# Gemini Decisions API 给评论批量判要不要人工跟进

> Google 的 Gemini Decisions API 只打分不写文字。我们用它给 90 条真实评论判要不要人工跟进，判一千条约 $0.04。

- Canonical page: https://everyinfra.com/blog/gemini-decisions-api
- Published: 2026-11-17T02:05:00+08:00 · Fact-checked: 2026-11-17T01:10:00+08:00

2026 年 11 月 17 日 00:19–00:23（新加坡时间），我们用 EveryInfra 的三处数据接口拉了 90 条真实公开评论——Google 地图上一家芝加哥牙科诊所 20 条、App Store 上 Uber 的 30 条、Google Play 上 Uber 的 40 条，其中 23 条打了 3 星或更低，占 25.6%，是要人工跟进的候选。这 90 条评论的正文中位数只有 52 字节，平均 96 字节，换成 token 大多在十几到三十几个之间。拿这样一批短评论去走 Google 在 2026 年 11 月 11 日发布的 [Gemini Decisions API](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)（按 $0.10 每百万输入 token 计费、输出 token 不收钱），判一千条评论「要不要人工跟进、归哪个队、多严重」合计约 $0.04，其中花在评论正文上的输入成本不到十分之一，九成以上花在你写给模型的三条判断说明上。

> **本文要点**
>
> - Gemini Decisions API（[官方文档](https://aistudio.google.com/docs/decisions-api)，2026-11-11）只对闭集问题打分，不生成文字：yes/no（`noul`）、多选（`choice`）、评分（`score`）三种，返回概率和 0–1 的置信度，端到端延迟 150–250 毫秒，$0.10 每百万输入、输出 $0。
> - 我们在三处真调拉了 90 条真实评论：`google_maps_reviews/reviews` 20 条、`app_store/reviews` 30 条、`google_play/reviews` 40 条，每条 $0.001389，三次共 $0.0042。
> - 90 条里 23 条 ≤3 星（25.6%）要人工跟进；App Store Uber 30 条里 8 条 1 星，Google Play Uber 40 条里 10 条 1 星。
> - 评论很短：三处正文中位数 52 字节。判一千条评论，输入成本里评论正文只占 3%–10%，其余是三条判断说明。
> - 判一千条评论的合计成本：Google 地图约 $0.0495、App Store 约 $0.0383、Google Play 约 $0.0399（Decisions API 打分 + EveryInfra 拉数，按公开价算）。

商家每天收到的评论里，绝大多数是五星好评，用不着任何人去碰；占用客服时间的是少数差评、投诉和求助。

![示意插图：左边一摞评论卡片涌向中间一道闸门，闸门上有一颗四角星代表判断模型；闸门后分三条路，一条标着自动回复的青绿对勾，一条标着人工的人形，一条标着忽略的灰色叉。](https://everyinfra.com/articles/gemini-decisions-api/img-triage-flow.webp)

评论先过一道判断，再决定谁来处理：自动、人工、还是忽略。

给评论分拣这类活打分、不写文字，正是 Gemini Decisions API 发布时给出的第一类用法。

## 评论跟进为什么是闭集判断

先看一条真实评论。00:20 新加坡时间我们拉回的 App Store Uber 评论里，有一条一星写着行程被取消还被扣了费、客服只回了模板，另一条五星只写了「Great Ride」。客服要做的判断其实很窄：这条要不要人工跟进（yes/no）、归退款、安全还是客服质量哪个队（多选）、有多急（打个分）。这三件事都有固定的选项，答案能直接拿去走 `if` 分支，不需要模型写一段话再让程序去解析。Google 在文档里把这类问题叫 bounded choices，并说明生成式模型是为给人读的文字设计的，当你的代码需要一个能直接分支的判断时，让模型先生成文字再解析，既慢又容易因为解析规则而出错（[Decisions API 文档](https://aistudio.google.com/docs/decisions-api)）。

评论分拣正好落在这个范围里。一条评论要不要跟进，取决于它是不是投诉、是不是提到安全或扣费、商家有没有回过，这些都是能用一句话描述清楚的条件。把每个条件写成一个独立的问题，模型分别打分，程序再用普通的 if 和权重把几个分数合起来，是文档建议的做法：问窄而单一目的的问题，答案在代码里组合（[最佳实践一节](https://aistudio.google.com/docs/decisions-api#best-practices)）。这和让一个大模型「读完这条评论，输出一个 JSON，告诉我该怎么办」是两条路——后者要生成并解析一段文字，而评论分拣只要几个能打分的判断。

这类判断的量往往很大。一家有 1390 条 Google 地图评论的诊所（我们拉的 Downtown Dental - Loop，[Google 地图评论接口](/google-maps-reviews-api)），加上它在 App Store 和 Google Play 上可能还有应用，每天新增的评论从几十到上千不等。人工一条条看既慢又贵，而用生成式模型给每条评论写一段分析，成本主要落在它生成的文字上。Decisions API 的卖点是把生成文字这步去掉：它一个输出 token 都不产生，所以这部分不花钱（[官方定价说明](https://aistudio.google.com/docs/decisions-api)）。换句话说，评论分拣要的只是判断，而判断可以用打分表达，不必先变成一段文字再被解析回判断。

## Gemini Decisions API 是什么：三种判断、一次前向打分

Google 在 2026 年 11 月 11 日（当地时间周三）发布了 Gemini Decisions API，背后是新模型 Gemini Decision 1（`gemini-decision-1`），通过 Google AI Studio 里的 Gemini API 以 `v1beta` 端点提供，署名是 Google DeepMind 的 Felix Yu（[Google 博客原文](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。它给出的是为有限选项定制的判断原语，用于工具选择、策略检查、模型路由、上下文评分这几类活。一次请求可以带一份最多 256K token 的多模态输入（文字、图片、音频、视频、PDF），外加最多 1000 个互相独立的问题。模型在一次前向传播里给候选选项打分，返回概率和置信度，端到端延迟 150–250 毫秒，其中模型计算本身的中位数是 50–100 毫秒，而且从 1 个问题到 100 个问题，延迟几乎不变（[官方文档](https://aistudio.google.com/docs/decisions-api)）。

![示意插图：三块牌子并排，第一块画一个勾和一个叉代表 yes/no，第二块画一列选项其中一个被圈出代表多选，第三块画一把从 0 到 3 的标尺代表评分；三块牌子下面各有一个小刻度条代表返回的置信度。](https://everyinfra.com/articles/gemini-decisions-api/img-decision-types.webp)

