Casos de prompts de GPT-6 Luna: 5 escenarios por lotes listos para copiar

Los 5 escenarios siguientes son tareas por lotes en las que GPT-6 Luna destaca: clasificación, extracción, reescritura, preguntas y respuestas, y agent. Cada uno incluye el prompt completo y las recomendaciones de parámetros; basta con copiar y usar. GPT-6 Luna ya está disponible en HiAPI; abre la página del modelo para conversar directamente. Los nuevos usuarios reciben 200 créditos al registrarse.

1. Clasificación por lotes: análisis de sentimiento de reseñas de productos

Necesidad: cada día llegan miles de reseñas de usuarios y hay que clasificarlas por sentimiento en positive/neutral/negative, además de extraer las características específicas del producto que se mencionan.

Parámetros clave: reasoning.effort=none (la clasificación no necesita razonamiento) y text.format con json_schema para forzar una salida estructurada.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Eres un asistente de análisis de reseñas de productos. Analiza cada reseña de usuario y genera un JSON que incluya el sentimiento (positive/neutral/negative), una lista de las características del producto mencionadas y si se recomienda comprarlo. Genera solo el JSON, sin texto adicional."
    },
    {
      "role": "user",
      "content": "El color es bonito, pero a las dos semanas se le cayó la base. No lo recomiendo."
    }
  ],
  "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"]
      }
    }
  }
}

Salida esperada:

{
  "sentiment": "negative",
  "features": ["color", "durabilidad"],
  "recommend": false
}

Con reasoning.effort=none, al desactivar el razonamiento el modelo genera directamente el resultado estructurado y no produce tokens de razonamiento. Cada llamada de este prompt consume unos 200–300 tokens (incluido el prompt de sistema); con la tarifa estándar de $0.025/M de entrada, ejecutar 10000 al día cuesta unos $0.06. Con la caché, si el prompt de sistema coincide, el costo es aún menor.

2. Extracción estructurada: extraer campos del texto de un contrato

Necesidad: a partir del texto OCR de escaneos de contratos no estructurados, extraer las partes firmantes, el importe, la fecha y las cláusulas clave.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Extrae la información clave del siguiente texto de contrato y genera un JSON. Convierte el importe a tipo numérico y usa el formato de fecha YYYY-MM-DD. Si algún dato no existe, pon null en el campo correspondiente. Genera solo el JSON."
    },
    {
      "role": "user",
      "content": "Parte A: Shanghai Zhima Network Technology Co., Ltd.\nParte B: Hangzhou Shuyun Information Technology Co., Ltd.\nImporte del contrato: ciento veinte mil yuanes renminbi (¥120,000)\nFecha de firma: 15 de octubre de 2026\nDuración del servicio: 12 meses desde la fecha de firma\nForma de pago: 50% dentro de los 7 días hábiles posteriores a la firma y el 50% restante tras la aceptación"
    }
  ],
  "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"]
      }
    }
  }
}

Salida esperada:

{
  "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% dentro de los 7 días hábiles posteriores a la firma y el 50% restante tras la aceptación"
}

En el schema, required solo incluye los campos principales; los campos auxiliares (duration_months, payment_terms) no son obligatorios y no generan error si no aparecen en el texto.

3. Reescritura por lotes: reducir duplicación y unificar el estilo de los artículos

Necesidad: reescribir un lote de descripciones de productos, procedentes de los textos originales de distintos proveedores, con un tono de marca unificado y, al mismo tiempo, eliminar la duplicación.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Eres un editor de contenido de comercio electrónico. Reescribe la siguiente descripción de producto con un tono de marca unificado: conciso, profesional y destacando los escenarios de uso. Conserva toda la información factual (dimensiones, materiales, funciones) y no añadas contenido que no esté en el texto original."
    },
    {
      "role": "user",
      "content": "¡Esta taza de café es buenísima! Interior de acero inoxidable 304, mantiene la temperatura 6 horas, capacidad 380 ml. La tapa tiene junta de sellado y no gotea en el bolso. Ideal para oficina y actividades al aire libre."
    }
  ]
}

Salida esperada:

Vaso térmico de acero inoxidable de 380 ml, interior 304, mantiene la temperatura 6 horas. Tapa hermética con diseño a prueba de fugas. Adecuado para oficina y actividades al aire libre.

Para las tareas de reescritura, configura reasoning.effort=none; cada entrada consume unos 150 tokens y cada salida unos 80 tokens. Con la tarifa de $0.025/$0.125, 1000 unidades cuestan unos $0.014. Si el prompt de sistema es el mismo, el costo de entrada baja aún más cuando acierta la caché.

4. Respuesta automática de FAQ: preguntas frecuentes del servicio de atención al cliente

Necesidad: usar el manual del producto y el documento de FAQ de atención al cliente como prompt de sistema para responder automáticamente a las preguntas frecuentes de los usuarios. No se necesita razonamiento, pero sí citar con precisión el contenido de los documentos.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Eres el asistente de atención al cliente de HiAPI. Esta es la información del producto que debes conocer:\n\nHiAPI es una plataforma intermedia de API de IA que agrega modelos de texto, imagen, vídeo y audio.\n\nModelo de precios: facturación por token o por imagen; consulta la página /pricing para más detalles.\nLos nuevos usuarios reciben 200 créditos al registrarse.\nLa API Key se crea en el panel de control (dashboard).\nPolítica de reembolso: si la generación falla, se devuelve automáticamente el importe total retenido.\n\nResponde en español y contesta solo a lo que pregunte el usuario. Si no lo sabes, di directamente que no lo sabes; no inventes información."
    },
    {
      "role": "user",
      "content": "¿Me cobran si falla la generación?"
    }
  ]
}

Salida esperada:

No. Si la generación falla, el importe retenido se devuelve automáticamente en su totalidad.

