Jev 说没有，网页说有：Parallel 把决策模型逼去查今天的数据
Parallel 发布 Decisions API，把实时网页检索和结构化判断压进一次调用。0.001 美元一次请求，最多批量 100 个问题，返回概率、置信度和来源。它想把搜索加决策的流水线省掉，但引用审计和置信度仍是硬约束。
决策模型一直有个尴尬：答得很快，却不知道昨天发生了什么。Parallel 刚上线的 Decisions API 想解决这个断层，把实时网页检索和结构化判断压进一次调用。官方定价 0.001 美元一次请求，送 5000 次免费额度。
决策模型适合小输出：是或否、从列表里选一个、分类、路由。问题在于答案质量取决于上下文。答案如果依赖最近变化或只存在于网页的信息，普通流程要拆成检索、取上下文、再让模型判断。Parallel 把这两步合在一起：请求里给 state 和命名问题，API 去网页找证据，返回带概率、置信度和来源的类型化答案。默认 mode 是 fast，一次可以问最多 100 个相关问题，共享同一组检索证据，单题包含共享 state 最多 32000 个估算输入 token。
一个能说明问题的对照是欧洲数据驻留。Parallel 在 10 月 14 日发布支持。问 Jev 时，它答没有，概率 0.86，置信度 0.72，没有来源。走 Decisions API 时，答案是有，概率 1.00，置信度 1.00，引用 parallel.ai 的博客和文档。模型做选择题不难，难在它知道昨天的网页不一定算数。
批量场景更直接。给 Vercel 一次共享上下文和四个问题，API 从 10 个来源里取证，681 毫秒返回，成本 0.001 美元。员工规模档位是 501_plus，置信度 0.55，被路由到人工复核；有没有公开 API、有没有企业版、是不是 agent 产品，置信度都是 1.00。低置信度不硬给标签，这比多返一个漂亮布尔值有用。
Parallel 自己拿它做了两个内部项目。金融 KYB 场景里，426 家上市公司用 Decisions API 在十秒内重查，花费 85 美分，98% 的标记站得住。GTM 线索路由里，500 条入站线索在不到九秒内跑完，花费约 50 美分，97% 的自助路由落到了正确分段。这两个数字真正有用的是单条成本低到可以批量跑。
用法不复杂：拿 API key，向 POST /v1/decisions 发 state 和 questions；noul 类型返回条件成立的概率。每个问题可能返回 refusal，这是成功响应，不是 HTTP 错误，读答案前先看 type。citations 属于整次调用，不会把来源逐个映射到具体答案，审计链路要自己设计。
不想先开户，也可以走 Parallel MCP：把客户端连到 https://mcp.parallel.ai/mcp，调用 web_decisions，不用账号和 API key。适合先验证场景，再决定要不要把 Decisions API 放进生产流水线。
我的判断是，这类 API 会把搜索加决策的脏活产品化，但不会让检索链路消失。概率和引用让决策可审计，也让工程团队多了一组要盯的指标。置信度分数现在得在开放网页里经受考验，尤其是多人共享同一组检索证据的时候。如果工作流里有大量小判断、答案又随网页变化，0.001 美元一次值得试；如果要答案级引用和强解释，还得自己补一层。
链接：
发布时间: 2026-10-29 07:42