Exemples de prompts GPT-6 Luna : 5 scénarios batch à copier directement

Les 5 scénarios ci-dessous sont tous des tâches batch que GPT-6 Luna maîtrise bien : classification, extraction, réécriture, questions-réponses, agent. Chacun est accompagné d'un prompt complet et de recommandations de paramètres, prêts à copier-coller. GPT-6 Luna est déjà disponible sur HiAPI, ouvrez la page du modèle pour dialoguer directement, et les nouveaux utilisateurs reçoivent 200 crédits à l'inscription.

1. Classification par lot : analyse de sentiment des avis produits

Besoin : recevoir plusieurs milliers d'avis utilisateurs par jour, les classer par sentiment en positive/neutral/negative, et extraire en même temps les caractéristiques produit mentionnées.

Paramètres clés : reasoning.effort=none (la classification ne nécessite pas de raisonnement), text.format avec json_schema pour forcer une sortie structurée.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Tu es un assistant d'analyse d'avis produits. Analyse chaque avis utilisateur et produis un JSON contenant le sentiment (positive/neutral/negative), la liste des caractéristiques produit mentionnées et si tu recommandes l'achat. Produis uniquement le JSON, sans texte supplémentaire."
    },
    {
      "role": "user",
      "content": "La couleur est jolie, mais la semelle s'est décollée au bout de deux semaines. Je ne recommande pas."
    }
  ],
  "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"]
      }
    }
  }
}

Sortie attendue :

{
  "sentiment": "negative",
  "features": ["couleur", "durabilité"],
  "recommend": false
}

Une fois le raisonnement désactivé par reasoning.effort=none, le modèle produit directement un résultat structuré sans générer de tokens de raisonnement. Ce prompt consomme environ 200–300 tokens par appel (prompt système inclus) ; au tarif standard de $0.025/M en entrée, 10 000 exécutions par jour coûtent environ $0.06. Avec la mise en cache, le coût baisse encore une fois le prompt système mis en cache.

2. Extraction structurée : extraire des champs d'un texte de contrat

Besoin : extraire d'un texte OCR de contrat scanné non structuré les parties signataires, le montant, la date et les clauses clés.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Extrais les informations clés du texte de contrat suivant et produis un JSON. Convertis les montants en type numérique, au format de date YYYY-MM-DD. Si un élément est absent, mets null dans le champ correspondant. Produis uniquement le JSON."
    },
    {
      "role": "user",
      "content": "Partie A : Shanghai Zhima Network Technology Co., Ltd.\nPartie B : Hangzhou Shuyun Information Technology Co., Ltd.\nMontant du contrat : cent vingt mille yuans (¥120,000)\nDate de signature : 15 octobre 2026\nDurée du service : 12 mois à compter de la date de signature\nModalités de paiement : 50 % sous 7 jours ouvrés après signature, le solde de 50 % après réception"
    }
  ],
  "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"]
      }
    }
  }
}

Sortie attendue :

{
  "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 % sous 7 jours ouvrés après signature, le solde de 50 % après réception"
}

Dans le schéma, required ne liste que les champs essentiels ; les champs auxiliaires (duration_months, payment_terms) ne sont pas obligatoires et leur absence dans le texte ne provoque pas d'erreur.

3. Réécriture par lot : réduire le plagiat et unifier le style

Besoin : réécrire un lot de descriptions produits issues des textes originaux de différents fournisseurs dans un ton de marque unifié, tout en éliminant les doublons.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Tu es un rédacteur de contenu e-commerce. Réécris la description produit suivante dans un ton de marque unifié : concis, professionnel, en mettant en avant les scénarios d'utilisation. Conserve toutes les informations factuelles (dimensions, matériau, fonctionnalités) sans ajouter de contenu absent de l'original."
    },
    {
      "role": "user",
      "content": "Cette tasse à café est vraiment super pratique ! Doublure intérieure en inox 304, maintien au chaud 6 heures, capacité 380 ml. Le couvercle est muni d'un joint d'étanchéité, aucun fuite dans le sac. Idéale au bureau comme en extérieur."
    }
  ]
}

Sortie attendue :

Tasse isotherme en inox de 380 ml, doublure intérieure 304, maintien au chaud 6 heures. Couvercle étanche, conception anti-fuite. Adaptée au bureau et aux activités en extérieur.

Pour la tâche de réécriture, définissez reasoning.effort=none ; chaque entrée fait environ 150 tokens et chaque sortie environ 80 tokens, facturés à $0.025/$0.125, soit environ $0.014 pour 1 000 entrées. Si le prompt système est identique, le coût d'entrée baisse encore d'un cran grâce au cache.

4. Réponses automatiques FAQ : questions fréquentes du service client

Besoin : utiliser le manuel produit et le document FAQ du service client comme prompt système pour répondre automatiquement aux questions fréquentes des utilisateurs. Pas besoin de raisonnement, mais il faut citer fidèlement le contenu du document.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Tu es l'assistant du service client de HiAPI. Voici les informations produit que tu dois maîtriser :\n\nHiAPI est une plateforme intermédiaire d'API d'IA qui agrège les modèles de texte, d'image, de vidéo et d'audio.\n\nModèle tarifaire : facturation au token ou à l'image, voir la page /pricing.\nLes nouveaux utilisateurs reçoivent 200 crédits à l'inscription.\nLa clé API se crée dans le tableau de bord de la console.\nPolitique de remboursement : en cas d'échec de génération, le montant prélevé est automatiquement remboursé intégralement.\n\nRéponds en français et ne réponds qu'à la question posée par l'utilisateur. Si tu ne sais pas, dis-le directement sans inventer d'informations."
    },
    {
      "role": "user",
      "content": "Est-ce que je serai facturé si la génération échoue ?"
    }
  ]
}

Sortie attendue :

Non. En cas d'échec de génération, le montant prélevé est automatiquement remboursé intégralement.

