DeepSeek V4 Flash para e-commerce: textos de catálogo de produtos, respostas de atendimento ao cliente e chamadas de ferramentas

Equipes de e-commerce não precisam apenas de imagens de produtos — o grosso do volume diário de texto na verdade é composto por textos de catálogo de produtos, respostas de atendimento ao cliente baseadas em documentos de políticas e consultas de status de pedidos, e todo esse trabalho precisa ser rápido o suficiente, consistente o suficiente e barato o bastante para rodar em cada SKU e em cada ticket.

O deepseek-v4-flash está disponível através da API hiapi e é um modelo somente texto de pesos abertos que não gera imagens nem vídeos — se você veio até aqui em busca de geração de imagens de produtos por IA, confira o guia de fluxo de trabalho de e-commerce com gpt-image-2. O que o deepseek-v4-flash realmente faz bem é realizar trabalho de texto de alto throughput com custo extremamente baixo, apoiado por uma janela de contexto de 1 milhão de tokens, saída JSON nativa e capacidade de chamada de ferramentas compatível com OpenAI. Este guia cobre três casos de uso concretos de e-commerce — textos em lote para catálogo de produtos, respostas de atendimento ao cliente baseadas em documentos de políticas e consultas de pedidos via chamada de ferramentas — com chamadas de API reais, uso real de tokens e custo real por requisição.

Por que o deepseek-v4-flash não é um modelo de imagens de produtos

O deepseek-v4-flash é o membro da família DeepSeek V4 focado em velocidade e custo-benefício: um modelo misto de especialistas de pesos abertos, com 284B de parâmetros totais, 13B ativados por token, janela de contexto de 1.000.000 de tokens e saída máxima de 384.000 tokens. Ele é servido exclusivamente através do endpoint Chat Completions compatível com OpenAI da hiapi — não suporta entrada visual nem geração de imagens. Se o seu fluxo de trabalho de e-commerce exige tanto produção de imagens quanto redação de textos, o guia de e-commerce do kimi-k3 da hiapi apresenta um modelo de raciocínio somente texto comparável; para os casos de uso abaixo, as diferenças que realmente importam são a janela de contexto muito maior do deepseek-v4-flash e um preço por token cerca de 30 a 40 vezes menor (veja a seção de custos).

O modelo suporta dois modos de resposta — pensamento (padrão) e não pensamento — controlados por thinking.type, além de um parâmetro reasoning_effort (quando o pensamento está habilitado, pode ser high (padrão) ou max). Em nossos próprios testes, definir thinking.type: "disabled" ainda produziu uma pequena quantidade de reasoning_content e reasoning_tokens diferentes de zero, em vez de eliminá-los completamente — algo que vale saber antes de supor que "disabled" significa custo de raciocínio zero. Os custos medidos abaixo já levam isso em consideração.

Caso de uso 1: textos em lote para catálogo de produtos em uma única chamada no modo JSON

Em vez de fazer uma chamada de API separada para cada SKU, coloque um lote de especificações brutas em uma única requisição e exija JSON estruturado. É aqui que o contexto de 1 milhão de tokens faz diferença: uma tabela de especificações com centenas de SKUs cabe facilmente em uma única chamada, e response_format: {"type": "json_object"} fornece uma saída interpretável por máquina que seu pipeline de catálogo pode consumir diretamente, sem precisar extrair conteúdo das respostas de chat com expressões regulares.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {
        "role": "system",
        "content": "你是一名电商商品目录文案撰写者。给定一份原始产品规格列表，返回一个 JSON 对象，键为 \"products\"，是一个数组，其中每一项包含：sku、title（最多 70 个字符）、bullets（3 个字符串）、meta_description（最多 155 个字符）。只输出 JSON。"
      },
      {
        "role": "user",
        "content": "为以下 3 个 SKU 撰写商品目录文案。\n\nSKU MW-201：男士跑鞋，网面鞋面，透气，重量 280g，EVA 中底，橡胶外底，尺码 7-13，颜色：黑/红、黑/白、藏青。\n\nSKU KB-114：不锈钢厨房刀具套装，6 件套，高碳钢刀片，人体工学手柄，含木质刀架，仅刀片可洗碗机清洗。\n\nSKU LP-330：USB-C 笔记本电脑充电器，65W 快充，兼容大多数 USB-C 笔记本电脑和手机，1.8m 编织线缆，紧凑可折叠插头。"
      }
    ],
    "thinking": {"type": "disabled"},
    "response_format": {"type": "json_object"}
  }'

