GPT-6 Luna Prompt-Beispiele: 5 Batch-Szenarien zum direkten Kopieren

Die folgenden 5 Szenarien sind typische Batch-Aufgaben, bei denen GPT-6 Luna seine Stärken ausspielt: Klassifikation, Extraktion, Umschreiben, Fragebeantwortung und Agent. Zu jedem Szenario gibt es den vollständigen Prompt und Parameterempfehlungen, die sich direkt kopieren und verwenden lassen. GPT-6 Luna ist bereits auf HiAPI verfügbar. Öffnen Sie die Modellseite und chatten Sie direkt los – neue Nutzer erhalten bei der Registrierung 200 Punkte geschenkt.

1. Batch-Klassifikation: Sentiment-Analyse von Produktbewertungen

Anforderung: Täglich gehen einige Tausend Nutzerbewertungen ein, die nach Sentiment in positive/neutral/negative eingeteilt werden müssen, und gleichzeitig sollen die genannten konkreten Produktmerkmale extrahiert werden.

Wichtige Parameter: reasoning.effort=none (Klassifikation erfordert kein Reasoning), text.format mit json_schema, um eine strukturierte Ausgabe zu erzwingen.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Du bist ein Assistent zur Analyse von Produktbewertungen. Analysiere jede Nutzerbewertung und gib JSON aus, das das Sentiment (positive/neutral/negative), eine Liste der genannten Produktmerkmale und ob ein Kauf empfohlen wird enthält. Gib nur JSON aus, keinen zusätzlichen Text."
    },
    {
      "role": "user",
      "content": "Die Farbe ist schön, aber nach zwei Wochen ist der Boden abgefallen. Nicht zu empfehlen."
    }
  ],
  "text": {
    "format": {
      "type": "json_schema",
      "name": "review_analysis",
      "schema": {
        "type": "object",
        "properties": {
          "sentiment": {"type": "string", "enum": ["positive", "neutral", "negative"]},
          "features": {"type": "array", "items": {"type": "string"}},
          "recommend": {"type": "boolean"}
        },
        "required": ["sentiment", "features", "recommend"]
      }
    }
  }
}

Erwartete Ausgabe:

{
  "sentiment": "negative",
  "features": ["Farbe", "Haltbarkeit"],
  "recommend": false
}

Wenn reasoning.effort=none das Reasoning deaktiviert, gibt das Modell direkt strukturierte Ergebnisse aus, ohne Reasoning-Tokens zu erzeugen. Dieser Prompt verbraucht pro Aufruf etwa 200–300 Tokens (inklusive System-Prompt); bei der Standardstufe mit $0,025/M für Eingaben kostet 10.000 Mal pro Tag etwa $0,06. Mit Caching sinken die Kosten weiter, wenn der System-Prompt im Cache getroffen wird.

2. Strukturierte Extraktion: Felder aus Vertragstexten ziehen

Anforderung: Aus OCR-Texten von unstrukturierten Vertragsscans die Vertragsparteien, Beträge, Daten und wesentlichen Klauseln extrahieren.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Extrahiere die wichtigsten Informationen aus dem folgenden Vertragstext und gib JSON aus. Beträge in den Zahlentyp umwandeln, Datumsformat YYYY-MM-DD. Wenn ein Punkt nicht vorhanden ist, das entsprechende Feld auf null setzen. Gib nur JSON aus."
    },
    {
      "role": "user",
      "content": "Auftraggeber: Shanghai Zhima Network Technology Co., Ltd.\nAuftragnehmer: Hangzhou Shuyun Information Technology Co., Ltd.\nVertragsbetrag: Einhundertzwanzigtausend RMB (¥120.000)\nUnterzeichnungsdatum: 15. Oktober 2026\nVertragslaufzeit: 12 Monate ab Unterzeichnung\nZahlungsbedingungen: 50 % innerhalb von 7 Werktagen nach Vertragsunterzeichnung, Restbetrag von 50 % nach Abnahme"
    }
  ],
  "text": {
    "format": {
      "type": "json_schema",
      "name": "contract_extraction",
      "schema": {
        "type": "object",
        "properties": {
          "party_a": {"type": "string"},
          "party_b": {"type": "string"},
          "amount": {"type": "number"},
          "sign_date": {"type": "string"},
          "duration_months": {"type": "number"},
          "payment_terms": {"type": "string"}
        },
        "required": ["party_a", "party_b", "amount", "sign_date"]
      }
    }
  }
}

Erwartete Ausgabe:

{
  "party_a": "Shanghai Zhima Network Technology Co., Ltd.",
  "party_b": "Hangzhou Shuyun Information Technology Co., Ltd.",
  "amount": 120000,
  "sign_date": "2026-10-15",
  "duration_months": 12,
  "payment_terms": "50 % innerhalb von 7 Werktagen nach Vertragsunterzeichnung, Restbetrag von 50 % nach Abnahme"
}

Im Schema sind unter required nur die Kernfelder aufgeführt; Hilfsfelder (duration_months, payment_terms) sind nicht verpflichtend und führen nicht zu Fehlern, wenn sie im Text fehlen.