Astuce clé : placez la base de connaissances produit complète (document FAQ, descriptions produit) dans le prompt système et exploitez le mécanisme de cache (les prompts système répétés touchés par le cache ne coûtent que $0.0025/M). Les questions dont la réponse figure dans le document reçoivent une réponse immédiate ; pour les autres, dites simplement que vous ne savez pas. Une question-réponse consomme environ 500 tokens en entrée et 80 tokens en sortie, soit environ $0.000023 au tarif standard.

5. Agent de faible complexité : requêtes multi-étapes et synthèse

Besoin : l'utilisateur pose une question ; le modèle consulte d'abord les prix avec un outil, puis recherche dans la documentation, et enfin synthétise en une phrase. Pas besoin de raisonnement profond, mais il faut appeler les outils avec précision.

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "Consulter le prix d'un modèle donné sur HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "Nom du modèle, par exemple gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "Rechercher des mots-clés dans la documentation d'aide HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "Mots-clés de recherche"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "Tu es l'assistant intelligent de HiAPI. Lorsque l'utilisateur pose une question sur les prix, utilise get_model_price pour consulter ; pour une question sur l'utilisation, utilise search_knowledge_base pour rechercher. Synthétise les résultats renvoyés par les outils et réponds à l'utilisateur en une phrase."
    },
    {
      "role": "user",
      "content": "Lequel est le moins cher entre gpt-6-luna et gpt-5.6-luna ?"
    }
  ]
}

Ceci est le point de départ de la boucle agent : le modèle appelle d'abord get_model_price("gpt-6-luna"), puis get_model_price("gpt-5.6-luna"), et enfin synthétise la réponse. Si vous implémentez vous-même les outils, renvoyez le résultat puis transmettez tout l'historique de conversation au modèle, et continuez jusqu'à ce que le modèle n'appelle plus d'outil.

Luna convient à ce type d'agent de faible complexité : appels d'outils clairs, chaîne de raisonnement courte. Pour les scénarios de raisonnement complexe multi-étapes (plus de trois tours d'appels d'outils, vérification et correction intermédiaires nécessaires), il est recommandé d'utiliser Terra ou Sol.

Trois principes pour économiser

• Désactivez le raisonnement quand il n'est pas nécessaire. Pour la classification, l'extraction, la réécriture et les questions-réponses simples, définissez reasoning.effort=none : aucun token de raisonnement n'est généré et vous pouvez régler temperature et top_p.
• Forcez la sortie structurée avec json_schema. Définissez text.format sur json_schema, avec name et schema : la sortie va directement en base de données, sans analyse postérieure.
• Placez les longs documents dans le prompt système et économisez grâce au cache. Descriptions produit, documents FAQ, exemples Few-shot : mettez tout dans le prompt système ; les répétitions touchées par le cache ne coûtent que $0.0025/M.

Scénario	reasoning.effort	text.format	Pour 1 000 exécutions env.
Classification par lot	none	json_schema	$0.006
Extraction structurée	none	json_schema	$0.01
Réécriture de contenu	none	aucun	$0.014
Réponses FAQ	none	aucun	$0.023
Agent simple	low/medium	aucun	$0.05–$0.15

Le coût réel dépend de la longueur du prompt et du volume de sortie. Les estimations ci-dessus reposent sur des volumes de tokens typiques, avec une entrée au tarif standard de $0.025/M et une sortie à $0.125/M, sans compter les économies liées au cache.

Questions fréquentes

reasoning.effort=none affecte-t-il la qualité des réponses ? Pour la classification, l'extraction, la réécriture et les questions-réponses simples, l'impact est quasi nul. Pour les tâches nécessitant un raisonnement logique, une analyse causale ou une déduction multi-étapes, réglez low ou medium.

Quelle différence entre json_schema et écrire « produis un JSON » dans un prompt ordinaire ? json_schema garantit le format de sortie au niveau du modèle : pas de balises markdown ni d'explications textuelles en trop. Écrire « produis un JSON » dans un prompt ordinaire peut entraîner occasionnellement des écarts de format.

Comment passer par le mode Batch pour économiser sur les tâches par lot ? Ajoutez "processing_mode": "batch" dans la requête : l'entrée et la sortie bénéficient chacune de 50 % de remise. Convient aux tâches qui n'exigent pas de réponse en temps réel.

Combien de tours au maximum dans une boucle agent ? Luna convient aux agents simples avec 1 à 3 tours d'appels d'outils. Pour davantage de tours ou des processus complexes nécessitant des vérifications intermédiaires, préférez Terra ou Sol.

Articles de la série GPT-6 Luna

• Page du modèle GPT-6 Luna : dialogue en ligne, 200 crédits offerts à l'inscription
• Tarifs de l'API GPT-6 Luna : $0.025/M en entrée, le GPT le moins cher de HiAPI
• Comment utiliser l'API GPT-6 Luna : intégration via Responses API et Chat Completions
• GPT-6 Luna vs GPT-5.6 Luna : prix divisé par deux, faut-il changer

Copiez le prompt de classification ci-dessus, ouvrez la page du modèle, collez-le et lancez votre première exécution. Les 200 crédits offerts à l'inscription suffisent pour des milliers de classifications.