> ## Documentation Index
> Fetch the complete documentation index at: https://docs.fastino.ai/llms.txt
> Use this file to discover all available pages before exploring further.

> ## Agent Instructions
> Use https://docs.fastino.ai/llms.txt to discover and navigate pages. Use https://docs.fastino.ai/llms-full.txt when you need the complete documentation corpus. Use https://docs.fastino.ai/openapi.json as the source of truth for customer-facing routes. For GLiDE decision inference, call POST https://api.fastino.ai/v1/systemone with model fastino/GLiDE. Do not infer undocumented routes. Read API keys from FASTINO_API_KEY and never embed credentials in code, logs, or reports.

# GLiNER 2.5 Decide aufrufen

> Authentifizieren Sie sich und stellen Sie eine erste schema-definierte Klassifizierungsanfrage mit GLiNER 2.5 Decide.

Rufen Sie GLiNER 2.5 Decide über den OpenAI-kompatiblen Chat-Completions-Endpunkt von Fastino auf. Platzieren Sie den zu klassifizierenden Text in einer Benutzernachricht und definieren Sie die zulässigen Labels in einem `classifications`-Schema.

```text theme={null}
POST https://api.fastino.ai/v1/chat/completions
```

## Ihren API-Schlüssel einrichten

Erstellen Sie unter [Fastino Settings](https://agent.fastino.ai/api-keys) einen Schlüssel und stellen Sie ihn dann Ihrem Prozess bereit:

<CodeGroup>
  ```bash macOS/Linux theme={null}
  export FASTINO_API_KEY="your_api_key_here"
  ```

  ```powershell Windows theme={null}
  setx FASTINO_API_KEY "your_api_key_here"
  ```
</CodeGroup>

## Eine Klassifizierungsanfrage stellen

```bash theme={null}
curl -X POST "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/GLiNER-2.5-Decide",
    "messages": [
      {
        "role": "user",
        "content": "My subscription renewed after I cancelled it. Please refund the charge."
      }
    ],
    "schema": {
      "classifications": [
        {
          "task": "intent",
          "labels": ["refund_request", "cancel_subscription", "login_problem"],
          "multi_label": false
        }
      ]
    },
    "store": false
  }'
```

Jede Klassifizierungsaufgabe benötigt mindestens ein Label. Mit `multi_label: false` gibt Decide das Label mit dem höchsten Wert zurück.

## Die Antwort lesen

Eine erfolgreiche Antwort verwendet den Chat-Completions-Umschlag. Das Klassifizierungsergebnis ist ein JSON-String in `choices[0].message.content`:

```json theme={null}
{
  "model": "fastino/GLiNER-2.5-Decide",
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": "{\"intent\": {\"label\": \"refund_request\", \"confidence\": 0.999862551689148}}"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 13,
    "completion_tokens": 22,
    "total_tokens": 35
  },
  "token_usage": 35
}
```

Parsen Sie den Nachrichteninhalt, bevor Sie das Aufgabenergebnis lesen:

```python theme={null}
import json

# `body` is the decoded JSON response body.
result = json.loads(body["choices"][0]["message"]["content"])
intent = result["intent"]["label"]
confidence = result["intent"]["confidence"]
```

## Nächste Schritte

<CardGroup cols={2}>
  <Card title="Klassifikation" icon="brackets-curly" href="/de/concepts/gliner-2-5-decide-schema">
    Fügen Sie Multi-Label-Verhalten, mehrere Aufgaben und Klassifizierungsschwellenwerte hinzu und parsen Sie die Ergebnisse.
  </Card>

  <Card title="API-Referenz" icon="book" href="/de/api-reference/inference/chat-completions">
    Sehen Sie sich den vollständigen Vertrag für `POST /v1/chat/completions` an.
  </Card>
</CardGroup>


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.