Decisions API 的三种判断类型：yes/no、多选、评分，每种都附带一个 0 到 1 的置信度。

它把三种判断类型放进同一次请求，官方文档的[问题类型表](https://aistudio.google.com/docs/decisions-api)写得很清楚。第一种是 `noul`，yes/no 判断，估计一个条件成立的概率，可以用 `true_description` 和 `false_description` 两段文字界定什么算是、什么算不是（[noul 一节](https://aistudio.google.com/docs/decisions-api#noul)）。第二种是 `choice`，从 2 到 255 个选项里选一个，返回胜出项和每个候选的归一化概率（[choice 一节](https://aistudio.google.com/docs/decisions-api#choice)）。第三种是 `score`，按一个从 0 开始的有序评分表给输入打分，返回一个连续的加权分和每一档的概率（[score 一节](https://aistudio.google.com/docs/decisions-api#score)）。每个答案都带一个 0 到 1 的置信度，代码据此把拿不准的判断交给回退流程或人工（[置信度一节](https://aistudio.google.com/docs/decisions-api#confidence)）。

| 判断类型 | 用途 | 返回 | 评论分拣里的用法 |
| --- | --- | --- | --- |
| `noul`（yes/no） | 判断一个条件是否成立 | `noul`（0.01–0.99）、`confidence` | 这条评论要不要人工跟进 |
| `choice`（多选） | 从固定清单里选一项 | `choice`、`probabilities`、`confidence` | 归退款、安全、客服质量还是无需处理 |
| `score`（评分） | 按有序评分表打分 | `score`、`probabilities`、`legend`、`confidence` | 紧急程度 0（无）到 3（涉及安全或扣费） |

计费方式决定了它适合干什么。Decisions API 按 $0.10 每百万输入 token 收费，输出 token 收 $0；一次请求里共享的那份输入只按一次计费，不管你问多少个问题，每多问一个只增加这个问题自己的说明和判定标准的 token（[官方博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。没有输出 token 费、没有变动的思考 token 账单、也没有单独的音频转写和 OCR 费。Google 自己给的对比是：在一套共享的评测集上，Gemini Decision 1 配 Decisions API 比 Gemini 3.5 Flash-Lite 配 Interactions API 便宜近 5 倍，差价来自输出不计费和一份输入在多个问题间共享（[Google 博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。这些评测数字是 Google 自己的、底层评测集没有公开，本文不替它背书，只当作一侧说法。

Google 还在博客里列了四个内部用法，每一个都对应延迟敏感的判断场景：Gemini Notebook 用它做实时路由器，用毫秒级把进来的查询按意图送到合适的模型档位和思考强度，日常查询延迟最多降 40%；设计工具 Stitch 的 rapid canvas 实验用它几秒生成可交互线框；Google Labs 的 CC 用它从 200 多个表情里即时挑一个；Google 搜索把它当作 MCP 工具的安全层，在延迟预算内检测对抗内容（[Google 博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。评论分拣和这些场景同属一类：选项固定、要快、要便宜。模型页也把请求路由、一次对许多规则做策略检查、按评分表给候选打分列为推荐用途（[Gemini Decision 1 模型页](https://aistudio.google.com/docs/models/gemini-decision-1)）。

## 把评论接进来：三处真调

判断接口要有东西可判，评论从 EveryInfra 的数据接口来。我们先读了免费的目录 `GET /api/v1/social/catalog`（不需要 Key，[目录地址](https://api.everyinfra.com/api/v1/social/catalog)），确认三处评论能力的参数、价格和返回字段。三处的 `price_usd` 都是 0.001389，即每次调用 $0.001389，一次返回一列评论只算一次调用。Google 地图评论每次默认 20 条、最多 100 条；App Store 评论默认 30 条、最多 500 条；Google Play 评论默认 40 条、最多 200 条（[Google 地图评论目录](https://api.everyinfra.com/api/v1/social/catalog?platform=google_maps_reviews)、[App Store 目录](https://api.everyinfra.com/api/v1/social/catalog?platform=app_store)、[Google Play 目录](https://api.everyinfra.com/api/v1/social/catalog?platform=google_play)）。

| 能力 | 必填参数 | 本文用法 | 每次价格 | 本文用到的返回字段 |
| --- | --- | --- | --- | --- |
| `google_maps_reviews/reviews` | `url` | `sort: newest`、`lang: en` | $0.001389 | `rating`、`text`、`reviewer_name`、`is_local_guide`、`owner_response`、`posted_at` |
| `app_store/reviews` | `app_id` | `country: us`、`sort: newest` | $0.001389 | `rating`、`title`、`text`、`app_version`、`posted_at` |
| `google_play/reviews` | `app_id` | `country: us`、`language: en`、`sort: newest` | $0.001389 | `score`、`title`、`text`、`reply_text`、`app_version`、`posted_at` |

第一处要先拿到一个地点链接。00:19 新加坡时间我们调 `google_maps_reviews/search`，关键词 `dentist in Chicago`，返回 15 家诊所（[Google 地图评论搜索能力](/google-maps-reviews-api/reviews)），我们挑了评论数最多的 Downtown Dental - Loop（1390 条、4.7 星），把它带 `query_place_id` 的完整链接传给 `reviews`。同一时刻 00:19 拉回 20 条最新评论，19 条五星、1 条一星，20 条全部有商家回复（`owner_response`），其中 6 条来自 Google 本地向导。这家诊所的最新评论几乎全是好评，那条一星就是要人工看的那条。

第二处和第三处换成应用评论，因为应用评论的差评比例通常更高。00:20 新加坡时间我们调 `app_store/reviews`，`app_id` 用 Uber 的数字 ID `368677368`、`country: us`、`sort: newest`，拉回 30 条：21 条五星、1 条三星、8 条一星，8 条一星全是行程、扣费、客服一类的抱怨。00:23 新加坡时间我们调 `google_play/reviews`，`app_id` 用 Uber 的包名 `com.ubercab`、`language: en`，拉回 40 条：25 条五星、2 条四星、1 条三星、2 条两星、10 条一星，差评（≤2 星）12 条。三处的能力分别是 [`app_store/reviews`](/app-store-api/reviews) 和 [`google_play/reviews`](/google-play-api/reviews)。

![EveryInfra app_store/reviews 接口真实返回的截图：请求体 platform 为 app_store、action 为 reviews、app_id 为 368677368，时间 2026-11-17 00:20 新加坡时间；返回里 count 30、第一条评论的 rating 5 与 title，billing 里 charged_usd 0.001389 用青绿框标出；评论作者名已打码。](https://everyinfra.com/articles/gemini-decisions-api/img-api-response.webp)

app_store/reviews 一次真实返回，charged_usd 0.001389。作者名已打码，余额等内部字段已删。截于 2026 年 11 月 17 日新加坡时间。 [EveryInfra 接口真实返回，2026-11-17 00:20 SGT](https://api.everyinfra.com/api/v1/social/catalog?platform=app_store)