3. Batch-Umschreiben: Texte entdoppeln und Stil vereinheitlichen

Anforderung: Eine Reihe von Produktbeschreibungen aus den Originaltexten verschiedener Lieferanten in einen einheitlichen Markenton umschreiben und gleichzeitig Duplikate entfernen.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Du bist ein E-Commerce-Content-Redakteur. Schreibe die folgende Produktbeschreibung in einen einheitlichen Markenton um: prägnant, professionell, mit klarer Hervorhebung der Anwendungsszenarien. Behalte alle faktischen Informationen (Größe, Material, Funktionen) bei und füge keine Inhalte hinzu, die nicht im Original stehen."
    },
    {
      "role": "user",
      "content": "Diese Kaffeetasse ist wirklich super praktisch! 304-Edelstahl-Innenbehälter, hält 6 Stunden warm, Fassungsvermögen 380 ml. Der Deckel hat einen Dichtungsring, läuft in der Tasche nicht aus. Geeignet für Büro und Outdoor."
    }
  ]
}

Erwartete Ausgabe:

380-ml-Edelstahl-Thermobecher, 304-Innenbehälter, 6 Stunden Warmhaltung. Dichter Deckel, auslaufsicheres Design. Geeignet für Büro und Outdoor.

Für Umschreibungsaufgaben reasoning.effort=none setzen: Jede Eingabe umfasst etwa 150 Tokens, die Ausgabe etwa 80 Tokens; bei Abrechnung mit $0,025/$0,125 kosten 1.000 Stück etwa $0,014. Bei identischem System-Prompt sinken die Eingabekosten nach einem Cache-Treffer um eine weitere Stufe.

4. Automatische FAQ-Beantwortung: Häufige Kundendienstfragen

Anforderung: Produkthandbuch und Kundendienst-FAQ-Dokument als System-Prompt verwenden, um häufige Nutzerfragen automatisch zu beantworten. Kein Reasoning nötig, aber die Dokumentinhalte müssen korrekt zitiert werden.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Du bist der Kundendienstassistent von HiAPI. Hier sind die Produktinformationen, die du kennen musst:\n\nHiAPI ist eine API-Zwischenschichtplattform für KI, die Text-, Bild-, Video- und Audiomodelle bündelt.\n\nPreismodell: Abrechnung pro Token oder pro Bild, Details auf der Seite /pricing.\nNeue Nutzer erhalten bei der Registrierung 200 Punkte.\nAPI Key wird im Dashboard der Konsole erstellt.\nRückerstattungsrichtlinie: Bei fehlgeschlagener Generierung wird der vorab einbehaltene Betrag automatisch vollständig zurückerstattet.\n\nAntworte auf Deutsch und beantworte immer nur die Frage, die der Nutzer gestellt hat. Wenn du etwas nicht weißt, sag direkt, dass du es nicht weißt, und erfinde keine Informationen."
    },
    {
      "role": "user",
      "content": "Wird bei fehlgeschlagener Generierung trotzdem Geld berechnet?"
    }
  ]
}

Erwartete Ausgabe:

Nein. Bei fehlgeschlagener Generierung wird der vorab einbehaltene Betrag automatisch vollständig zurückerstattet.

Entscheidender Trick: Die vollständige Produktwissensdatenbank (FAQ-Dokumente, Produktbeschreibungen) in den System-Prompt legen und den Cache-Mechanismus nutzen (wiederholte System-Prompts, die den Cache treffen, kosten nur $0,0025/M). Fragen, deren Antwort im Dokument zu finden ist, werden sofort beantwortet; wenn nicht, wird direkt gesagt, dass man es nicht weiß. Eine Frage-Antwort-Runde verbraucht etwa 500 Tokens Eingabe und etwa 80 Tokens Ausgabe, in der Standardstufe etwa $0,000023.

5. Agent mit geringer Komplexität: Mehrstufige Abfrage und Zusammenfassung

Anforderung: Der Nutzer stellt eine Frage, das Modell fragt zuerst mit einem Tool den Preis ab, dann durchsucht es die Dokumentation und fasst schließlich alles in einem Satz zusammen. Kein tiefes Reasoning nötig, aber die Tools müssen präzise aufgerufen werden.

