使用ガイド

GPT-6 Luna プロンプト事例：そのままコピーできる5つのバッチ処理シーン

Nov 1, 2026

以下の5つのシーンは、いずれも GPT-6 Luna が得意とするバッチ処理タスクです：分類、抽出、書き換え、Q&A、agent。各項目に完全な prompt とパラメータ推奨を添えており、コピーするだけで使えます。GPT-6 Luna は HiAPI で公開中です。モデルページを開くとそのまま対話でき、新規ユーザー登録で 200 クレジットを進呈します。

1. バッチ分類：商品レビューの感情分析

要件：毎日数千件のユーザーレビューが届くため、感情を positive/neutral/negative に分類し、同時に言及された具体的な製品特性を抽出する必要があります。

重要パラメータ：reasoning.effort=none（分類に推論は不要）、text.format には json_schema を使い構造化出力を強制します。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "あなたは商品レビュー分析アシスタントです。各ユーザーレビューを分析し、感情（positive/neutral/negative）、言及された製品特性のリスト、購入推奨かどうかを含む JSON を出力してください。JSON のみを出力し、余計なテキストは含めないでください。"
    },
    {
      "role": "user",
      "content": "色はいいけど、2週間使ったら底が取れた。おすすめしない。"
    }
  ],
  "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"]
      }
    }
  }
}

期待される出力：

{
  "sentiment": "negative",
  "features": ["色", "耐久性"],
  "recommend": false
}

reasoning.effort=none で推論をオフにすると、モデルは構造化結果を直接出力し、推論トークンは発生しません。このプロンプトは1回あたり約 200〜300 トークン（システムプロンプトを含む）で、標準枠 $0.025/M 入力なら、1日に 10000 件実行して約 $0.06 です。キャッシュ併用時は、システムプロンプトがヒットすればさらに少なくなります。

2. 構造化抽出：契約書テキストからフィールドを抽出

要件：非構造化の契約書スキャン OCR テキストから、契約当事者、金額、日付、主要条項を抽出します。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "以下の契約書テキストから重要情報を抽出し、JSON を出力してください。金額は数値型に変換し、日付は YYYY-MM-DD 形式にしてください。項目が存在しない場合、対応するフィールドは null にしてください。JSON のみを出力。"
    },
    {
      "role": "user",
      "content": "甲：上海智馬網絡科技有限公司\n乙：杭州数雲信息技術有限公司\n契約金額：人民元 金拾弐万円整（¥120,000）\n締結日：2026年10月15日\nサービス期間：締結日から12ヶ月\n支払方法：締結後7営業日以内に50%を支払い、検収後に残金50%を支払う"
    }
  ],
  "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"]
      }
    }
  }
}

期待される出力：

{
  "party_a": "上海智馬網絡科技有限公司",
  "party_b": "杭州数雲信息技術有限公司",
  "amount": 120000,
  "sign_date": "2026-10-15",
  "duration_months": 12,
  "payment_terms": "締結後7営業日以内に50%を支払い、検収後に残金50%を支払う"
}

schema 内の required にはコアフィールドのみを列挙しており、補助フィールド（duration_months、payment_terms）は必須ではないため、テキストに存在しなくてもエラーになりません。

3. バッチ書き換え：記事の重複排除とスタイル統一

要件：異なるサプライヤーの原文による商品説明を、統一されたブランドの口調に書き換え、同時に重複を排除します。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "あなたは EC コンテンツエディターです。以下の商品説明を統一されたブランドの口調に書き換えてください：簡潔、専門的、使用シーンを強調する。すべての事実情報（サイズ、素材、機能）を保持し、原文にない内容は追加しないでください。"
    },
    {
      "role": "user",
      "content": "このコーヒーカップは本当に超使いやすい！304ステンレス内胆、保温6時間、容量380ml。フタにはシールリングが付いていて、バッグに入れても水漏れしない。オフィスでもアウトドアでも最適。"
    }
  ]
}

期待される出力：

380ml ステンレス保温カップ、304 内胆、6 時間保温。密封フタ、防漏設計。オフィスやアウトドアのシーンに適しています。

書き換えタスクでは reasoning.effort=none を設定し、1件あたり入力約 150 トークン、出力約 80 トークン、$0.025/$0.125 で課金すると、1000 件で約 $0.014 です。システムプロンプトが同一の場合、キャッシュヒットで入力コストがさらに一段下がります。