## 实测一：90 条真实评论里，23 条要人工跟进

把三处的评论合起来看，一共 90 条，按「≤3 星就要人工跟进」这条简单规则，23 条要跟进，占 25.6%。

![分组柱状图，三个平台各一组：Google 地图 20 条里 5 星 19、1 星 1；App Store 30 条里 5 星 21、3 星 1、1 星 8；Google Play 40 条里 5 星 25、4 星 2、3 星 1、2 星 2、1 星 10。标题：90 条评论的星级分布，低星集中在两个应用上。](https://everyinfra.com/articles/gemini-decisions-api/fig-03-review-ratings-dist.light.svg)

分平台看，Google 地图那家诊所只有 1 条要跟进（5%），而两个应用的差评比例高得多：App Store 的 Uber 30 条里 8 条 ≤2 星、Google Play 的 Uber 40 条里 12 条 ≤2 星。差评往哪里集中，决定了你该先盯哪个渠道。

![横向条形图，需人工跟进的比例：Google 地图诊所 5%、App Store Uber 30%、Google Play Uber 32.5%、三处合计 25.6%（青绿色）。标题：按 3 星线分，四分之一的评论要人工看。](https://everyinfra.com/articles/gemini-decisions-api/fig-04-followup-share.light.svg)

星级只是粗筛。一条五星评论里也可能藏着问题（「很好，就是停车太难找」），一条一星也可能只是用户下错单。要判的是内容，而不是分数，这是把评论喂给判断接口的理由：让模型读评论正文，判断它是不是投诉、是不是涉及安全或扣费、要不要回。星级可以当一个便宜的预筛，把明显的五星好评挡在判断接口之外，只把拿不准的送进去，这样连判断的钱也能省一截。下面的账会按「全判」和「只判 ≤4 星」两种方式分别算。

这组数的边界要写清楚。90 条是三次单页返回的样本，不是这几家的全部评论；Google 地图那页按最新排序，赶上的是一段好评期，不代表这家诊所长期的差评率。要得到稳定的差评比例，得按分页拉够样本、或用目录里的 `mode: async` 翻更深，本文只用这 90 条演示判断流程，不用它们下关于某家商户的结论。

## 三条真实评论怎么分：判定标准下的预期归类

下面拿三条真实拉回的评论，按上一节的判定标准走一遍预期归类。这里的归类是人工按规则判的，用来对照三个问题该怎么设计；本文没有调用 Gemini 接口，所以不写模型实际返回的概率。三条分别来自 App Store Uber 的一条一星、Google 地图诊所的一条五星、Google Play Uber 的一条一星，正文已概述、未逐字引用。

| 评论（概述） | `needs_followup`（yes/no） | `route_to`（多选） | `severity`（0–3） |
| --- | --- | --- | --- |
| 行程被取消仍被扣费、客服只回模板（App Store 一星） | 是 | billing（扣费） | 2（服务失败） |
| 夸赞牙医和卫生员、体验很好（Google 地图五星） | 否 | no_action | 0（不急） |
| 应用一直闪退、打不开（Google Play 一星） | 是 | support_quality（功能问题） | 1–2（看是否普遍） |

三条评论的判定标准互不相同，但都能用同一组问题覆盖：`needs_followup` 把要不要人工挑出来，`route_to` 决定进哪个队列，`severity` 决定优先级。按官方说明，三个问题在同一份输入上并行、互相看不见地打分，所以这组设计一次问完不比只问一件慢多少（[多问题一节](https://aistudio.google.com/docs/decisions-api#multiple-questions)）。设计问题时，判定标准要把边界写清楚：比如「扣费争议、安全问题、未解决的投诉」算要跟进，「表扬、轻微偏好、已解决」算不要跟进，让模型在两段描述之间定位，而不是凭一个模糊的「要不要跟进」去猜。

## 判定标准怎么写才判得准

把一条评论判对，关键在于你把要判的事拆得够细、说得够清楚；模型聪明与否是次要的。评论分拣里最常见的毛病，是把一个大问题囫囵问出去，比如「这条评论严重吗」。严重对不同的业务意味着不同的东西：对一家餐厅，食品安全最严重；对一个打车应用，司机行为和扣费最严重；对一个电商卖家，假货和退款最严重。模型没法替你定义什么叫严重，所以判定标准要把这些业务含义写进去，用具体的句子描述每一档分别是什么样子，而不是留一个让模型自己揣摩的空词。官方文档把这件事说成「问窄而单一目的的问题」，并建议用原子化的检查，再在代码里用条件和权重把答案组合起来，而不是指望一个问题直接给出最终动作（[最佳实践一节](https://aistudio.google.com/docs/decisions-api#best-practices)）。

拆问题有几条可操作的经验。第一，把一个复合判断拆成几个单一判断。与其问「这条评论要不要紧急处理」，不如分别问「是不是涉及安全」「是不是涉及扣费」「商家回过没有」，再在代码里规定「涉及安全就直接置顶，涉及扣费且商家没回就进退款队列」。这样每个问题都好写判定标准，也好单独核对对错。第二，给 yes/no 问题补上两段描述。`noul` 允许写 `true_description` 和 `false_description`，把容易混的情况提前区分，比如「用户抱怨价格贵」到底算不算产品缺陷，一句「缺陷指产品本身坏了或不能用，价格、尺寸、配送、偏好不算」就能把这类评论挡在缺陷队列之外。第三，评分的每一档都要有一句话定义，而不是只给一个数字范围。评分表从 0 开始，第 0 档写「不急」，第 1 档写「轻微问题」，第 2 档写「扣费或服务失败」，第 3 档写「安全或法律风险」，模型是在这几句话之间定位，描述越具体，打分越稳。同一套 0–3 的档数换个行业不用动，要重写的是每一档那句话：牙科诊所把「拔错牙、术后感染」放进第 3 档，打车应用把「司机骚扰、半路甩客」放进第 3 档，电商卖家把「收到假货、钱货两空」放进第 3 档。这句话就是你把业务知识喂给模型的地方，模型本身不知道对你的生意什么最严重。

判定标准写好以后，要用自己的数据核对，而不是看模型自己报告的置信度就信。把一批已经人工标过的评论喂进去，看模型的判断和人工标注差在哪里，差得多的那几类，往往是判定标准没写清楚，而不是模型不行。有媒体的测试里这个模型只通过了约六成的文档（[Tech Times 报道](https://www.techtimes.com/articles/330611/20261113/google-gemini-decisions-api-cuts-20-check-cost-16x-top-decision-model-passes-63-documents.htm)），这类数字提醒的正是：评测要用你自己的样本，别拿别人环境里的通过率当自己的。把判定标准当成一份会迭代的规则来维护，比一次写死更实际。

## 一次完整往返：EveryInfra 拉评论、Decisions API 打分

先看 EveryInfra 这一侧的真实请求。Key 只从环境变量读，不写进任何文件；返回里的 `billing.charged_usd` 是这次实际扣的钱。

```bash
curl -s https://api.everyinfra.com/api/v1/social \
  -H "Authorization: Bearer $EVERYINFRA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"platform":"app_store","action":"reviews",
       "params":{"app_id":"368677368","country":"us","sort":"newest"}}'
```