Resposta real para esses 3 SKUs:

{
  "products": [
    {
      "sku": "MW-201",
      "title": "Tênis de corrida masculino - malha respirável, entressola EVA",
      "bullets": [
        "Cabedal em malha respirável mantém os pés frescos e secos durante a corrida",
        "Design leve de 280g com entressola EVA para amortecimento responsivo",
        "Solado de borracha durável, várias opções de cores, tamanhos 7-13"
      ],
      "meta_description": "Compre o tênis de corrida masculino MW-201: malha respirável, entressola EVA, solado de borracha. Leve com 280g, tamanhos 7-13, disponível em preto/vermelho, preto/branco e azul-marinho."
    }
  ]
}

O usage real desta chamada: 277 tokens de entrada, 962 tokens de saída (dos quais 555 são tokens de raciocínio, mesmo com o pensamento desabilitado), total de 1.239. Com entrada a $0.14/M e saída a $0.28/M, três páginas completas de produto por SKU custam apenas $0.00031 — e o mesmo formato de requisição pode escalar para centenas de SKUs por chamada antes de atingir o limite de contexto, em vez de uma ida e volta por SKU.

Caso de uso 2: colocar o documento de políticas inteiro no contexto para gerar respostas de atendimento ao cliente fundamentadas na política

Respostas de atendimento ao cliente erram porque o modelo está parafraseando uma política que na verdade não domina — ele ou inventa uma exceção ou omite uma exceção. Com uma janela de 1 milhão de tokens, você pode colar a política completa de devolução/garantia/entrega no prompt do sistema a cada requisição, sem precisar recuperar e truncar trechos, de modo que o modelo raciocina sobre o documento real em vez de fragmentos incompletos.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {
        "role": "system",
        "content": "你是 Northwind Outdoor Gear 的客服专员。严格依据所提供的政策文档作答。注明适用的是哪一条政策条款。如果客户不符合其诉求的资格，请明确说明，并解释他们实际上符合哪些资格。"
      },
      {
        "role": "user",
        "content": "政策文档：\n<完整的退货/保修政策文本>\n\n客户消息：\n你好，我 7 周前买了徒步靴，穿着走了两次山路。现在左脚靴子的鞋底正在与鞋身分离。我原来的鞋盒已经没有了。我可以退款吗？需要为退货运费付费吗？"
      }
    ],
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high"
  }'

Após inserir na entrada um documento real de política de devolução/garantia com 6 seções, o modelo distinguiu corretamente a política padrão de devolução em 30 dias (não aplicável — as botas já foram usadas) da garantia de 12 meses contra defeitos de fabricação (aplicável — a separação do solado está explicitamente listada), apontou corretamente que reclamações de garantia não exigem a caixa original, embora devoluções padrão exijam, e isentou corretamente o frete de devolução para reclamações de defeito. Ou seja, para um documento de 6 seções colado diretamente na requisição, quatro detalhes independentes de política foram aplicados corretamente.

usage real: 552 tokens de entrada, 730 tokens de saída (417 de raciocínio), total de 1.282 — com a fundamentação completa da política e reasoning_effort: high, $0.00028 por resposta.

Caso de uso 3: consultas reais de pedidos com chamada de ferramentas

Para tickets do tipo "onde está meu pedido", você não quer que o modelo adivinhe — você quer que ele chame sua API de status de pedidos e responda com base em resultados reais. O deepseek-v4-flash suporta tools e tool_choice: "auto" compatíveis com OpenAI (o padrão compatível no modo de pensamento; quando o pensamento está habilitado, alguns valores de tool_choice forçados não são suportados).