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "Den Preis eines bestimmten Modells auf HiAPI abfragen",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "Modellname, z. B. gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "In der HiAPI-Hilfedokumentation nach Schlüsselwörtern suchen",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "Suchbegriff"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "Du bist der intelligente Assistent von HiAPI. Wenn der Nutzer nach Preisen fragt, verwende get_model_price zur Abfrage; wenn er nach der Nutzung fragt, verwende search_knowledge_base zur Suche. Fasse die von den Tools zurückgegebenen Ergebnisse zusammen und antworte dem Nutzer in einem Satz."
    },
    {
      "role": "user",
      "content": "Welches ist günstiger: gpt-6-luna oder gpt-5.6-luna?"
    }
  ]
}

Dies ist der Ausgangspunkt der Agent-Schleife: Das Modell ruft zuerst get_model_price("gpt-6-luna") auf, dann get_model_price("gpt-5.6-luna") und fasst schließlich die Antwort zusammen. Wenn Sie die Tool-Implementierung selbst betreiben, senden Sie nach der Rückgabe des Ergebnisses den gesamten Gesprächsverlauf erneut an das Modell und fahren so fort, bis das Modell keine Tools mehr aufruft.

Luna eignet sich für solche Agenten mit geringer Komplexität: klare Tool-Aufrufe, kurze Reasoning-Ketten. Für komplexe mehrstufige Reasoning-Szenarien (mehr als drei Runden Tool-Aufrufe, Zwischenvalidierung und Fehlerkorrektur erforderlich) empfiehlt sich Terra oder Sol.

Drei Prinzipien für Sparsamkeit

• Reasoning abschalten, wenn es nicht nötig ist. Bei Klassifikation, Extraktion, Umschreiben und einfacher Fragebeantwortung reasoning.effort=none setzen; es werden keine Reasoning-Tokens erzeugt, und temperature sowie top_p können angepasst werden.
• Strukturierte Ausgabe mit json_schema erzwingen. text.format auf json_schema setzen, name und schema definieren; die Ausgabe geht direkt in die Datenbank, ohne nachträgliches Parsen.
• Lange Dokumente im System-Prompt unterbringen und mit Caching Geld sparen. Produktbeschreibungen, FAQ-Dokumente und Few-Shot-Beispiele in den System-Prompt legen; wiederholte Cache-Treffer kosten nur $0,0025/M.

Szenario	reasoning.effort	text.format	pro 1000 Stück ca.
Batch-Klassifikation	none	json_schema	$0,006
Strukturierte Extraktion	none	json_schema	$0,01
Inhaltsumschreibung	none	keine	$0,014
FAQ-Beantwortung	none	keine	$0,023
Einfacher Agent	low/medium	keine	$0,05–$0,15

Die tatsächlichen Kosten hängen von der Prompt-Länge und der Ausgabemenge ab. Die obigen Werte sind Schätzungen auf Basis typischer Token-Mengen; Eingaben werden mit $0,025/M und Ausgaben mit $0,125/M in der Standardstufe berechnet, Einsparungen durch Cache-Treffer sind nicht berücksichtigt.

Häufige Fragen

Beeinträchtigt reasoning.effort=none die Antwortqualität? Bei Klassifikation, Extraktion, Umschreiben und einfacher Fragebeantwortung hat es kaum Einfluss. Bei Aufgaben, die logisches Reasoning, Kausalanalyse und mehrstufige Ableitungen erfordern, low oder medium setzen.

Worin unterscheidet sich json_schema von „JSON ausgeben“ in einem normalen Prompt? json_schema garantiert auf Modellseite das Ausgabeformat; es erscheinen keine zusätzlichen Markdown-Markierungen oder Texterklärungen. Die Anweisung „JSON ausgeben“ in einem normalen Prompt kann gelegentlich Formatabweichungen zur Folge haben.

Wie spart man bei Batch-Aufgaben mit Batch mehr Geld? Fügen Sie der Anfrage "processing_mode": "batch" hinzu; Eingaben und Ausgaben werden jeweils um 50 % rabattiert. Geeignet für Aufgaben, die keine Echtzeitantwort erfordern.

Wie viele Runden sind in einer Agent-Schleife maximal möglich? Luna eignet sich für einfache Agenten mit 1–3 Runden Tool-Aufrufen. Für mehr Runden oder komplexe Abläufe mit Zwischenvalidierung empfiehlt sich Terra oder Sol.

Weitere Artikel zur GPT-6-Luna-Reihe

• GPT-6 Luna Modellseite: Online-Chat, 200 Punkte bei Registrierung geschenkt
• GPT-6 Luna API-Preise: $0,025/M Eingabe, das günstigste GPT auf HiAPI
• So nutzt man die GPT-6 Luna API: Anbindung über Responses API und Chat Completions
• GPT-6 Luna vs. GPT-5.6 Luna: Halber Preis – lohnt sich der Wechsel?

Kopieren Sie den obigen Klassifikations-Prompt, öffnen Sie die Modellseite und fügen Sie ihn ein, um den ersten Lauf zu starten. Die 200 Punkte aus der Registrierung reichen für über tausend Klassifikationen.