这一次返回 30 条评论，`billing.charged_usd` 是 0.001389。每条评论是一个对象，字段有 `rating`、`title`、`text`、`app_version`、`posted_at` 等。拿到评论后，把其中一条的正文作为 Decisions API 的输入，三个问题一次问完。下面的 Python 片段按官方文档的写法改写，输入换成一条真实评论的内容（一条行程被取消并扣费的一星评论）：

```text
from google import genai

client = genai.Client(http_options={"api_version": "v1beta"})

result = client.decisions.create(
    model="gemini-decision-1",
    input="Driver cancelled after 20 minutes and I was still charged a fee. "
          "Support only sent a template reply.",
    questions={
        "needs_followup": {
            "type": "noul",
            "instructions": "Does this review need a human follow-up?",
            "criteria": {
                "true_description": "Billing dispute, safety issue, or unresolved complaint.",
                "false_description": "Praise, minor preference, or already resolved.",
            },
        },
        "route_to": {
            "type": "choice",
            "instructions": "Which team should handle this review?",
            "criteria": {
                "billing": "Charge, refund, or payment problem.",
                "safety": "Driver behaviour or passenger safety.",
                "support_quality": "Slow or unhelpful customer support, or a broken app.",
                "no_action": "No action needed.",
            },
        },
        "severity": {
            "type": "score",
            "instructions": "Rate how urgent this review is.",
            "criteria": [
                "Not urgent.",
                "Minor issue.",
                "Billing or service failure.",
                "Safety or legal risk.",
            ],
        },
    },
)
```

按官方文档，REST 的等价写法是向 `https://generativelanguage.googleapis.com/v1beta/decisions` POST，用 `x-goog-api-key` 头带 Key（[快速开始一节](https://aistudio.google.com/docs/decisions-api#quickstart)）。返回体是一个 `answers` 对象加一个 `usage` 对象。文档给的返回样例里，一个 `noul` 答案形如 `{"type":"noul","noul":0.99,"confidence":0.99}`，`usage` 里 `total_output_tokens` 是 0（[官方文档返回样例](https://aistudio.google.com/docs/decisions-api)）。对上面三个问题，程序拿到的是三个带概率的答案：要不要跟进的概率、归哪个队加每个队的概率、紧急分加每一档的概率；再用 if 和阈值把它们合成一个动作。本文没有调用 Gemini 这一侧的接口，上面是按官方文档改写的配置示例，EveryInfra 一侧的每个数字来自真调的原始返回。

## 实测二：评论很短，判断的钱花在你的问题上

把真实评论的体积量出来，就能看清钱花在哪里。三处评论正文的平均字节分别是：Google 地图 143 字节、App Store 140 字节、Google Play 40 字节；中位数分别是 96、105、19 字节。Google Play 的评论最短，很多只有一句「doesn't work」或「great app」。按 Anthropic 定价页给的「约 4 字节 1 token」比例（[定价页 Web fetch 一节](https://platform.claude.com/docs/en/about-claude/pricing)），一条 Google 地图评论约 36 个 token，一条 Google Play 评论约 10 个 token。

![分组柱状图，三个平台每组两根：平均字节和中位字节。Google 地图 143/96，App Store 140/105，Google Play 40/19。右轴标注换算 token（÷4）：Google 地图约 36、App Store 约 35、Google Play 约 10。标题：真实评论很短，最短的中位数只有 19 字节。](https://everyinfra.com/articles/gemini-decisions-api/fig-05-review-token-size.light.svg)

一个判断请求的输入，除了评论正文，还有三条问题的说明和判定标准。把三条说明加上共享的那点前置文字，估成一个固定预算约 320 个 token（这是我们按上面配置片段里三条说明的长度估的，不是实测的计费值）。于是一条 Google 地图评论的请求约 356 个 token，评论正文只占 36÷356 ≈ 10%；一条 Google Play 评论的请求约 330 个 token，评论正文只占 10÷330 ≈ 3%。

![百分百堆叠横条图，三个平台各一条，分两段：判断说明占比和评论正文占比。Google 地图 90% 说明、10% 评论；App Store 90% 说明、10% 评论；Google Play 97% 说明、3% 评论。标题：判一条评论，输入成本九成以上是你写的判断说明。](https://everyinfra.com/articles/gemini-decisions-api/fig-07-instruction-vs-review-tokens.light.svg)

既然评论正文只占输入的个位数到十分之一，再去压缩评论（截断、去标点）省不下多少；要省，得从三条判断说明下手：把说明写短、把判定标准写得精炼，或者把能用星级预筛掉的五星好评挡在判断接口之外。

固定预算只是平均情形，真实评论有长尾。这 20 条 Google 地图评论里，最长一条有 876 字节、约 219 个 token，是中位数 96 字节（约 24 个 token）的九倍；一条这样的长评论，请求会涨到约 539 个 token，而不是平均的 356 个。所以按平均体积估出来的每千条成本是个中间值，评论写得越细、投诉越长的商户，判断那一侧的账会往上走。真要定预算，得按自己渠道的评论长度分布量一遍，而不是套一个平均数。

另一个方向是用一次请求判多条评论——官方允许一次最多 1000 个问题针对同一份共享输入，如果把若干条评论拼成一份输入、每条评论对应几个问题，共享输入只按一次计费，问题只按各自说明计费。这条路要自己把评论拼进一份输入并让每个问题指向对应的评论，适合同一份材料要问很多遍的场景；对一条评论一组问题的简单分拣，一条一次更直观。拼批量也有上限：一次最多 1000 个问题，评论分拣每条要问三个判断，一次最多塞约 333 条评论；而 256K token 的共享输入远吃不满（按中位 96 字节算，333 条正文才八千多 token），所以卡住批量大小的是问题数，不是输入长度。

## 算一笔账：判一千条评论要多少钱

把两侧的钱合起来，按一千条评论算。EveryInfra 这一侧只和调用次数有关：按每次返回的页大小，一千条 Google 地图评论要约 10 次调用（每次 100 条）、一千条 App Store 评论约 2 次（每次 500 条）、一千条 Google Play 评论约 5 次（每次 200 条），每次 $0.001389。Decisions API 这一侧按输入 token 算：一千条评论乘以每条请求的 token 数，再乘 $0.10 每百万。

| 做法（一千条评论） | Decisions API 打分 | EveryInfra 拉数 | 合计 |
| --- | --- | --- | --- |
| Google 地图评论（每条约 356 token） | 约 $0.0356 | 10 次调用 $0.0139 | 约 $0.0495 |
| App Store 评论（每条约 355 token） | 约 $0.0355 | 2 次调用 $0.0028 | 约 $0.0383 |
| Google Play 评论（每条约 330 token） | 约 $0.0330 | 5 次调用 $0.0069 | 约 $0.0399 |