4. FAQ 自動回答：カスタマーサポートのよくある質問

要件：製品マニュアルとカスタマーサポート FAQ ドキュメントをシステムプロンプトとして、ユーザーのよくある質問に自動回答します。推論は不要ですが、ドキュメント内容を正確に引用する必要があります。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "あなたは HiAPI のカスタマーサポートアシスタントです。以下はあなたが把握しておくべき製品情報です：\n\nHiAPI は AI API 中間層プラットフォームで、テキスト、画像、動画、音声モデルを集約しています。\n\n料金モデル：トークン単位または枚数単位で課金、詳細は /pricing ページを参照。\n新規ユーザー登録で 200 クレジットを進呈。\nAPI Key はコンソール dashboard で作成。\n返金ポリシー：生成失敗時は事前に差し引いた金額を自動的に全額返還。\n\n日本語で回答し、一度にユーザーが尋ねた質問だけに答えてください。分からない場合は分からないと直接伝え、情報を捏造しないでください。"
    },
    {
      "role": "user",
      "content": "生成に失敗したらお金はかかりますか？"
    }
  ]
}

期待される出力：

かかりません。生成に失敗すると、事前に差し引かれた金額は自動的に全額返還されます。

重要なコツ：システムプロンプトに完全な製品ナレッジベース（FAQ ドキュメント、製品説明）を入れ、キャッシュ機構を活用します（同一のシステムプロンプトがキャッシュヒットすると $0.0025/M のみ課金）。ユーザーの質問がドキュメントから答えを見つけられる場合は即答し、見つからない場合は分からないと直接伝えます。1件の Q&A は入力約 500 トークン、出力約 80 トークン、標準枠で約 $0.000023 です。

5. 低複雑度 agent：複数ステップの照会と集約

要件：ユーザーが質問すると、モデルはまずツールで価格を調べ、次にドキュメントを検索し、最後に一文に集約します。深い推論は不要ですが、ツールを正確に呼び出す必要があります。

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "指定したモデルの HiAPI 上の価格を照会する",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "モデル名、例：gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "HiAPI ヘルプドキュメント内でキーワードを検索する",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "検索キーワード"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "あなたは HiAPI のスマートアシスタントです。ユーザーが価格を尋ねた場合は get_model_price で照会し、使い方を尋ねた場合は search_knowledge_base で検索してください。ツールが返した結果を集約し、一文でユーザーに回答してください。"
    },
    {
      "role": "user",
      "content": "gpt-6-luna と gpt-5.6-luna はどちらが安い？"
    }
  ]
}

これは agent ループの起点です：モデルはまず get_model_price("gpt-6-luna") を呼び、次に get_model_price("gpt-5.6-luna") を呼び、最後に集約して回答します。ツールの実装を自分で管理する場合、結果を返した後に会話履歴全体を再びモデルへ送信し、モデルがツールを呼ばなくなるまで続けます。

Luna はこのような低複雑度 agent に適しています：ツール呼び出しが明確で、推論チェーンが短いためです。複雑な多段推論シーン（3 ラウンドを超えるツール呼び出し、中間検証や誤り訂正が必要な場合）では Terra または Sol の利用を推奨します。

お得に使う3原則

推論が不要ならオフにする。 分類、抽出、書き換え、簡単な Q&A では reasoning.effort=none を設定すると推論トークンが発生せず、temperature や top_p も調整できます。
構造化出力を強制するには json_schema を使う。 text.format を json_schema に設定し、name と schema を定義すれば、出力をそのままデータベースへ投入でき、後から解析する必要がありません。
システムプロンプトに長いドキュメントを入れ、キャッシュで節約する。 製品説明、FAQ ドキュメント、Few-shot 例はすべてシステムプロンプトに入れ、キャッシュヒットが繰り返されれば $0.0025/M のみです。

シーン	reasoning.effort	text.format	1000 件あたり約
バッチ分類	none	json_schema	$0.006
構造化抽出	none	json_schema	$0.01
コンテンツ書き換え	none	なし	$0.014
FAQ 回答	none	なし	$0.023
簡易 agent	low/medium	なし	$0.05–$0.15

実際のコストは prompt の長さと出力量に依存します。上記は典型的なトークン量による見積もりで、入力は標準枠 $0.025/M、出力は $0.125/M で計算しており、キャッシュヒットによる節約は含みません。

よくある質問

reasoning.effort=none は回答品質に影響しますか？ 分類、抽出、書き換え、簡単な Q&A ではほとんど影響ありません。論理推論、因果分析、多段推論が必要なタスクでは low または medium を設定してください。

json_schema と通常の prompt に「JSON を出力」と書く場合の違いは何ですか？ json_schema はモデルレベルで出力形式が保証され、余計な markdown 記法やテキスト説明が付きません。通常の prompt に「JSON を出力」と書いた場合は、時折フォーマットのずれが生じることがあります。

バッチタスクで Batch を使うともっと安くなりますか？ リクエストに "processing_mode": "batch" を追加すると、入力と出力がそれぞれ 50% オフになります。リアルタイム応答が不要なタスクに適しています。

Agent ループは最大何ラウンドまでですか？ Luna は 1〜3 ラウンドのツール呼び出しを行う簡易 agent に適しています。より多くのラウンドや中間検証が必要な複雑なフローには、Terra または Sol の利用を推奨します。