Truco clave: incluye en el prompt de sistema la base de conocimiento completa del producto (documentos de FAQ, descripciones del producto) y aprovecha el mecanismo de caché (los prompts de sistema repetidos que aciertan en caché solo cuestan $0.0025/M). Las preguntas de los usuarios cuya respuesta esté en los documentos se responden al instante; si no se encuentra, se dice directamente que no se sabe. Cada pregunta y respuesta consume unos 500 tokens de entrada y unos 80 de salida; con la tarifa estándar, unos $0.000023.

5. Agent de baja complejidad: consultas en varios pasos y resumen

Necesidad: el usuario hace una pregunta; el modelo primero consulta el precio con una herramienta, luego busca en la documentación y, por último, lo resume todo en una frase. No se necesita razonamiento profundo, pero sí invocar las herramientas con precisión.

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "Consulta el precio de un modelo especificado en HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "Nombre del modelo, por ejemplo gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "Busca palabras clave en la documentación de ayuda de HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "Palabras clave de búsqueda"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "Eres el asistente inteligente de HiAPI. Cuando el usuario pregunte por precios, consulta con get_model_price; cuando pregunte por el modo de uso, busca con search_knowledge_base. Resume los resultados devueltos por las herramientas y responde al usuario en una sola frase."
    },
    {
      "role": "user",
      "content": "¿Cuál es más barato, gpt-6-luna o gpt-5.6-luna?"
    }
  ]
}

Este es el punto de partida del bucle del agent: el modelo primero llama a get_model_price("gpt-6-luna"), luego a get_model_price("gpt-5.6-luna") y, por último, resume la respuesta. Si mantienes tú mismo la implementación de las herramientas, tras devolver el resultado vuelve a enviar todo el historial de la conversación al modelo y continúa hasta que el modelo deje de invocar herramientas.

Luna es adecuado para este tipo de agent de baja complejidad: invocación de herramientas clara y cadena de razonamiento corta. Para escenarios de razonamiento complejo en varios pasos (más de tres rondas de invocación de herramientas, con necesidad de verificación y corrección intermedias), se recomienda usar Terra o Sol.

Tres principios para ahorrar

• Si no necesitas razonamiento, desactívalo. Para clasificación, extracción, reescritura y preguntas y respuestas simples, configura reasoning.effort=none: no se generan tokens de razonamiento y además puedes ajustar temperature y top_p.
• Para forzar salidas estructuradas, usa json_schema. Configura text.format como json_schema, define name y schema, y la salida entra directamente en la base de datos sin análisis posterior.
• Pon documentos largos en el prompt de sistema y ahorra con la caché. Incluye descripciones de producto, documentos de FAQ y ejemplos Few-shot en el prompt de sistema; si acierta la caché repetida, solo cuesta $0.0025/M.

Escenario	reasoning.effort	text.format	Aprox. por cada 1000
Clasificación por lotes	none	json_schema	$0.006
Extracción estructurada	none	json_schema	$0.01
Reescritura de contenido	none	ninguno	$0.014
Respuesta de FAQ	none	ninguno	$0.023
Agent simple	low/medium	ninguno	$0.05–$0.15

El costo real depende de la longitud del prompt y del volumen de salida. Las cifras anteriores son estimaciones basadas en cantidades típicas de tokens, con la tarifa estándar de $0.025/M de entrada y $0.125/M de salida, sin contar el ahorro por aciertos de caché.

Preguntas frecuentes

¿reasoning.effort=none afecta a la calidad de las respuestas? En clasificación, extracción, reescritura y preguntas y respuestas simples casi no tiene impacto. Para tareas que requieren razonamiento lógico, análisis causal y deducción en varios pasos, configura low o medium.

¿Qué diferencia hay entre json_schema y escribir «genera JSON» en un prompt normal? json_schema garantiza el formato de salida a nivel del modelo y evita que aparezcan marcas de markdown o explicaciones en texto. Escribir «genera JSON» en un prompt normal puede producir desviaciones de formato ocasionales.

¿Cómo usar Batch en tareas por lotes para ahorrar más? Añade "processing_mode": "batch" en la solicitud y tanto la entrada como la salida tienen un 50% de descuento. Es adecuado para tareas que no requieren respuesta en tiempo real.

¿Cuántas rondas como máximo en el bucle del Agent? Luna es adecuado para agents simples con 1–3 rondas de invocación de herramientas. Para más rondas o flujos complejos que requieran verificación intermedia, se recomienda usar Terra o Sol.

Artículos de la serie GPT-6 Luna

• Página del modelo GPT-6 Luna: conversación en línea, 200 créditos de regalo al registrarse
• Precio de la API de GPT-6 Luna: $0.025/M de entrada, el GPT más barato de HiAPI
• Cómo usar la API de GPT-6 Luna: integración con Responses API y Chat Completions
• GPT-6 Luna vs GPT-5.6 Luna: precio a la mitad, ¿conviene cambiar?

Copia el prompt de clasificación de arriba, abre la página del modelo, pégalo y ejecuta el primero. Los 200 créditos de regalo por registrarte alcanzan para miles de clasificaciones.