Claude Opus 5.5 para e-commerce: redação de textos e respostas de atendimento ao cliente

O claude-opus-5-5, no próprio model card do hiapi, lista tanto a modalidade de entrada quanto a de saída como text — sem geração de imagens e sem menção a entrada de imagens. Portanto, quando aparece "imagem do produto" no requisito, a resposta honesta é a mesma de qualquer LLM puramente textual: ferramenta errada. O que ele realmente faz bem no cenário de loja online é escrever: descrições de produtos, textos de página de produto e respostas de atendimento ao cliente. Ele também tem um parâmetro reasoning que a maioria das pessoas nunca tocou, e esse parâmetro tem um efeito colateral real e cobrado que vale a pena conhecer antes de conectá-lo a um pipeline de produção. Abaixo estão quatro chamadas reais à API do hiapi, com saídas reais, contagens reais de tokens e uma armadilha que só foi descoberta gastando dinheiro de verdade.

O parâmetro reasoning.effort e o que ele realmente entrega

O model card do claude-opus-5-5 lista cinco níveis de reasoning effort: low, medium, high, xhigh, max. A estrutura da requisição é a seguinte:

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5-5",
    "max_tokens": 500,
    "reasoning": {"effort": "high"},
    "messages": [
      {"role": "system", "content": "You are an e-commerce copywriter. Write a 60-word product description. No superlatives."},
      {"role": "user", "content": "Product: insulated water bottle. 750ml, stainless steel, double-wall vacuum insulation, leak-proof lid, matte finish. Keeps drinks cold 24h, hot 12h."}
    ]
  }'

Outras duas estruturas de requisição também parecem razoáveis, mas ambas falham: o campo de nível superior reasoning_effort e o bloco nativo do Anthropic thinking: {"type": "enabled", "budget_tokens": ...} retornam invalid_request. Nesta rota, a única estrutura válida é reasoning: {"effort": "..."}.

A hipótese inicial era: níveis de effort mais altos gastariam mais tokens em troca de respostas mais bem pensadas. Com exatamente o mesmo prompt de descrição de 60 palavras, enviado com max_tokens: 500 em minimal (não documentado, veja abaixo), low, medium, high e max, o resultado foi o oposto:

effort	prompt_tokens	completion_tokens	finish_reason
minimal	130	499	stop
low	130	499	stop
medium	130	499	stop
high	130	499	stop
max	130	499	stop

Cada nível cobrou exatamente 499 completion tokens pelo mesmo prompt. Não foi aproximadamente — foi exatamente igual. O que realmente mudou foi o conteúdo escrito:

minimal: Mantenha-se hidratado onde quer que esteja com esta garrafa de aço inoxidável de 750ml. O isolamento de parede dupla mantém as bebidas geladas por 24 horas e quentes por 12, então sua água fica refrescante desde a trilha até a academia. A tampa à prova de vazamentos veda bem na mochila, o acabamento fosco resiste a riscos e é firme na mão. Sem BPA, durável, adequada para cada treino e aventura ao ar livre.

high: Garrafa térmica de aço inoxidável, 750ml. Feita para trilhas longas e treinos mais longos. O isolamento de aço inoxidável de parede dupla mantém as bebidas geladas por 24 horas ou quentes por 12, então sua água fica fresca até o último gole. A tampa à prova de vazamentos veda bem na mochila ou na bolsa de academia. O acabamento fosco resiste ao desgaste e não teme mãos suadas. 750ml são suficientes para um pedal inteiro sem te sobrecarregar.

O high acrescentou uma linha de título em negrito e reorganizou a ordem dos argumentos de venda; o minimal foi direto aos argumentos. Ambos ficaram em 60 palavras, ambos respeitaram a regra de "sem adjetivos superlativos", e o custo foi o mesmo. low e medium ficaram entre os dois, com estrutura decrescente. Note que minimal na verdade não está na lista documentada de cinco níveis — ele não foi rejeitado, mas valores não documentados devem ser tratados como não suportados, não como algo para depender em produção; use um dos cinco listados (low/medium/high/xhigh/max).

A verdadeira lição: reasoning.effort muda o estilo, não o preço. Com max_tokens fixo, o custo depende do limite que você define, não da string de effort. Se você orça seu pipeline de redação por nível de effort, achando que low é a faixa barata, isso não é verdade — max_tokens é a única alavanca que muda a fatura.

