ответ: ожидается ровно один результат типа choice, с нужным именем и значением low либо high. Неожиданный формат превращается в ошибку сравнения. Такая проверка нужна даже при ограниченном наборе ответов: принимающий код должен понимать, что именно он получил.
Контекст определяет смысл оценки
В коде запуска классификации Decisions получает данные из того же подготовленного запроса, который используется для основного механизма. Это делает сравнение содержательным: оба пути опираются на общий исходный контекст проверки. При этом запрос проходит преобразование в формат Decisions.
Для примера с удалением каталога полезны рабочая директория, назначение файлов и просьба пользователя. Фраза «очисти результаты сборки» и просьба «посмотри, почему не проходят тесты» дают разные основания для удаления. Одного списка опасных слов в командах для такого различия недостаточно.
Отсюда практическое требование к собственной интеграции: сначала определить, какие сведения нужны для решения. Быстрая классификация неполного контекста всё равно оставит приложение без надёжного основания для действия. Это инженерный вывод из устройства проверки, а не результат измерения точности Codex.
Новый классификатор сравнивают с Guardian V2
Самая показательная часть реализации — порядок использования результатов. Decisions запускается рядом с основным классификатором, после чего основной путь публикует свою оценку. Затем код записывает сравнение и время работы. Ответ Decisions не подменяет оценку, от которой зависит действующий механизм одобрения.
За этот режим отвечает флаг guardianv2_decisions_comparison. В реестре функций Codex, проверенном 4 ноября 2026 года, он имеет статус UnderDevelopment и значение default_enabled: false. Поэтому наличие клиента в репозитории ещё не означает, что он включён у обычного пользователя.
Такой запуск обычно называют теневым режимом: новый компонент получает реальные входные данные и накапливает результаты для сравнения. Разработчики могут изучать расхождения с основным механизмом, задержки и сбои, сохраняя действующий порядок принятия решений.
Само совпадение двух классификаторов ещё не доказывает правильность оценки. Для проверки качества нужны примеры с независимо определённым ожидаемым результатом, особенно случаи, когда рискованное действие ошибочно названо безопасным. Это уже требование к оценке системы; открытый код эксперимента сам по себе не даёт статистики её точности.
Какие ограничения поставили эксперименту
В клиенте установлены два заметных ограничения: до 16 одновременно выполняющихся HTTP-запросов и тайм-аут 6 секунд на запрос после получения слота выполнения. При заполнении списка активных задач самая старая отменяется. Это локальные параметры интеграции Codex; комментарий в коде отдельно отделяет их от лимитов Decisions API.
Ошибка подготовки или сетевого обращения к Decisions не должна менять одобрение операции. В коде инициализации сбои настройки экспериментального клиента учитываются в телеметрии и не затрагивают основной классификатор.
Для параллельного эксперимента это понятная граница ответственности. У нового сервиса могут закончиться доступные слоты или возникнуть ошибка соединения. Такие события должны объяснять пробел в измерениях, сохраняя работу действующей проверки.
К чему относится ускорение до десяти раз
OpenAI заявляет ускорение до десяти раз относительно GPT-6 Luna через Responses API для вопросов с ограниченными ответами. В этой формулировке сравниваются два способа получить конкретное решение. Она не описывает скорость написания кода, выполнения тестов или завершения всей задачи агентом.
Условный расчёт показывает разницу. Пусть задача занимает 60 секунд, из которых 10 секунд приходятся на последовательные проверки. Если только эти проверки ускорить в десять раз, общее время сократится до 51 секунды. Это примерно 18% прироста скорости; числа иллюстративные и не являются замером Codex.
В обнаруженном режиме Decisions вообще не заменяет основной путь одобрения, поэтому обещать пользователю выигрыш по этим исходникам нельзя. Для такого вывода нужен замер всей задачи после изменения рабочего механизма. Отдельно следует проверить, сохранилось ли качество оценки рисков.
Что взять из этого примера для своего агента
Мне здесь интересен способ внедрения. Сначала выбирается один повторяющийся вопрос с понятными вариантами ответа. Затем новый механизм запускается параллельно, а его результаты сравниваются с действующим. Решение о замене появляется после измерений.
Этот порядок пригодится и в небольших проектах из раздела «Эксперименты с ИИ». Например, при разработке приложения вроде редактора скриншотов ImgEdtr агенту приходится читать файлы, собирать программу и запускать проверки. Каждое из этих действий имеет свой контекст и последствия.
Для собственной автоматизации я бы начинал с одного решения и набора характерных примеров, включая ошибки и пограничные случаи. Дальше можно измерять задержку, разбирать расхождения и определять, когда нужен человек. Интеграция в Codex показывает конкретный способ собрать такие данные, прежде чем доверять новому классификатору одобрение команд.