![分组堆叠横条图，三个平台各一条，分两段：Decisions API 打分和 EveryInfra 拉数，单位美元。Google 地图 0.0356+0.0139=0.0495，App Store 0.0355+0.0028=0.0383，Google Play 0.0330+0.0069=0.0399（青绿色为 Decisions 段）。标题：判一千条评论，三处都在 4 到 5 美分之间。](https://everyinfra.com/articles/gemini-decisions-api/fig-06-triage-cost-1000.light.svg)

如果先用星级把五星好评挡在判断接口外，只判 ≤4 星的，再省一截。按我们这 90 条的分布，≤4 星的占比大约是 Google 地图 5%、App Store 约 30%、Google Play 37.5%，被送进判断接口的评论少了，Decisions API 那一侧的钱按比例下降，拉数的钱不变。预筛省下来的是判断那一侧的钱，省幅就等于被挡掉的比例。按我们这 90 条的分布，三处合起来约有四分之三是五星好评，星级预筛把它们挡在判断接口外，Decisions API 那一侧的调用量和花费大约降到全判的四分之一，拉数的钱一分不省（评论还是整页拉回来的）。预筛的代价是可能漏掉藏在五星里的问题，所以预筛规则要宽一点（比如把带「但是」「however」的五星也放进去）。两种做法的取舍如下表。

| 做法 | 送进判断的比例 | Decisions 成本（相对全判） | 风险 |
| --- | --- | --- | --- |
| 全判 | 100% | 基准 | 不漏，但多花在好评上 |
| 只判 ≤4 星 | 按渠道 5%–37.5% | 按比例下降 | 可能漏掉五星里的问题 |

这个账的边界要说清楚。固定预算 320 token 是估计值，真实计费要以 `usage.total_input_tokens` 为准，三条说明写长写短会让每条请求上下浮动几十个 token；表里没有算免费额度——Google AI Studio 给了一个免费层可以用来做原型，付费层才按上面的价（[Gemini API 定价页](https://ai.google.dev/gemini-api/docs/pricing)）；也没有算失败重试和翻页令牌的额外调用。换个角度，这个账说明两侧的钱是同一量级，拉一千条数据的钱（几分钱）和判一千条评论的钱（几分钱）差不多，没有哪一侧贵出一个数量级。

和用生成式模型逐条分类比，差在输出。一个生成式分类器要为每条评论吐出一段判断文字（哪怕只是一个短 JSON），这段输出要按输出价计费，量一大就成了主要成本；Decisions API 对这段输出收 $0，这也是 Google 给出近 5 倍差价的机制来源（[Google 博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。有媒体按「一份输入问 20 个问题」的批量方式算过一个更大的倍数：Tech Times 11 月 13 日报道，因为共享输入只计一次费，对一条 4000 token 的记录做 20 项检查，每一千条记录约 $0.50，而不是 $8.10，把 20 项检查的成本压到约十六分之一（[Tech Times 报道](https://www.techtimes.com/articles/330611/20261113/google-gemini-decisions-api-cuts-20-check-cost-16x-top-decision-model-passes-63-documents.htm)）。同一篇也提到，在它的测试里这个模型只通过了 63% 的文档，说明单看价格不够，准确率要按自己的数据核。Google 的近 5 倍和 Tech Times 的约 16 倍并不矛盾：差距取决于一份共享输入上问了几个判断——问得越多，那份输入的费用摊得越薄。Google 的对比接近一条输入问一两个判断，Tech Times 算的是一份 4000 token 的记录问 20 个判断。评论分拣多数是一条评论问三个判断，更接近前一个量级，别拿「16 倍」去估自己的省幅。

## 置信度决定谁来处理：自动、人工、还是忽略

每个答案都带一个 0 到 1 的置信度，这是把分拣自动化的关键。文档建议用置信度决定一个判断是自动执行还是上报：高置信的直接走分支，低置信的交给回退流程或人工（[置信度一节](https://aistudio.google.com/docs/decisions-api#confidence)）。放到评论分拣上，一条判断可以这样落地：`needs_followup` 的 `noul` 概率高且置信度高，自动建一张工单并按 `route_to` 归队；概率在中间或置信度低，推给人工复核；概率低且置信度高，归入无需处理，连工单都不建。

| 判断结果 | 置信度 | 动作 |
| --- | --- | --- |
| 要跟进概率高 | 高 | 自动建工单，按 `route_to` 归队 |
| 要跟进概率中等，或置信度低 | 低 | 推人工复核 |
| 要跟进概率低 | 高 | 归无需处理，不建工单 |

这套做法把人工从「每条都看」变成「只看拿不准的」。按我们这 90 条的分布，明显的五星好评（Google 地图那 19 条、两个应用的 46 条五星）大多会落进「概率低、置信度高」这一格，直接不建工单；进人工队列的是那 23 条低星加上少数置信度不高的。这也呼应文档里「原子检查、代码里组合」的建议：别让模型一次给出最终动作，而是让它给几个有把握的分数，动作由你的代码按阈值定（[最佳实践一节](https://aistudio.google.com/docs/decisions-api#best-practices)）。把阈值写进代码而不是模型，意味着你能在不改模型的情况下调整自动化的边界。一个可行的起点：`needs_followup` 概率 ≥0.85 且置信度 ≥0.8 才自动建单，两个阈值任一不够就进人工队列，上线后拿人工复核的结果把这两个数往上或往下挪。

有的评论天然落在两类之间。一条一星既抱怨被扣费、又说司机开得吓人，`route_to` 的概率会在退款和安全两个队列之间分得比较平，置信度随之偏低。判定标准写得再细，也总有这种评论；用置信度把它们交给人工复核，这套流程才不会在模棱两可的地方硬做决定。拿不准还有第二个信号可用：`choice` 返回的不只是胜出项，还有每个候选的归一化概率。如果前两名贴得很近（比如退款 0.46、安全 0.44），哪怕总的置信度看着还行，也该当成模棱两可处理，和低置信度一样推给人工。置信度看的是模型有多确定，概率分布看的是选项之间差多少，两个一起用比只看一个稳。

本地向导和商家回复这两个字段能进一步收窄人工队列。我们拉的 Google 地图那 20 条里，6 条来自本地向导、20 条全部已有商家回复；一条已经被商家回过的好评，几乎不需要再跟进。把「有没有 `owner_response`」当成一个预筛条件，或者写成一个 `noul` 问题（「这条评论商家回过了吗」），能把判断接口的调用量再压一截。这类字段在三处评论能力的 `response_fields` 里都能查到（[Google 地图评论目录](https://api.everyinfra.com/api/v1/social/catalog?platform=google_maps_reviews)）。