A armadilha: o reasoning consome silenciosamente seu orçamento de max_tokens

A descoberta de que "o custo depende de max_tokens" tem um efeito colateral agudo. O claude-opus-5-5 faz raciocínio interno antes de escrever a resposta visível, e esse raciocínio interno compartilha o mesmo limite de max_tokens da resposta em si. Se você aumentar o effort sem elevar o limite, o modelo pode esgotar o orçamento no meio da resposta — ou antes de escrever qualquer conteúdo visível.

Primeiro caso: em um prompt comum de redação, usando effort: xhigh e max_tokens: 500:

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5-5",
    "max_tokens": 500,
    "reasoning": {"effort": "xhigh"},
    "messages": [
      {"role": "system", "content": "You are an e-commerce copywriter. Given a product spec, write a title (max 70 characters), 3 bullet features, and a 2-3 sentence description. No superlatives, no exclamation marks."},
      {"role": "user", "content": "Product: insulated travel mug. Material: 18/8 stainless steel, double-wall vacuum insulation. Capacity: 16oz. Lid: leak-proof slide lock. Keeps drinks hot 6 hours, cold 12 hours."}
    ]
  }'

Resposta real, sem edição — ela foi cortada no meio da frase:

Título: Caneca térmica de aço inoxidável 16oz com tampa de trava deslizante à prova de vazamentos

Características:

• Mantém quente e frio: O isolamento a vácuo de parede dupla mantém as bebidas quentes por 6 horas e frias por 12 horas.
• Construção durável: Feita de aço inoxidável 18/8, resistente à ferrugem e sem retenção de odores.
• Tampa à prova de vazamentos: A abertura com trava deslizante veda, então você pode jogar a caneca na bolsa sem se preocupar com vazamentos.

Descrição: Esta caneca térmica de 16oz usa isolamento a vácuo de parede dupla para manter seu café quente a manhã inteira, ou seu

finish_reason: "length", 500 completion tokens cobrados, e a oração da descrição parou abruptamente em "ou seu" — sem pontuação final, sem erro, sem campo de aviso. Um pipeline que só verifica HTTP 200 publicaria essa meia frase diretamente na página do produto.

O segundo caso é pior: um prompt de resposta de atendimento ao cliente, com max_tokens: 300 e reasoning padrão, retornou completamente vazio.

{
  "finish_reason": "length",
  "usage": {"prompt_tokens": 157, "completion_tokens": 300, "total_tokens": 457},
  "message": {"content": "", "reasoning_details": [{"text": "", "type": "reasoning.text"}]}
}

content é uma string vazia. O campo reasoning_details confirma o motivo: o modelo gastou todo o orçamento de 300 tokens em raciocínio interno ("text": "" — nem o traço de raciocínio foi exposto, apenas um bloco signature opaco e criptografado), sem sobrar espaço para escrever a resposta real. O hiapi ainda cobrou os 300 completion tokens completos por essa chamada — você paga pelo pensamento, quer uma resposta visível seja gerada ou não.

A correção é a mesma nos dois casos: ao definir max_tokens, deixe uma margem real acima do necessário para a resposta visível, especialmente com effort high/xhigh/max. E não confie que finish_reason: "stop" seja prova de uma boa resposta — antes de gravar no banco de dados, verifique se content não está vazio e se realmente expressa a ideia por completo.

Caso de uso: redação de respostas de atendimento ao cliente

Alimente-o com sua política e a mensagem real do cliente:

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5-5",
    "max_tokens": 400,
    "reasoning": {"effort": "medium"},
    "messages": [
      {
        "role": "system",
        "content": "You are a customer support agent for an online water bottle store. Policy: 30-day return window from delivery. Manufacturing defects reported after the window should be referred to the manufacturer'\''s own warranty. Reply in under 100 words, empathetic but concise, end with a clear next step."
      },
      {
        "role": "user",
        "content": "I bought a water bottle 35 days ago and the seal is already leaking. Can I get a refund or exchange?"
      }
    ]
  }'

Resposta real, sem edição:

Sinto muito pelo problema de vazamento. Como já se passaram 35 dias, o pedido está fora da nossa janela de devolução de 30 dias, então não consigo processar uma devolução ou troca pelo nosso lado. Muitas marcas de garrafas oferecem garantia para defeitos de vedação em uso normal, então recomendo entrar em contato diretamente com o fabricante. Se você fornecer o número do pedido, posso enviar os dados da marca para ajudar você a abrir a solicitação.