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {"role": "system", "content": "你是一名订单状态助手。回答前使用 get_order_status 工具查询订单。"},
      {"role": "user", "content": "我的订单 #A-88213 到哪了？"}
    ],
    "tools": [{
      "type": "function",
      "function": {
        "name": "get_order_status",
        "description": "按订单 ID 查询客户订单当前的配送状态。",
        "parameters": {
          "type": "object",
          "properties": {"order_id": {"type": "string", "description": "订单 ID，例如 A-88213"}},
          "required": ["order_id"]
        }
      }
    }],
    "tool_choice": "auto",
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high"
  }'

O modelo extraiu corretamente o ID do pedido e emitiu uma chamada de ferramenta real — get_order_status({"order_id": "A-88213"}) — em vez de responder com base em suposições. Execute sua própria consulta, devolva o resultado como uma mensagem tool e peça ao modelo que redija a resposta final. Esta chamada usou 411 tokens de entrada e 75 tokens de saída (25 de raciocínio) — apenas a etapa de roteamento custa $0.00008.

Cálculo de custos: quanto custa de fato em escala

Calculando exatamente as mesmas quantidades de tokens com o preço do kimi-k3 (entrada $2.32/M, saída $11.60/M) em vez do preço do deepseek-v4-flash (entrada $0.14/M, saída $0.28/M):

Chamada	deepseek-v4-flash	Mesma quantidade de tokens no kimi-k3	Múltiplo
Texto de catálogo de produtos (3 SKUs, modo JSON)	$0.00031	$0.0118	Aproximadamente 38 vezes
Resposta de atendimento ao cliente fundamentada na política	$0.00028	$0.0097	Aproximadamente 35 vezes

Considerando o processamento mensal de 50.000 tickets de atendimento ao cliente e 20.000 atualizações de SKUs de catálogo, essa é a diferença entre cerca de $20 por mês e mais de $700 por mês para o mesmo volume de trabalho — sem contar que o contexto maior do deepseek-v4-flash permite processar mais trabalho por chamada desde o início. Consulte a tabela de preços completa, que lista lado a lado cada modelo hospedado pela hiapi.

Começando rapidamente

Você precisa de uma chave de API hiapi (a mesma chave serve para todos os modelos da plataforma) e enviar uma requisição POST para o endpoint Chat Completions:

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [{"role": "user", "content": "返回包含 summary 和 risks 两个键的 JSON。"}],
    "thinking": {"type": "disabled"},
    "response_format": {"type": "json_object"}
  }'

Para respostas em streaming, migração de clientes SDK OpenAI existentes e a referência completa de parâmetros (max_tokens, stream, thinking, reasoning_effort, response_format, tools), consulte a documentação do deepseek-v4-flash e o tutorial geral de API (com configuração em curl e Python). Antes de integrar tarefas em lote de catálogo de produtos, verifique os limites de taxa. Leia a resposta em choices[0].message.content; no modo de pensamento, o rastro de raciocínio fica em choices[0].message.reasoning_content — se você for continuar uma rodada de chamada de ferramentas, mantenha-o na mensagem do assistente.

Perguntas frequentes

O deepseek-v4-flash consegue gerar imagens de produtos?Não — ele é um modelo somente texto. Se você precisa gerar imagens de produtos no mesmo pipeline, combine-o com um modelo de imagem dedicado, como o apresentado no guia de e-commerce com gpt-image-2.

Desabilitar o pensamento garante custo de raciocínio zero?Em nossos testes, não — thinking.type: "disabled" ainda produziu reasoning_tokens diferentes de zero e campos reasoning_content curtos em cada chamada que fizemos, incluindo respostas de uma única palavra. Planeje o orçamento com base no usage medido, e não apenas no nome do parâmetro.

Qual o tamanho máximo de catálogo ou documento de política que posso colar?Até a janela de contexto de 1.000.000 de tokens, com saída máxima de 384.000 tokens — o suficiente para incluir um documento de política completo de várias páginas ou um lote de tabelas de especificações de centenas de SKUs em uma única requisição, muito além da capacidade de contexto da maioria dos modelos.