DeepSeek V4 Flash para comercio electrónico: textos de catálogo, respuestas de atención al cliente y llamadas a herramientas

Los equipos de comercio electrónico no solo necesitan imágenes de producto: la mayor parte del volumen de texto diario corresponde en realidad a textos de catálogo de productos, respuestas de atención al cliente basadas en documentos de políticas y consultas de estado de pedidos, y todas estas tareas deben ser lo bastante rápidas, lo bastante consistentes y lo bastante económicas como para ejecutarse para cada SKU y cada ticket.

deepseek-v4-flash, disponible a través de la API de hiapi, es un modelo de pesos abiertos de solo texto que no genera imágenes ni vídeo; si has llegado aquí buscando imágenes de producto generadas por IA, consulta la guía de flujos de trabajo de comercio electrónico con gpt-image-2. Lo que deepseek-v4-flash realmente hace bien es completar trabajo de texto de alto rendimiento a un coste extremadamente bajo, respaldado por una ventana de contexto de 1 millón de tokens, salida JSON nativa y capacidad de llamadas a herramientas compatible con OpenAI. Esta guía cubre tres casos de uso concretos de comercio electrónico —textos de catálogo de productos por lotes, respuestas de atención al cliente basadas en documentos de políticas y consultas de pedidos mediante llamadas a herramientas— con llamadas API reales, uso real de tokens y coste real por solicitud.

Por qué deepseek-v4-flash no es un modelo de imágenes de producto

deepseek-v4-flash es el miembro de la familia DeepSeek V4 centrado en velocidad y rentabilidad: un modelo de mezcla de expertos de pesos abiertos con 284B de parámetros totales, 13B activados por token, una ventana de contexto de 1.000.000 de tokens y una salida máxima de 384.000 tokens. Solo se ofrece a través del endpoint Chat Completions compatible con OpenAI de hiapi; no admite entrada visual ni generación de imágenes. Si tu flujo de trabajo de comercio electrónico necesita tanto fotografiar imágenes como redactar textos, la guía de comercio electrónico de kimi-k3 de hiapi presenta un modelo de razonamiento de solo texto comparable; para los casos de uso siguientes, las diferencias que realmente importan son la ventana de contexto mucho mayor de deepseek-v4-flash y un precio por token aproximadamente 30-40 veces menor (véase la sección de costes).

El modelo admite dos modos de respuesta —pensamiento (predeterminado) y no pensamiento— controlados por thinking.type, además de un parámetro reasoning_effort (que, cuando el pensamiento está activado, puede tomar high (predeterminado) o max). En nuestras propias pruebas, establecer thinking.type: "disabled" seguía produciendo una pequeña cantidad de reasoning_content y reasoning_tokens distintos de cero en lugar de eliminarlos por completo; conviene saberlo antes de asumir que "disabled" significa coste de razonamiento cero. Los costes medidos a continuación ya tienen en cuenta esta circunstancia.

Caso de uso 1: textos de catálogo de productos por lotes con una sola llamada en modo JSON

En lugar de enviar una llamada API independiente por cada SKU, introduce un lote de especificaciones sin procesar en una sola solicitud y exige una salida JSON estructurada. Aquí es donde entra en juego la ventana de contexto de 1 millón de tokens: las tablas de especificaciones de cientos de SKU caben fácilmente en una sola llamada, y response_format: {"type": "json_object"} te ofrece una salida que puede analizarse de forma automática y que tu canal de catálogo puede ingerir directamente, sin necesidad de extraer contenido de las respuestas de chat con expresiones regulares.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {
        "role": "system",
        "content": "Eres un redactor de textos de catálogo de productos de comercio electrónico. Dada una lista de especificaciones de productos sin procesar, devuelve un objeto JSON cuya clave sea \"products\", un array en el que cada elemento contenga: sku, title (máximo 70 caracteres), bullets (3 cadenas), meta_description (máximo 155 caracteres). Devuelve solo JSON."
      },
      {
        "role": "user",
        "content": "Redacta los textos de catálogo para los siguientes 3 SKU.\n\nSKU MW-201: zapatillas de running para hombre, empeine de malla, transpirables, peso 280 g, entresuela de EVA, suela exterior de caucho, tallas 7-13, colores: negro/rojo, negro/blanco, azul marino.\n\nSKU KB-114: juego de cuchillos de cocina de acero inoxidable, juego de 6 piezas, hojas de acero de alto carbono, mangos ergonómicos, incluye soporte de madera, solo las hojas aptas para lavavajillas.\n\nSKU LP-330: cargador USB-C para portátil, carga rápida de 65 W, compatible con la mayoría de portátiles y teléfonos USB-C, cable trenzado de 1,8 m, enchufe compacto plegable."
      }
    ],
    "thinking": {"type": "disabled"},
    "response_format": {"type": "json_object"}
  }'

