我非常高兴地宣布，我们现在已经内置了对决策模型（decision models）的支持。
决策模型由 TypeSafe.ai 率先倡导并开发，此后已被众多提供商实现，包括 CloudFlare（clef）、Open AI（decisions api）等。
它们允许你通过快速、准确且低成本地回答关于输入的任意问题，来分类文本和图像。
此前，我们可以依赖语言模型来实现这一功能，但在成本/速度和准确性方面表现并不理想。
我们在 Discourse AI 中添加了直接支持：
新选项卡（目前）仅在启用 Discourse Workflows 时可用（因为它是唯一的消费者）
一旦配置好决策模型，你就可以在工作流中使用新的“分类”模型。
由于它允许你使用自己设计的分类器对文本（和图像）进行分类，因此这种新的智能能力可用于大量工作流。
请尽情使用，并分享你构思出的有趣工作流。
我觉得这对响应分诊代理非常有用；我已经在进行初步测试，看看效果如何。我了解到这些用于决策的新模型非常精准且快速，很高兴我们能在 Discourse 中使用它们。
我在想，是否有计划，或者从技术上来说是否可行，将它们也整合到通用代理中，从而开发出能够先进行分类再进行委派的“高级助手”。还是说这根本行不通？
也许我还没有完全理解它们的最佳应用场景，可能我问的问题不太合适。
我认为这里有很多应用场景，将它们用作一个网关来找到合适的智能体或子智能体进行回答，这确实是我想要探索的方向。
你认为它会如何运作？
以我们的配置为例，我设想的工作流程如下。我们的主智能体（agent）拥有五个子智能体：
| 子智能体 | 触发条件 |
|---|---|
| publicator | 成员分享一段文本，希望在发布前进行优化 |
| links | 将零散的链接整理成一篇帖子 |
| web | 论坛外部发生变化的事物 |
| base | 精选档案库：旧讨论、文档、书籍 |
| at | 成员分享的图表，需对照我们的公开方法进行审核 |
目前，父级大语言模型（LLM）会读取子智能体的描述，并通过 spawn_agent 选择其中一个。引入“门控”（gate）机制后，这一决策权将从父级 LLM 手中转移出去：
同样的门控机制，若以是/否问题的形式呈现，也可在 LLM 运行前作为护栏使用。
我们是一个教育社区，不提供交易信号、价格目标或投资建议，因此*“这是否是在询问交易信号？”* → 返回固定回复。目前，这条规则写在每个提示词中，但在压力测试下，模型往往会偏离该规则。
如果您能着手实现，我们将很乐意在我们的论坛上试用早期版本。