## 三种做法放一起比：人工、生成式模型、打分接口

同样是给评论分拣，常见的做法有三种，各有各的适用场景。第一种是纯人工，客服一条条看。好处是判断最灵活，能读出字里行间的情绪和言外之意；坏处是慢且贵，评论一多就看不过来，而且不同的人标注的尺度容易不一致。第二种是用生成式模型给每条评论写一段分析或一个结构化的判断。好处是能同时给出判断和建议回复，一步到位；坏处是每条都要生成并解析一段文字，输出按量计费，评论一多，输出的钱就成了大头，解析规则也要跟着模型的输出格式维护。第三种是用 Decisions API 这样的打分接口，只做判断、不写文字，判断结果交给代码去决定动作。好处是便宜、快、输出稳定（直接是概率和置信度）；坏处是它只能回答你预先定好的闭集问题，写回复、做总结这类开放式的活得另找生成式模型。

| 维度 | 纯人工 | 生成式模型分类 | 打分接口（Decisions API） |
| --- | --- | --- | --- |
| 判断灵活度 | 最高 | 高 | 限于预设的闭集问题 |
| 速度 | 慢 | 中（要生成文字） | 快（150–250 毫秒） |
| 成本随量增长 | 线性且高 | 输出占大头 | 只按输入，输出 $0 |
| 结果形态 | 人写的判断 | 要解析的文字 | 概率加置信度，可直接分支 |
| 适合 | 疑难和申诉 | 判断加写回复一步到位 | 大批量的归类、路由、优先级 |

三种做法并不互斥，实际落地往往是分层组合：便宜的规则预筛挡掉明显好评，打分接口做归类和优先级，拿不准的和要回信的才用到人工和生成式模型，每一层只处理它最划算的那部分。下一节把这条分层流程拆成能直接照着搭的五步。

## 边界：闭集判断能做什么、不能做什么

Decisions API 只处理闭集问题，它替换的是分类器和路由器，不是开放式生成。要让模型写一段给客户的回复、总结一周的评论趋势、或者从评论里抽出具体的产品缺陷描述，仍然要用生成式接口（[Interactions API 概览](https://aistudio.google.com/docs/interactions-overview)）。评论分拣的合理分工是：判断和归队用 Decisions API，写回复用生成式模型，两步串起来。

评论语言是另一个要注意的地方。我们拉 Google Play 评论时传了 `language: en`，但目录里写明语言选择不保证所有返回评论都是该语言的原文，`country` 在 Google Play 评论里也不改变返回哪些评价（目录里有一条 2026-10-25 的实测说明：同一 `language` 下 `us` 和 `gb` 返回的评价相同，要按国家比较评价应换 `language`，[Google Play 目录](https://api.everyinfra.com/api/v1/social/catalog?platform=google_play)）。实拉的 40 条里就混着西班牙语。好在 Decisions API 原生多模态、也能处理多语种文本，判定标准用英文写、评论正文保持原文，一般能判；但如果判定标准依赖某种语言的细微措辞，混语种会增加不确定，这时更要靠置信度把拿不准的交给人工。

拉数据本身也有拿不到的时候。目录对 Google Play 评论标注了一条实测说明：对美区英文评论，有些请求每次最多回 100 条，且 `reply_text`、`reply_at`、`language`、`url`、`title` 这几个字段可能缺失（[Google Play 目录](https://api.everyinfra.com/api/v1/social/catalog?platform=google_play)）。我们这次拉的 40 条就没有带商家回复（`with_reply` 为 0）。这有个直接的成本后果：Google 地图那 20 条全有 `owner_response`，能用「商家回过没有」这个最便宜的条件先挡一批；Google Play 这一页一个回复都没有，这条预筛就用不上，只能把更多评论直接送进判断接口，判断那一侧的调用量相应高一些。字段缺了，依赖这些字段的预筛条件就要留个兜底，或者换一个该渠道拿得到的字段来筛。遇到接口返回 503、没有扣费的情况，按文档重试即可，失败和空结果不扣费，这类现象能在返回的 `billing` 里对上。还要记住，Google 给的延迟和成本是它自己环境里的数，评论量大、判定标准复杂时，自己按 `usage` 和真实耗时重测一遍再定方案。

## 做成每天自动跑的评论分拣

把上面这些拼起来，就是一条每天自动跑的评论分拣流程，不需要人盯着。第一步是定时拉新评论：对每家商户或每个应用，按最新排序各拉一页，用评论里的发布时间和上次拉到的时间比，只保留新的；评论多的渠道按分页或异步模式翻够当天的量。第二步是预筛：用星级和商家回复字段把明显不用处理的好评挡掉，减少送进判断接口的条数。第三步是打分：把每条评论和三个问题一起发给判断接口，拿回「要不要跟进、归哪队、多严重」三个带概率和置信度的答案。第四步是落地：按置信度和阈值，高置信的自动建工单并归队、排优先级，低置信的进人工复核队列。第五步是回信：需要回客户的，用生成式模型按工单起草一段回复，人工确认后发出。

这条流程里，判断接口的低延迟让它可以放在评论进来的那一刻就跑，而不只是晚上批量跑：一条差评刚发出来，系统几乎立刻就能判出它要不要紧急处理，把要紧的差评在几秒内推到人工面前。对打车、外卖、酒店这类服务，差评跟进越快，挽回成功率越高，不必等第二天的批处理。给同一条评论多加几个判断维度也不会拖长响应，所以这套分拣可以随业务需要往里加问题，不用在延迟和维度之间折中。

成本上，这条流程的两侧都便宜且可预测。拉数按调用次数算，判断按输入 token 算，都不随评论长短剧烈波动，因为评论本来就短。一家每天新增几百条评论的商户，一个月的评论量在一两万条之间，按本文的单价估，拉数加判断的总花费也就几美元，低于一个客服看这些评论半小时的人力成本。换成我们实拉的那家牙科诊所，评论增速低得多，一天新增几条到十几条，一个月几百条，判断加拉数一个月也就几美分。把成本顶上去的是评论量：接口单价始终是零头，像 Uber 这类每天成千上万条的应用，调用次数堆起来才让账变大，也才值得认真算预筛和批量。接口费只是零头，成本的大头是把判定标准调准、把人工队列的阈值定对这两件事；这两件事做好了，花费就压得很低。再往前一步，把结果每天汇成一张「今天有几条要跟进、分别归哪个队」的报告，接到告警和工单系统上，可以参考我们写过的[应用评论告警](/blog/sms-mcp-review-alerts-google-maps-app-reviews)一篇。

开发者社区的上手材料也在跟上。2026-11-15 前后，YouTube 上陆续出现把三种问题类型讲清楚的短视频，演示怎么用一次请求同时问多条判断（[YouTube 短视频](https://www.youtube.com/shorts/7uauhNJ7TZI)），对照官方文档一起看，能更快把判定标准写对。