Respuesta real para estos 3 SKU:

{
  "products": [
    {
      "sku": "MW-201",
      "title": "Zapatillas de running para hombre - Malla transpirable, entresuela de EVA",
      "bullets": [
        "El empeine de malla transpirable mantiene los pies frescos y secos al correr",
        "Diseño ligero de 280 g y entresuela de EVA para una amortiguación ágil",
        "Suela exterior de caucho duradera, varios colores disponibles, tallas 7-13"
      ],
      "meta_description": "Compra las zapatillas de running para hombre MW-201: malla transpirable, entresuela de EVA, suela exterior de caucho. Ligeras, 280 g, tallas 7-13, disponibles en negro/rojo, negro/blanco y azul marino."
    }
  ]
}

usage real de esta llamada: 277 tokens de entrada, 962 tokens de salida (de los cuales 555 son tokens de razonamiento, incluso con el pensamiento desactivado), 1.239 en total. Con un precio de $0,14/M de entrada y $0,28/M de salida, tres páginas de producto de SKU completamente redactadas cuestan solo $0,00031; además, la misma forma de solicitud puede escalar a cientos de SKU por llamada antes de alcanzar el límite de contexto, en lugar de un ida y vuelta por SKU.

Caso de uso 2: incluir el documento de políticas completo en el contexto para generar respuestas de atención al cliente basadas en la política

Las respuestas de atención al cliente fallan porque el modelo parafrasea una política que en realidad no domina: o bien inventa una excepción, o bien pasa por alto una. Con una ventana de 1 millón de tokens, puedes pegar la política completa de devoluciones/garantía/envíos en el mensaje de sistema en cada solicitud, sin necesidad de recuperar y truncar fragmentos, de modo que el modelo razona sobre el documento real y no sobre fragmentos incompletos.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {
        "role": "system",
        "content": "Eres un agente de atención al cliente de Northwind Outdoor Gear. Responde basándote estrictamente en el documento de políticas proporcionado. Indica qué cláusula de la política se aplica. Si el cliente no cumple los requisitos para lo que solicita, indícalo claramente y explica para qué sí cumple los requisitos."
      },
      {
        "role": "user",
        "content": "Documento de políticas:\n<texto completo de la política de devoluciones/garantía>\n\nMensaje del cliente:\nHola, compré unas botas de senderismo hace 7 semanas y las he usado en dos rutas de montaña. Ahora la suela de la bota izquierda se está separando del cuerpo de la bota. Ya no tengo la caja original. ¿Puedo obtener un reembolso? ¿Tendré que pagar el envío de la devolución?"
      }
    ],
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high"
  }'

Tras introducir un documento real de políticas de devoluciones/garantía de 6 secciones, el modelo distinguió correctamente entre la política estándar de devoluciones de 30 días (no aplicable: las botas ya se han usado) y la garantía de 12 meses por defectos de fabricación (aplicable: la separación de la suela figura explícitamente en ella), señaló correctamente que las reclamaciones de garantía no requieren la caja original, aunque las devoluciones estándar sí, y eximió correctamente del coste de envío de la devolución a las reclamaciones por defectos. Es decir, se aplicaron correctamente cuatro detalles independientes de la política sobre un documento de 6 secciones pegado directamente en la solicitud.

usage real: 552 tokens de entrada, 730 tokens de salida (417 de razonamiento), 1.282 en total; con la base política completa y reasoning_effort: high, $0,00028 por respuesta.

Caso de uso 3: consultas reales de pedidos mediante llamadas a herramientas

Para tickets del tipo «¿dónde está mi pedido?», no quieres que el modelo adivine: quieres que llame a tu API de estado de pedidos y responda basándose en resultados reales. deepseek-v4-flash admite tools compatible con OpenAI y tool_choice: "auto" (el valor predeterminado compatible en modo de pensamiento; cuando el pensamiento está activado, algunos valores forzados de tool_choice no son compatibles).

