Casi di prompt per GPT-6 Luna: 5 scenari batch da copiare direttamente

I 5 scenari seguenti sono tutti task batch in cui GPT-6 Luna eccelle: classificazione, estrazione, riscrittura, domande e risposte, agent. Per ognuno trovi il prompt completo e i consigli sui parametri, basta copiare e usare. GPT-6 Luna è già disponibile su HiAPI, apri la pagina del modello per conversare direttamente; i nuovi utenti ricevono 200 crediti alla registrazione.

1. Classificazione batch: analisi del sentiment delle recensioni prodotto

Esigenza: ogni giorno arrivano migliaia di recensioni utente, da classificare per sentiment in positive/neutral/negative, estraendo anche le caratteristiche specifiche del prodotto menzionate.

Parametri chiave: reasoning.effort=none (la classificazione non richiede ragionamento), text.format con json_schema per forzare l'output strutturato.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Sei un assistente per l'analisi delle recensioni prodotto. Analizza ogni recensione utente e restituisci JSON con sentiment (positive/neutral/negative), l'elenco delle caratteristiche del prodotto menzionate e se consigli l'acquisto. Restituisci solo il JSON, senza testo aggiuntivo."
    },
    {
      "role": "user",
      "content": "Il colore è bello, ma dopo due settimane la suola si è staccata. Non lo consiglio."
    }
  ],
  "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"]
      }
    }
  }
}

Output previsto:

{
  "sentiment": "negative",
  "features": ["colore", "durabilità"],
  "recommend": false
}

Disattivando il ragionamento con reasoning.effort=none, il modello restituisce direttamente il risultato strutturato senza generare token di ragionamento. Questo prompt consuma circa 200–300 token per chiamata (incluso il prompt di sistema); con input a $0.025/M nel livello standard, 10000 chiamate al giorno costano circa $0.06. Con la cache, una volta che il prompt di sistema va a segno, si spende ancora meno.

2. Estrazione strutturata: estrarre campi dal testo di un contratto

Esigenza: dal testo OCR non strutturato di contratti scansionati, estrarre le parti contraenti, l'importo, le date e le clausole chiave.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Estrai le informazioni chiave dal seguente testo contrattuale e restituisci JSON. Converti gli importi in tipo numerico, formato data YYYY-MM-DD. Se un elemento non esiste, imposta il campo corrispondente a null. Restituisci solo il JSON."
    },
    {
      "role": "user",
      "content": "Parte A: Shanghai Zhima Network Technology Co., Ltd.\nParte B: Hangzhou Shuyun Information Technology Co., Ltd.\nImporto del contratto: RMB centoventimila yuan interi (¥120.000)\nData di stipula: 15 ottobre 2026\nDurata del servizio: 12 mesi dalla data di stipula\nModalità di pagamento: 50% entro 7 giorni lavorativi dalla stipula, saldo 50% dopo il collaudo"
    }
  ],
  "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"]
      }
    }
  }
}

Output previsto:

{
  "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% entro 7 giorni lavorativi dalla stipula, saldo 50% dopo il collaudo"
}

Nello schema, required elenca solo i campi principali; i campi ausiliari (duration_months, payment_terms) non sono obbligatori e, se assenti nel testo, non generano errori.

3. Riscrittura batch: riduzione della duplicazione e uniformità di stile

Esigenza: riscrivere un lotto di descrizioni prodotto dai testi originali di fornitori diversi in un tono di marca uniforme, eliminando al contempo le duplicazioni.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Sei un editor di contenuti e-commerce. Riscrivi la seguente descrizione prodotto in un tono di marca uniforme: conciso, professionale, con enfasi sugli scenari d'uso. Mantieni tutte le informazioni fattuali (dimensioni, materiale, funzioni) e non aggiungere contenuti assenti nell'originale."
    },
    {
      "role": "user",
      "content": "Questa tazza da caffè è davvero fantastica! Interno in acciaio inossidabile 304, mantiene il calore per 6 ore, capacità 380 ml. Il coperchio ha una guarnizione, non perde se la metti in borsa. Adatta per ufficio e outdoor."
    }
  ]
}

Output previsto:

Tazza termica in acciaio inossidabile da 380 ml, interno 304, mantenimento del calore per 6 ore. Coperchio ermetico con design antigoccia. Adatta per ufficio e outdoor.

Per i task di riscrittura imposta reasoning.effort=none: ogni input consuma circa 150 token e ogni output circa 80 token; con tariffa $0.025/$0.125, 1000 chiamate costano circa $0.014. Se il prompt di sistema è identico, con la cache il costo dell'input scende ulteriormente.

4. Risposta automatica alle FAQ: domande frequenti dell'assistenza

Esigenza: usare il manuale del prodotto e il documento delle FAQ dell'assistenza come prompt di sistema per rispondere automaticamente alle domande frequenti degli utenti. Non serve ragionamento, ma occorre citare accuratamente il contenuto dei documenti.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Sei l'assistente dell'assistenza clienti di HiAPI. Ecco le informazioni sul prodotto che devi conoscere:\n\nHiAPI è una piattaforma intermedia per API AI che aggrega modelli di testo, immagini, video e audio.\n\nModello di prezzo: a token o a immagine, vedi la pagina /pricing.\nI nuovi utenti ricevono 200 crediti alla registrazione.\nLe API Key si creano nella dashboard della console.\nPolitica di rimborso: in caso di generazione fallita, l'importo prenotato viene rimborsato automaticamente per intero.\n\nRispondi in italiano e rispondi solo alla domanda posta dall'utente. Se non sai, dì semplicemente che non lo sai, non inventare informazioni."
    },
    {
      "role": "user",
      "content": "Se la generazione fallisce, mi addebitano comunque?"
    }
  ]
}

Output previsto:

No. In caso di generazione fallita, l'importo prenotato viene rimborsato automaticamente per intero.