## 行业动向

- 2026-11-11：Google 发布 Gemini Decisions API 和 Gemini Decision 1，按 $0.10 每百万输入、输出不计费，通过 Google AI Studio 的 Gemini API 提供（[Google 博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。对评论分拣的意思：多了一个专门做闭集判断、按输入计费的便宜选项。
- 2026-11-11：多家科技媒体同日报道，SiliconANGLE 称 Google 正式进入「决策模型」市场，VentureBeat 强调一次请求可对同一份材料打最多 1000 个判断（[SiliconANGLE](https://siliconangle.com/2026/11/11/google-enters-the-decision-market-with-gemini-decisions-api/)、[VentureBeat](https://venturebeat.com/technology/googles-gemini-decision-1-model-scores-up-to-1-000-questions-in-one-api-call)）。对读者的意思：决策模型作为一类独立接口被确认，不再只是生成式模型的附带用法。
- 2026-11-12：Dataconomy 报道该接口一次调用可回答关于同一材料的最多 1000 个问题，面向需要软件快速做一连串小判断的开发者（[Dataconomy](https://dataconomy.com/2026/11/12/google-launches-gemini-decision-1-api-for-1000-questions/)）。对评论分拣的意思：同一批材料问很多遍的活，批量更划算。
- 2026-11-13：Tech Times 用「一份输入 20 项检查」算出每千条记录约 $0.50、比生成式路线省约十六倍，同时提醒其测试里模型只通过 63% 的文档（[Tech Times](https://www.techtimes.com/articles/330611/20261113/google-gemini-decisions-api-cuts-20-check-cost-16x-top-decision-model-passes-63-documents.htm)）。对读者的意思：价格优势明显，但准确率要按自己的数据验。
- 2026-11-14：开发者社区开始出教程，YouTube 上线《Gemini Decision 1: Practice In Python》等上手视频，演示 `noul`、`choice`、`score` 三种问题怎么写（[YouTube](https://www.youtube.com/watch?v=rgBOfmtFWjQ)）。对读者的意思：第三方上手材料跟上，接入门槛进一步降低。
- 2026-11-16：模型路由成为同期热点，devops.com 报道 Gemini 4 Hydrogen 把模型选择变成一次路由决策，和 Decisions API 做路由的用法呼应（[devops.com](https://devops.com/googles-gemini-4-hydrogen-turns-model-choice-into-a-routing-decision)）。对读者的意思：把判断从生成里拆出来、单独做一次快速打分，正在成为一种通用做法。
- 2026-11-11：生态接入同步铺开，Google 列出 OpenRouter、LangChain、Vercel、LiteLLM、Pydantic AI、Pipecat、LiveKit、OpenCode，以及 `google-genai` SDK，Gemini in Google Cloud 支持随后到（[Google 博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)、[LangChain 文档](https://docs.langchain.com/oss/python/integrations/providers/google)）。对读者的意思：已经在用这些框架的，接起来不用从零写。

## 常见问题

**Gemini Decisions API 和普通的 Gemini 对话接口有什么不一样？** 它只对闭集问题打分，不生成答案文字。输入一份材料和一组问题，返回每个问题的概率和 0–1 置信度，输出 token 始终是 0，代码可以直接分支、排序、路由（[官方文档](https://aistudio.google.com/docs/decisions-api)）。对话接口生成给人读的文字，适合写回复、做总结。

**判一千条评论到底多少钱？** 按本文的真实评论体积估，三处评论都在每千条 $0.038 到 $0.050 之间，含 Decisions API 打分和 EveryInfra 拉数两侧，按公开价算（[Gemini 定价页](https://ai.google.dev/gemini-api/docs/pricing)、[EveryInfra 目录](https://api.everyinfra.com/api/v1/social/catalog)）。真实计费以返回里的 `usage.total_input_tokens` 和 `billing.charged_usd` 为准。要注意这个估价建立在评论很短的前提上，如果你的输入里还塞了图片、音频或整页的截图，输入 token 会涨上去，判断那一侧的钱也跟着涨，这时就要把多模态输入的分辨率调低来控制 token 数，官方允许对图片和视频输入调分辨率以平衡清晰度和成本。另外免费层只适合原型，上了量要走付费层，额度和限流以你账户的实际为准，上线前最好用真实样本小跑一轮把每条的实际 token 数量出来再推算总价。

**为什么说它比生成式模型做分类便宜？** 生成式分类器要为每条评论吐出一段判断文字，输出按输出价计费，量大时是主要成本；Decisions API 对输出收 $0，一份共享输入在多个问题间只计一次费。Google 给的对比是比 Gemini 3.5 Flash-Lite 配 Interactions API 便宜近 5 倍（[Google 博客](https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/)）。

**评论从哪里来，支持哪些平台？** 本文从 EveryInfra 的 `google_maps_reviews/reviews`、`app_store/reviews`、`google_play/reviews` 三处拉了真实公开评论，每次 $0.001389。除了这三处，目录里还有不少带评论的平台，比如 Yelp、TripAdvisor、Trustpilot、Amazon、Etsy、Glassdoor 等，判断流程是同一套，换的只是拉评论的能力名和参数。平台总览见 [Google 地图评论接口](/google-maps-reviews-api)、[App Store 接口](/app-store-api)、[Google Play 接口](/google-play-api)，全部能力见[目录](https://api.everyinfra.com/api/v1/social/catalog)。

**置信度低的评论怎么办？** 文档建议用置信度分流：高置信的自动走分支，低置信的交给回退流程或人工复核（[置信度一节](https://aistudio.google.com/docs/decisions-api#confidence)）。评论分拣里，把置信度不高的推进人工队列，比盲目全自动稳妥。

**一次能判多少条评论？** 一次请求最多带 256K token 的共享输入和最多 1000 个问题（[官方文档](https://aistudio.google.com/docs/decisions-api)）。一条评论一组问题的简单做法是一条一次；要把多条评论拼进一份输入批量问，适合同一材料反复判的场景。实际跑批量时，还要结合你账户的每分钟请求上限来排并发：拉评论和打分是两个不同的接口，各有各的限额，拉得太快或判得太快都可能撞到限流，按返回里的提示退避重试即可，不要一股脑并发猛打。

**判断结果要不要存下来？** 建议把每条评论的三个判断结果连同置信度一起存进自己的库，一方面可以事后复盘哪些判断和人工不一致、据此改判定标准，另一方面同一条评论短期内不用重复判，能省下重复的判断费。存的时候把评论的平台、能力、拉取时间和原始评分一并记下，方便追溯每个判断是基于哪条评论做的。