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {"role": "system", "content": "Eres un asistente de estado de pedidos. Usa la herramienta get_order_status para consultar el pedido antes de responder."},
      {"role": "user", "content": "¿Dónde está mi pedido #A-88213?"}
    ],
    "tools": [{
      "type": "function",
      "function": {
        "name": "get_order_status",
        "description": "Consulta el estado de envío actual de un pedido de cliente por su ID de pedido.",
        "parameters": {
          "type": "object",
          "properties": {"order_id": {"type": "string", "description": "ID de pedido, por ejemplo A-88213"}},
          "required": ["order_id"]
        }
      }
    }],
    "tool_choice": "auto",
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high"
  }'

El modelo extrajo correctamente el ID de pedido y emitió una llamada a herramienta real —get_order_status({"order_id": "A-88213"})— en lugar de responder con una suposición. Ejecuta tu propia consulta, devuelve el resultado como mensaje tool y deja que el modelo redacte la respuesta final. Esta llamada usó 411 tokens de entrada y 75 tokens de salida (25 de razonamiento): solo el paso de enrutamiento cuesta $0,00008.

Cálculo de costes: cuánto cuesta realmente a escala

Calculando exactamente las mismas cantidades de tokens con los precios de kimi-k3 (entrada $2,32/M, salida $11,60/M) en lugar de los de deepseek-v4-flash (entrada $0,14/M, salida $0,28/M):

Llamada	deepseek-v4-flash	Mismos tokens en kimi-k3	Factor
Textos de catálogo de productos (3 SKU, modo JSON)	$0,00031	$0,0118	unas 38 veces
Respuesta de atención al cliente basada en la política	$0,00028	$0,0097	unas 35 veces

Calculado sobre 50.000 tickets de atención al cliente y 20.000 actualizaciones de SKU de catálogo al mes, esta es la diferencia entre unos $20 al mes y más de $700 al mes para la misma carga de trabajo, y eso sin contar que el mayor contexto de deepseek-v4-flash te permite procesar por lotes más trabajo en cada llamada desde el principio. Consulta la tabla de precios completa, que enumera en paralelo todos los modelos alojados por hiapi.

Primeros pasos

Necesitas una clave API de hiapi (la misma clave sirve para todos los modelos de la plataforma) y enviar una solicitud POST al endpoint Chat Completions:

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [{"role": "user", "content": "Devuelve un JSON con dos claves: summary y risks."}],
    "thinking": {"type": "disabled"},
    "response_format": {"type": "json_object"}
  }'

Para obtener información sobre respuestas en streaming, migrar clientes existentes del SDK de OpenAI y la referencia completa de parámetros (max_tokens, stream, thinking, reasoning_effort, response_format, tools), consulta la documentación de deepseek-v4-flash y el tutorial general de la API (con configuración de curl y Python). Antes de conectar tareas de catálogo por lotes, revisa los límites de velocidad. Lee la respuesta de choices[0].message.content; en modo de pensamiento, el rastro de razonamiento se encuentra en choices[0].message.reasoning_content; si vas a continuar un turno de llamada a herramientas, consérvalo en el mensaje del asistente.

Preguntas frecuentes

¿Puede deepseek-v4-flash generar imágenes de producto? No: es un modelo de solo texto. Si necesitas generar imágenes de producto en el mismo canal, combínalo con un modelo de imagen dedicado, como el presentado en la guía de comercio electrónico de gpt-image-2.

¿Desactivar el pensamiento garantiza un coste de razonamiento cero? En nuestras pruebas no fue así: thinking.type: "disabled" siguió generando reasoning_tokens distintos de cero y campos reasoning_content breves en cada llamada que enviamos, incluidas las respuestas de una sola palabra. Presupuesta según el usage medido, no solo según el nombre del parámetro.

¿Qué tamaño de catálogo o documento de políticas puedo pegar realmente? Una ventana de contexto de hasta 1.000.000 de tokens y una salida de hasta 384.000 tokens, suficiente para incluir en una sola solicitud un documento de políticas completo de varias páginas o un lote de tablas de especificaciones de cientos de SKU, muy por encima de la capacidad de contexto de la mayoría de los modelos.