Redacción de textos para comercio electrónico y respuestas de atención al cliente con glm-5.3

Los equipos de comercio electrónico necesitan un flujo constante de textos breves y estructurados: títulos de productos, listas de viñetas, respuestas sobre guías de tallas, respuestas sobre políticas de devolución, respuestas a reseñas. Es un problema de texto, no de imagen, y conviene aclararlo de antemano: glm-5.3 no ayuda en absoluto en la mitad de "generar imágenes de productos" de una cadena de contenido de comercio electrónico.

glm-5.3 está disponible a través de la API de hiapi y es un modelo puramente de texto, accesible mediante el endpoint compatible con OpenAI Chat Completions. No tiene entrada ni salida de imágenes: si buscas fotografía de productos con IA, consulta la guía del flujo de trabajo de comercio electrónico con GPT Image 2. Lo que glm-5.3 hace bien es convertir tablas de especificaciones en bruto o mensajes de clientes en texto limpio y conforme a las políticas, y cada respuesta muestra reasoning_content para que veas cómo llegó a su respuesta.

Esta guía cubre dos casos de uso reales de comercio electrónico —redacción de textos de productos y respuestas de atención al cliente— con llamadas API reales, uso real de tokens y coste real por solicitud.

Qué es exactamente glm-5.3: un modelo de texto que siempre razona

glm-5.3 no ofrece niveles de razonamiento opcionales. Cada respuesta incluye un campo reasoning_content junto al content final, y no hay ningún parámetro reasoning_effort para subirlo o bajarlo; según la documentación del modelo, la "intensidad de razonamiento opcional" queda explícitamente fuera del contrato público. Admite stream, response_format (modo JSON) y tools/tool_choice al estilo de OpenAI para llamadas a funciones, pero la profundidad del razonamiento la decide el modelo, no tú.

Esto importa para el presupuesto: en las pruebas de esta guía, una solicitud sencilla de redacción de textos consumió más tokens de razonamiento que una respuesta de atención al cliente que realmente necesitaba aplicar la política de devoluciones. No puedes predecir el coste según la complejidad de la tarea como harías con un modelo por niveles; consulta los detalles más abajo.

Caso de uso 1: redactar textos de productos a partir de una tabla de especificaciones

Una tarea típica de catálogo de productos: convertir puntos de especificaciones en bruto en un título más una lista de viñetas formateada, sin inventar funciones que no estén en las especificaciones.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "system",
        "content": "You write e-commerce product listings. Output a title under 70 characters and 4 bullet points in ALL-CAPS-LEAD style. Do not claim features not in the spec."
      },
      {
        "role": "user",
        "content": "Product: insulated stainless steel water bottle. Capacity: 32oz. Keeps cold 24 hours, hot 12 hours. Leak-proof lid. BPA-free. Available in 6 colors."
      }
    ]
  }'

Contenido de la respuesta:

Título: Botella de agua térmica de acero inoxidable de 32 oz – Mantiene el frío 24 h y el calor 12 h

Lista de viñetas:

• AISLAMIENTO DE ACERO INOXIDABLE: mantiene el frío hasta 24 horas y el calor hasta 12 horas.
• CAPACIDAD DE 32 ONZAS: gran capacidad de 32 onzas para mantenerte hidratado todo el día.
• TAPA A PRUEBA DE FUGAS: diseño de tapa seguro que evita derrames cuando estás fuera de casa.
• SIN BPA, 6 COLORES: fabricada con materiales sin BPA y disponible en 6 colores.

La descripción del producto se ciñe estrictamente a las especificaciones: no inventa afirmaciones sobre tecnología de aislamiento ni certificaciones no proporcionadas. Uso real de esta llamada: 89 tokens de prompt, 1.146 tokens de completion (de los cuales 1.018 son reasoning_content), coste total $0.0180.

La cantidad de tokens de razonamiento es lo sorprendente. Se trata de una tarea de reformateo sin lógica de políticas que aplicar, y aun así el modelo gastó más de mil tokens pensando en recuentos de caracteres y opciones de redacción antes de escribir las cuatro viñetas.