Trucco chiave: inserisci nel prompt di sistema l'intera base di conoscenza del prodotto (documento FAQ, descrizione del prodotto) e sfrutta il meccanismo di cache (i prompt di sistema ripetuti che colpiscono la cache costano solo $0.0025/M). Le domande degli utenti a cui si trova risposta nei documenti ricevono una risposta immediata; per quelle senza risposta, si dice semplicemente di non sapere. Una domanda e risposta consuma circa 500 token di input e circa 80 token di output, per un costo di circa $0.000023 nel livello standard.

5. Agent a bassa complessità: query in più passaggi e riepilogo

Esigenza: l'utente pone una domanda; il modello prima consulta il prezzo con uno strumento, poi cerca nella documentazione, infine riassume in una frase. Non serve ragionamento profondo, ma occorre chiamare gli strumenti in modo accurato.

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "Consulta il prezzo di un modello specificato su HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "Nome del modello, ad esempio gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "Cerca parole chiave nella documentazione di aiuto di HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "Parola chiave di ricerca"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "Sei l'assistente intelligente di HiAPI. Quando l'utente chiede un prezzo, usa get_model_price per consultarlo; quando chiede come si usa, usa search_knowledge_base per cercare. Riassumi i risultati restituiti dagli strumenti e rispondi all'utente con una sola frase."
    },
    {
      "role": "user",
      "content": "Qual è più economico tra gpt-6-luna e gpt-5.6-luna?"
    }
  ]
}

Questo è il punto di partenza del ciclo dell'agent: il modello chiama prima get_model_price("gpt-6-luna"), poi get_model_price("gpt-5.6-luna"), infine riassume la risposta. Se gestisci tu l'implementazione degli strumenti, dopo aver restituito i risultati invia di nuovo al modello l'intera cronologia della conversazione, proseguendo finché il modello non smette di chiamare strumenti.

Luna è adatto a questo tipo di agent a bassa complessità: chiamate agli strumenti chiare, catena di ragionamento breve. Per scenari di ragionamento complesso in più passaggi (più di tre turni di chiamate agli strumenti, con necessità di verifica e correzione intermedie), si consiglia Terra o Sol.

Tre principi per risparmiare

• Se non serve ragionamento, disattivalo. Per classificazione, estrazione, riscrittura e domande-risposte semplici imposta reasoning.effort=none: non genera token di ragionamento e consente di regolare temperature e top_p.
• Per forzare l'output strutturato usa json_schema. Imposta text.format su json_schema, definisci name e schema: l'output va direttamente nel database senza parsing successivo.
• Metti i documenti lunghi nel prompt di sistema e risparmia con la cache. Descrizioni del prodotto, documenti FAQ ed esempi Few-shot vanno nel prompt di sistema; i successi ripetuti in cache costano solo $0.0025/M.

Scenario	reasoning.effort	text.format	Costo per 1000 chiamate circa
Classificazione batch	none	json_schema	$0.006
Estrazione strutturata	none	json_schema	$0.01
Riscrittura di contenuti	none	nessuno	$0.014
Risposta FAQ	none	nessuno	$0.023
Agent semplice	low/medium	nessuno	$0.05–$0.15

Il costo effettivo dipende dalla lunghezza del prompt e dal volume di output. Le stime sopra si basano su quantità tipiche di token, con input a $0.025/M e output a $0.125/M nel livello standard, senza contare il risparmio da cache.

Domande frequenti

reasoning.effort=none influisce sulla qualità delle risposte? Su classificazione, estrazione, riscrittura e domande-risposte semplici l'impatto è quasi nullo. Per task che richiedono ragionamento logico, analisi causale e deduzioni in più passaggi, imposta low o medium.

Qual è la differenza tra json_schema e scrivere "restituisci JSON" in un prompt normale? json_schema garantisce il formato dell'output a livello di modello, senza markdown o spiegazioni testuali in più. Scrivere "restituisci JSON" in un prompt normale può occasionalmente produrre deviazioni di formato.

Come si risparmia di più sui task batch usando Batch? Aggiungi "processing_mode": "batch" nella richiesta: input e output hanno ciascuno uno sconto del 50%. Adatto a task che non richiedono risposta in tempo reale.

Quanti turni al massimo nel ciclo dell'Agent? Luna è adatto ad agent semplici con 1–3 turni di chiamate agli strumenti. Per più turni o flussi complessi che richiedono verifiche intermedie, si consiglia Terra o Sol.

Articoli della serie GPT-6 Luna

• Pagina del modello GPT-6 Luna: conversazione online, 200 crediti in regalo alla registrazione
• Prezzo API di GPT-6 Luna: $0.025/M in input, il GPT più economico di HiAPI
• Come usare l'API di GPT-6 Luna: integrazione con Responses API e Chat Completions
• GPT-6 Luna vs GPT-5.6 Luna: prezzo dimezzato, conviene cambiare?

Copia il prompt di classificazione qui sopra, apri la pagina del modello, incollalo ed esegui la prima chiamata. I 200 crediti in regalo alla registrazione bastano per migliaia di classificazioni.