Ele aplicou corretamente o caso limite exato da política — 35 dias ultrapassam a janela de 30 dias, então recusou a devolução direta e encaminhou para a garantia do fabricante, em vez de apenas se desculpar e ainda assim oferecer reembolso. 277 completion tokens, finish_reason: "stop", resposta completa e sem truncamento. Este é o mesmo modelo, a mesma conta e o mesmo effort medium da tabela de redação acima — a diferença aqui é que max_tokens: 400 deu espaço suficiente para raciocinar e responder ao mesmo tempo.

Capacidade visual disponível, apesar de o model card dizer o contrário

Mais uma surpresa verificada na prática: o model card do claude-opus-5-5 lista Input modalities: text — não há menção a entrada de imagens em lugar nenhum. Mas enviar uma imagem para ele ainda funciona:

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5-5",
    "max_tokens": 150,
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "In one sentence, what is in this photo?"},
        {"type": "image_url", "image_url": {"url": "https://example.com/photo.jpg"}}
      ]
    }]
  }'

Resposta real, sem edição (truncada pelo mesmo mecanismo de max_tokens mencionado acima — 150 não foi suficiente):

Esta é uma flat lay organizada de acessórios masculinos do dia a dia sobre uma superfície cinza, incluindo uma carteira preta com zíper, um par de óculos de sol aviador, uma gravata borboleta de tweed, um caderno

Ele leu a foto corretamente. A listagem de modalidade "text" no model card está errada para esta rota, ou pelo menos incompleta — o mesmo padrão de "card em desacordo com a realidade" que o artigo do claude-opus-4-8 encontrou em suas afirmações sobre capacidade visual. Não construa pipelines que dependam da lista de modalidades publicada para impor restrições; como no parâmetro reasoning acima, envie uma requisição real e leia a resposta real.

Nota de custo

Nove chamadas reais, todas cobradas na rota única claude-opus-5-5 (não existe variante -aws ou outra de preço para este modelo, ao contrário do claude-opus-4-8), calculadas com base na página de preços do hiapi de $2.02 por milhão de tokens de entrada e $10.08 por milhão de tokens de saída:

Chamada	prompt_tokens	completion_tokens	Custo
Tabela de effort × 5 (minimal/low/medium/high/max)	650	2.495	$0.0264
Armadilha de truncamento com xhigh	185	500	$0.0054
Armadilha da resposta vazia	157	300	$0.0033
Resposta de atendimento ao cliente	3.590	277	$0.0100
Teste visual	690	150	$0.0029
Total	5.272	3.722	$0.0482

Não há geração de imagens aqui — o claude-opus-5-5 não gera imagens, então cada dólar acima é custo de token, e as duas linhas de "armadilha" merecem orçamento extra reservado: elas pagaram dinheiro real por saídas truncadas ou totalmente vazias.

Perguntas frequentes

O claude-opus-5-5 consegue gerar imagens de produtos? Não. Seu model card lista modalidades de entrada e saída apenas textuais, e cada resposta acima é texto. Se a tarefa é realmente gerar novas fotos de produto, isso exige um modelo de geração de imagens, não este.

Um reasoning.effort mais alto custa mais caro? Por si só, não. Com max_tokens fixo, os cinco níveis documentados testados acima cobraram exatamente a mesma quantidade de completion tokens — o effort muda a escrita, não a quantidade de tokens. O que realmente custa mais caro é aumentar max_tokens para dar espaço a níveis de effort mais altos raciocinarem e responderem ao mesmo tempo.

Por que recebi uma resposta vazia sem erro? O max_tokens estava baixo demais para o raciocínio interno que o modelo faz antes de escrever. Não é um bug — finish_reason mostra "length", você ainda paga a quantidade completa de tokens, mas content pode vir em branco ou truncado. Sempre verifique se content não está vazio e está completo, em vez de apenas verificar se a chamada retornou 200.

Ele realmente suporta entrada de imagens? Sim, confirmado enviando uma imagem real na requisição acima e obtendo uma descrição precisa — embora o próprio card do modelo liste text como única modalidade de entrada.

Começando

Para experimentar por conta própria: você precisa de uma chave de API do hiapi, da página do modelo claude-opus-5-5 (para ver o preço atual e a lista completa de reasoning-effort) e, se estiver comparando modelos puramente textuais para a mesma carga de trabalho de redação de e-commerce e atendimento ao cliente, o artigo do claude-opus-4-8 cobre o mesmo conteúdo na geração anterior do Opus — antes de trocar o pipeline de produção, vale verificar se o trade-off de max_tokens/reasoning acima justifica o upgrade.