## 上手：三步把评论接进判断流程

1. 先拉评论。按[快速上手](/docs#quickstart)用 REST 调 `google_maps_reviews/reviews`、`app_store/reviews` 或 `google_play/reviews`，返回里的 `billing.charged_usd` 是这次扣的钱，失败和空结果不扣费。各家客户端的 MCP 配置见 [MCP 服务器页](/mcp-server)。
1. 定判断。按你的业务把「要不要跟进、归哪队、多严重」写成 `noul`、`choice`、`score` 三个问题，判定标准写清楚，参考 [Decisions API 文档](https://aistudio.google.com/docs/decisions-api)。
1. 按置信度落地。高置信自动建工单并归队，低置信推人工，低概率高置信归无需处理。想把评论做成一个每天自动分拣的产品，可以参考[评论数据产品化](/blog/review-data-productization)和[应用评论分拣](/blog/vs-code-copilot-cloud-automations-app-review-triage)两篇。价格和额度见[价格页](/pricing)。

## 参考资料

1. Google，《Gemini Decisions API: Fast multimodal decisions》，2026-11-11，https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/
1. Google AI Studio，《Decisions API》官方文档，2026-11，https://aistudio.google.com/docs/decisions-api
1. Google AI Studio，Decisions API「noul（yes/no）」一节，https://aistudio.google.com/docs/decisions-api#noul
1. Google AI Studio，Decisions API「choice（多选）」一节，https://aistudio.google.com/docs/decisions-api#choice
1. Google AI Studio，Decisions API「score（评分）」一节，https://aistudio.google.com/docs/decisions-api#score
1. Google AI Studio，Decisions API「confidence（置信度）」一节，https://aistudio.google.com/docs/decisions-api#confidence
1. Google AI Studio，Decisions API「multiple questions」一节，https://aistudio.google.com/docs/decisions-api#multiple-questions
1. Google AI Studio，Decisions API「best practices」一节，https://aistudio.google.com/docs/decisions-api#best-practices
1. Google AI Studio，Decisions API「quickstart」一节，https://aistudio.google.com/docs/decisions-api#quickstart
1. Google AI Studio，《Gemini Decision 1》模型页，2026-11，https://aistudio.google.com/docs/models/gemini-decision-1
1. Google AI Studio，《Interactions API overview》，https://aistudio.google.com/docs/interactions-overview
1. Google，《Gemini Developer API pricing》，2026-11，https://ai.google.dev/gemini-api/docs/pricing
1. Google，《Gemini API rate limits》，https://ai.google.dev/gemini-api/docs/rate-limits
1. Google，《Gemini API quickstart》，https://ai.google.dev/gemini-api/docs/quickstart
1. Google，《Gemini API billing》，https://ai.google.dev/gemini-api/docs/billing
1. Google，《Gemini API models》，https://ai.google.dev/gemini-api/docs/models
1. EveryInfra，数据能力目录，2026-11-17 读，https://api.everyinfra.com/api/v1/social/catalog
1. EveryInfra，Google 地图评论目录，https://api.everyinfra.com/api/v1/social/catalog?platform=google_maps_reviews
1. EveryInfra，App Store 评论目录，https://api.everyinfra.com/api/v1/social/catalog?platform=app_store
1. EveryInfra，Google Play 评论目录，https://api.everyinfra.com/api/v1/social/catalog?platform=google_play
1. Model Context Protocol，Streamable HTTP 传输规范，2025-06-18，https://modelcontextprotocol.io/specification/2025-06-18/basic/transports
1. Model Context Protocol，生命周期规范，2025-06-18，https://modelcontextprotocol.io/specification/2025-06-18/basic/lifecycle
1. Claude Code，MCP 文档，https://code.claude.com/docs/en/mcp
1. Claude Code，成本文档，https://code.claude.com/docs/en/costs
1. Anthropic，定价页（字节与 token 的比例），https://platform.claude.com/docs/en/about-claude/pricing
1. GitHub，`googleapis/python-genai`，https://github.com/googleapis/python-genai
1. GitHub，`googleapis/js-genai`，https://github.com/googleapis/js-genai
1. LangChain，Google 集成文档，https://docs.langchain.com/oss/python/integrations/providers/google
1. LiteLLM，Gemini 提供方文档，https://docs.litellm.ai/docs/providers/gemini
1. Pipecat，Google 分类器文档，https://docs.pipecat.ai/api-reference/server/classifiers/google
1. LiveKit，Google 集成文档，https://docs.livekit.io/agents/integrations/google/
1. Pydantic AI，Google 模型文档，https://pydantic.dev/docs/ai/models/google/
1. OpenRouter，`google/gemini-decision-1`，https://openrouter.ai/google/gemini-decision-1
1. Vercel AI SDK，Google 提供方，https://ai-sdk.dev/providers/ai-sdk-providers/google
1. OpenCode，https://opencode.ai/
1. SiliconANGLE，《Google enters the decision model market with Gemini Decisions API》，2026-11-11，https://siliconangle.com/2026/11/11/google-enters-the-decision-market-with-gemini-decisions-api/
1. VentureBeat，《Google's Gemini Decision 1 model scores up to 1,000 questions in one API call》，2026-11-11，https://venturebeat.com/technology/googles-gemini-decision-1-model-scores-up-to-1-000-questions-in-one-api-call
1. Dataconomy，《Google Launches Gemini Decision 1 API For 1,000 Questions Per Call》，2026-11-12，https://dataconomy.com/2026/11/12/google-launches-gemini-decision-1-api-for-1000-questions/
1. Tech Times，《Google Gemini Decisions API Cuts 20-Check Cost 16x...》，2026-11-13，https://www.techtimes.com/articles/330611/20261113/google-gemini-decisions-api-cuts-20-check-cost-16x-top-decision-model-passes-63-documents.htm
1. MarkTechPost，《Google Launches Gemini Decisions API With Gemini Decision 1 at $0.10/M Tokens》，2026-11-11，https://www.marktechpost.com/2026/11/11/google-gemini-decisions-api-gemini-decision-1/
1. Techzine，《Google introduces Gemini Decision 1 for AI decisions》，2026-11-11，https://www.techzine.eu/news/applications/145770/google-introduces-gemini-decision-1-for-ai-decisions/
1. 36Kr，《Google Unveils Its First Decision-Making AI Model》，2026-11-11，https://eu.36kr.com/en/p/4066443558491008
1. devops.com，《Google's Gemini 4 Hydrogen Turns Model Choice Into a Routing Decision》，2026-11-16，https://devops.com/googles-gemini-4-hydrogen-turns-model-choice-into-a-routing-decision
1. YouTube，《Gemini Decision 1: Practice In Python》，2026-11-14，https://www.youtube.com/watch?v=rgBOfmtFWjQ
1. YouTube，《Google's AI That Doesn't Write Text (Decisions API Tutorial)》，2026-11-13，https://www.youtube.com/watch?v=UwaJygCdFW8
1. IETF，RFC 9110「HTTP Semantics」（429 与 Retry-After），https://www.rfc-editor.org/rfc/rfc9110
1. Python 文档，`json` 标准库，https://docs.python.org/3/library/json.html
1. Google AI Studio，Decisions API 文档索引（llms.txt 与 coding agents），https://aistudio.google.com/docs/coding-agents
