Rédaction de fiches produits e-commerce et réponses au service client avec glm-5.3

Les équipes e-commerce ont besoin d'un flux constant de textes courts et structurés : titres de produits, listes à puces, réponses aux questions sur les tailles, réponses aux politiques de retour, réponses aux avis. C'est un problème de texte, pas un problème d'image — et il faut le dire d'emblée : glm-5.3 est totalement inutile pour la moitié "génération d'images produit" d'un pipeline de contenu e-commerce.

glm-5.3 est disponible via l'API hiapi ; c'est un modèle purement textuel, accessible via le point de terminaison Chat Completions compatible OpenAI. Il n'accepte ni ne produit d'images — si vous cherchez une solution de photographie produit par IA, consultez plutôt le guide du flux de travail e-commerce avec GPT Image 2. Ce que glm-5.3 fait bien, c'est transformer un tableau de spécifications brut ou un message client en un texte propre et conforme aux politiques, et chaque réponse inclut un champ reasoning_content qui vous montre comment il est parvenu à sa conclusion.

Ce guide couvre deux cas d'usage e-commerce réels — la rédaction de fiches produits et les réponses au service client — avec les appels API effectifs, la consommation réelle de tokens et le coût réel par requête.

Ce qu'est réellement glm-5.3 : un modèle textuel qui raisonne systématiquement

glm-5.3 ne propose pas de niveau de raisonnement optionnel. Chaque réponse contient un champ reasoning_content à côté du content final, et aucun paramètre reasoning_effort ne permet de l'augmenter ou de le réduire — selon la documentation du modèle, le "niveau de raisonnement optionnel" ne fait explicitement pas partie du contrat public. Il prend en charge stream, response_format (mode JSON) ainsi que tools/tool_choice au format OpenAI pour l'appel de fonctions, mais la profondeur de raisonnement est décidée par le modèle, pas par vous.

Cela compte pour le budget : dans les tests de ce guide, une simple requête de rédaction de fiche produit a consommé plus de tokens de raisonnement qu'une réponse de service client qui devait réellement appliquer une politique de retour. Vous ne pouvez pas prédire le coût en fonction de la complexité de la tâche comme avec un modèle à paliers — voir plus bas.

Cas d'usage 1 : rédiger une fiche produit à partir d'un tableau de spécifications

Une tâche de catalogue typique : transformer des puces de spécifications brutes en un titre et une liste à puces formatée, sans inventer de fonctionnalités absentes des spécifications.

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."
      }
    ]
  }'

Contenu de la réponse :

Titre : Bouteille isotherme en acier inoxydable 32oz – garde le froid 24 h, le chaud 12 h

Liste à puces :

• ISOTHERME EN ACIER INOXYDABLE :garde le froid jusqu'à 24 heures et le chaud jusqu'à 12 heures.
• CAPACITÉ DE 32 OZ :grande contenance de 32 oz pour rester hydraté toute la journée.
• COUVERCLE ÉTANCHE :conception de couvercle sécurisé qui empêche les fuites en déplacement.
• SANS BPA, 6 COULEURS :fabriquée à partir de matériaux sans BPA, disponible en 6 coloris.

La description produit respecte strictement les spécifications — aucune affirmation inventée sur la technologie d'isolation ni sur des certifications non fournies. Consommation réelle de cet appel : 89 tokens de prompt, 1 146 tokens de complétion (dont 1 018 de reasoning_content), coût total $0.0180.

C'est le nombre de tokens de raisonnement qui surprend. Il s'agit d'une tâche de reformatage sans logique de politique à appliquer, et pourtant le modèle a quand même passé plus d'un millier de tokens à réfléchir au nombre de caractères et aux choix de formulation avant d'écrire les quatre puces.

Cas d'usage 2 : réponse au service client

Une question de service client exige un véritable raisonnement sur les politiques, et pas seulement un reformatage — le modèle doit appliquer correctement les règles, et non faire de la correspondance de mots-clés.

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?"
      }
    ]
  }'

Réponse :

Oui, vous pouvez effectuer un retour ! Voici comment votre situation correspond à notre politique :

• Éligibilité :vous êtes toujours dans la fenêtre de 30 jours (10 jours écoulés) et l'article est non ouvert, donc il satisfait à l'exigence d'état inutilisé/emballage d'origine.
• Frais de retour :étant donné que l'article a été expédié conformément à la commande (une erreur de taille est du ressort de la personne qui commande, pas de l'exécution de la commande), les frais de retour sont à votre charge. Nous prenons en charge les frais de retour uniquement si l'article est arrivé endommagé ou si le mauvais article a été expédié.
• Délai de remboursement :votre remboursement sera traité dans un délai de 5 à 7 jours ouvrés après réception de l'article par notre entrepôt.

Si vous le souhaitez, je peux vous aider à lancer la procédure de retour — il me suffit de votre numéro de commande !

Le modèle a correctement distingué "le client a choisi la mauvaise taille" de "nous avons expédié le mauvais article" — une distinction qui détermine qui paie les frais de port — au lieu de simplement faire correspondre le mot "retour". C'est une véritable application de la politique, et ce type de brouillon de réponse est exactement ce qu'un agent humain peut approuver en quelques secondes sans avoir à tout saisir depuis zéro.

Consommation réelle de cet appel : 87 tokens de prompt, 358 tokens de complétion (dont 200 de reasoning_content), coût total $0.0059 — environ un tiers de l'appel de rédaction de fiche produit ci-dessus, alors même qu'il effectue un travail nécessitant réellement l'application de règles.

Points de vigilance sur les coûts en production à grande échelle

Sur hiapi, glm-5.3 est facturé $4.40 par million de tokens d'entrée et $15.40 par million de tokens de sortie — la sortie inclut la réponse visible et le reasoning_content masqué, donc votre facture dépend de la quantité de raisonnement que le modèle décide de produire, et non de la complexité apparente de la tâche de l'extérieur. Dans les deux appels ci-dessus, la tâche de rédaction "simple" a coûté environ 3 fois plus cher que la tâche de service client "difficile", uniquement à cause de la variabilité des tokens de raisonnement.

Si vous comptez traiter des volumes de catalogues ou de tickets, deux garde-fous pratiques :

• Définissez max_tokens comme plafond strict du budget raisonnement + complétion par appel, afin qu'une requête individuelle ne dérape pas en coût même si le modèle décide de raisonner longuement.
• Confiez les tâches déterministes à faible risque à d'autres modèles si un coût par appel prévisible compte plus que la qualité de la sortie — les modèles dotés de paliers de raisonnement optionnels (comme kimi-k3, qui propose low/high/max) offrent un réglage de coût que glm-5.3 n'a pas.

Là où glm-5.3 justifie cette imprévisibilité, c'est précisément dans le cas d'usage de réponse au service client ci-dessus : dans ces tâches, le coût d'une erreur de logique de politique est bien supérieur à quelques centimes de tokens de raisonnement supplémentaires.

Pour commencer

Les deux appels ci-dessus ciblent la même page du modèle glm-5.3 et le même point de terminaison Chat Completions — remplacez le prompt système selon votre tâche, et vous disposez d'un pipeline de rédaction de fiches produits ou de réponses au service client opérationnel. Pour la configuration de base (clé API, première requête curl, exemple Python), consultez le guide de l'API glm-5.3. Avant de lancer en production à grande échelle, consultez la tarification actuelle, car le coût de sortie est la variable la plus difficile à prévoir ici.