Scrivere testi per l'e-commerce e risposte al servizio clienti con glm-5.3

I team e-commerce hanno bisogno di un flusso costante di testi brevi e strutturati: titoli dei prodotti, elenchi puntati, risposte alle guide alle taglie, risposte alle politiche di reso, risposte alle recensioni. Si tratta di un problema di testo, non di immagini — e va detto subito: glm-5.3 non è di alcun aiuto per la metà "generazione di immagini di prodotto" della pipeline di contenuti e-commerce.

glm-5.3 è disponibile tramite l'API hiapi ed è un modello puramente testuale, accessibile tramite l'endpoint Chat Completions compatibile con OpenAI. Non ha input o output di immagini — se sei qui per la fotografia di prodotto con AI, consulta la guida al flusso di lavoro e-commerce con GPT Image 2. Ciò in cui glm-5.3 eccelle è trasformare schede tecniche grezze o messaggi dei clienti in testi puliti e conformi alle policy, e ogni risposta mostra reasoning_content, così puoi vedere come è arrivato alla risposta.

Questa guida copre due casi d'uso reali dell'e-commerce — la scrittura di testi per i prodotti e le risposte al servizio clienti — con chiamate API reali, utilizzo reale di token e costo reale per singola richiesta.

Che cos'è esattamente glm-5.3: un modello testuale che ragiona sempre

glm-5.3 non offre livelli di ragionamento opzionali. Ogni risposta include un campo reasoning_content accanto al content finale, e non esiste un parametro reasoning_effort per aumentare o diminuire il livello — secondo la documentazione del modello, "intensità di ragionamento opzionale" non fa esplicitamente parte del contratto pubblico. Supporta stream, response_format (modalità JSON) e tools/tool_choice in stile OpenAI per il function calling, ma la profondità del ragionamento è decisa dal modello, non da te.

Questo è importante per il budget: nei test di questa guida, una semplice richiesta di scrittura di testi ha consumato più token di ragionamento di una risposta al servizio clienti che doveva effettivamente applicare una politica di reso. Non puoi prevedere i costi in base alla complessità del compito come faresti con un modello a livelli — vedi sotto.

Caso d'uso 1: scrivere testi di prodotto da una scheda tecnica

Un tipico compito di catalogo: trasformare punti grezzi delle specifiche in un titolo più un elenco puntato formattato, senza inventare funzionalità non presenti nelle specifiche.

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."
      }
    ]
  }'

Contenuto della risposta:

Titolo: Borraccia termica in acciaio inossidabile da 32oz – mantiene il freddo per 24 ore, il caldo per 12 ore

Elenco puntato:

• ISOLAMENTO IN ACCIAIO INOSSIDABILE: mantiene il freddo fino a 24 ore e il caldo fino a 12 ore.
• CAPACITÀ DA 32 ONCE: capacità generosa di 32 once per restare idratati tutto il giorno.
• TAPPO A TENUTA: tappo sicuro progettato per evitare fuoriuscite in movimento.
• SENZA BPA, 6 COLORI: realizzata con materiali privi di BPA, disponibile in 6 colori.

La descrizione del prodotto segue rigorosamente le specifiche — nessuna dichiarazione inventata sulla tecnologia di isolamento o su certificazioni non fornite. Utilizzo effettivo di questa chiamata: 89 token di prompt, 1.146 token di completamento (di cui 1.018 in reasoning_content), costo totale $0,0180.

La quantità di token di ragionamento è la cosa sorprendente. Si tratta di un compito di riformattazione senza logica di policy da applicare, eppure il modello ha comunque speso più di mille token per pensare al conteggio dei caratteri e alle opzioni di formulazione prima di scrivere i quattro punti.

Caso d'uso 2: risposta al servizio clienti

Le domande del servizio clienti richiedono un vero ragionamento sulle policy, non solo una riformattazione — il modello deve applicare correttamente le regole, non limitarsi a un pattern matching sulle parole chiave.

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?"
      }
    ]
  }'

Risposta:

Sì, puoi effettuare il reso! Ecco come la tua situazione rientra nella nostra policy:

• Idoneità: ti trovi ancora entro la finestra di 30 giorni (sono passati 10 giorni) e l'articolo è non aperto, quindi soddisfa i requisiti di non utilizzato/confezione originale.
• Spedizione del reso: poiché l'articolo è stato spedito come da ordine (la taglia sbagliata è una questione dell'ordinante, non di evasione dell'ordine), le spese di spedizione del reso sono a tuo carico. Copriamo le spese di spedizione del reso solo se l'articolo è arrivato danneggiato o se è stato spedito l'articolo sbagliato.
• Tempi di rimborso: il rimborso verrà elaborato entro 5-7 giorni lavorativi dal ricevimento dell'articolo nel nostro magazzino.

Se vuoi, posso aiutarti ad avviare la procedura di reso — basta dirmi il tuo numero d'ordine!

Il modello ha correttamente distinto tra "il cliente ha scelto la taglia sbagliata" e "abbiamo spedito l'articolo sbagliato" — una distinzione che determina chi paga le spese di spedizione — invece di limitarsi a corrispondere la parola "reso". Si tratta di una vera applicazione della policy, e questa bozza di risposta è proprio ciò che un operatore umano può approvare in pochi secondi senza digitare da zero.

Utilizzo effettivo di questa chiamata: 87 token di prompt, 358 token di completamento (di cui 200 in reasoning_content), costo totale $0,0059 — circa un terzo della chiamata di scrittura di testi di cui sopra, nonostante svolga un lavoro che richiede effettivamente l'applicazione di regole.

Considerazioni sui costi per l'esecuzione su larga scala

glm-5.3 su hiapi costa $4,40 per milione di token di input e $15,40 per milione di token di output — l'output include sia la risposta visibile sia il reasoning_content nascosto, quindi la tua fattura dipende da quanto il modello decide di pensare, non da quanto il compito sembri complesso dall'esterno. Nelle due chiamate sopra, il "semplice" compito di scrittura è costato circa 3 volte il "difficile" compito di servizio clienti, puramente per la variabilità dei token di ragionamento.

Se devi eseguire su volumi di catalogo o di ticket, ci sono due misure pratiche di protezione:

• Imposta max_tokens come limite massimo rigoroso per il budget di ragionamento + completamento di ogni chiamata, così anche se il modello decide di ragionare a lungo, una singola richiesta non può sfuggire di mano in termini di costi.
• Assegna i compiti deterministici a basso rischio ad altri modelli, se un costo prevedibile per singola chiamata è più importante della qualità dell'output — i modelli con livelli di ragionamento opzionali (come kimi-k3, che offre low/high/max) forniscono una manopola di regolazione dei costi che glm-5.3 non ha.

glm-5.3 vale questa imprevedibilità proprio nel caso d'uso delle risposte al servizio clienti di cui sopra: in questi compiti, il costo di sbagliare la logica della policy è molto più alto di qualche centesimo in più di token di ragionamento.

Per iniziare

Entrambe le chiamate sopra si riferiscono alla stessa pagina del modello glm-5.3 e allo stesso endpoint Chat Completions — sostituisci il system prompt in base al tuo compito e avrai una pipeline funzionante per la scrittura di testi o per le risposte al servizio clienti. Per la configurazione di base (chiave API, prima richiesta curl, esempio Python) consulta la guida all'API di glm-5.3. Prima di eseguire su larga scala, controlla i prezzi attuali, perché il costo dell'output è la variabile più difficile da prevedere in questo caso.