Caso de uso 2: respuestas de atención al cliente

Las preguntas de atención al cliente requieren un razonamiento real sobre políticas, no solo reformateo: el modelo debe aplicar correctamente las reglas en lugar de hacer coincidencia de patrones con palabras clave.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "system",
        "content": "You are a support agent. Return policy: returns accepted within 30 days if unused and in original packaging. Customer pays return shipping unless the item arrived damaged or wrong. Refunds post 5-7 business days after warehouse receives the item."
      },
      {
        "role": "user",
        "content": "I ordered the wrong size 10 days ago, item is unopened. Can I return it, and who pays shipping?"
      }
    ]
  }'

Respuesta:

¡Sí, puedes devolverlo! Así encaja tu situación con nuestra política:

• Elegibilidad: sigues dentro del plazo de 30 días (han pasado 10 días) y el artículo no está abierto, por lo que cumples el requisito de no usado/embalaje original.
• Gastos de envío de la devolución: como el artículo se envió según lo pedido (el error de talla es responsabilidad de quien hizo el pedido, no un problema de cumplimiento del pedido), los gastos de envío de la devolución corren de tu parte. Solo cubrimos los gastos de envío de la devolución cuando el artículo llega dañado o se envía el artículo equivocado.
• Plazo del reembolso: una vez que nuestro almacén reciba el artículo, tu reembolso se procesará en un plazo de 5-7 días hábiles.

Si quieres, puedo ayudarte a iniciar el proceso de devolución; solo dime tu número de pedido.

El modelo distinguió correctamente entre "el cliente eligió la talla equivocada" y "nosotros enviamos el artículo equivocado", una distinción que determina quién paga el envío, en lugar de limitarse a coincidir con la palabra "devolución". Es una aplicación real de la política, y este tipo de respuesta en borrador es justo la que un agente humano puede aprobar en segundos sin escribirla desde cero.

Uso real de esta llamada: 87 tokens de prompt, 358 tokens de completion (de los cuales 200 son reasoning_content), coste total $0.0059, aproximadamente un tercio de la llamada de redacción anterior, aunque realiza un trabajo que realmente requiere aplicar reglas.

Consideraciones de coste para ejecutar a gran escala

glm-5.3 en hiapi tiene un precio de $4.40 por millón de tokens de entrada y $15.40 por millón de tokens de salida; la salida incluye la respuesta visible y el reasoning_content oculto, así que tu factura depende de cuánto decida pensar el modelo, no de lo compleja que parezca la tarea desde fuera. En las dos llamadas anteriores, la tarea de redacción "simple" costó unas 3 veces más que la tarea de atención al cliente "difícil", simplemente por la variación de los tokens de razonamiento.

Si vas a operar por volumen de catálogo o de tickets, hay dos medidas prácticas de protección:

• Establece max_tokens como límite máximo estricto del presupuesto de razonamiento + completion por llamada, de modo que una sola solicitud no se descontrole en coste aunque el modelo decida razonar durante mucho tiempo.
• Deriva las tareas deterministas de bajo riesgo a otros modelos si un coste predecible por llamada importa más que la calidad de la salida; los modelos con niveles de razonamiento opcionales (como kimi-k3, que ofrece low/high/max) ofrecen un control de costes que glm-5.3 no tiene.

glm-5.3 merece la pena frente a esa impredecibilidad precisamente en el caso de uso de atención al cliente mencionado: en esas tareas, el coste de equivocarse en la lógica de la política es mucho mayor que gastar unos céntimos más en tokens de razonamiento.

Empezar

Las dos llamadas anteriores se dirigen a la misma página del modelo glm-5.3 y al endpoint Chat Completions; sustituye el prompt del sistema según tu tarea y tendrás una cadena de redacción o de respuestas de atención al cliente lista para usar. Para la configuración básica (clave API, primera solicitud curl, ejemplo en Python), consulta la guía de la API de glm-5.3. Antes de ejecutar a gran escala, revisa los precios actuales, ya que el coste de salida es la variable más difícil de predecir aquí.