DeepSeek V4 Pro para e-commerce: textos de produto e respostas de atendimento ao cliente

Resposta breve

DeepSeek V4 Pro é um modelo de raciocínio puramente textual — ele não tem endpoint de imagem, portanto não consegue processar "imagens de produto". O que ele realmente faz bem na stack de e-commerce é o trabalho textual em torno dessas imagens: transformar tabelas de especificações brutas em textos de detalhes de produto e lidar com respostas de atendimento em conformidade com as políticas, que exigem aplicação precisa das regras de devolução/entrega da loja. A seguir estão duas chamadas reais ao endpoint deepseek-v4-pro em execução na hiapi, com prompts reais, saídas reais e custos reais de tokens.

Por que escolher este modelo, e não um modelo de imagem

Se você chegou aqui porque algum briefing de produto mencionou "usar deepseek-v4-pro para imagens de produto", isso é um erro de roteamento: deepseek-v4-pro expõe apenas os tipos de endpoint openai (Chat Completions) e openai-response (Responses API) — não há endpoint task, que é o que todos os modelos de imagem ou vídeo na hiapi usam. Ele não possui nenhuma capacidade de geração de imagem. Se você precisa de fotografia de produto, use um modelo de imagem como o GPT Image 2.

O valor do DeepSeek V4 Pro está na camada textual em torno dessas fotos de produto: redigir os textos de detalhes que acompanham as fotos e responder aos tickets de atendimento pós-venda. Conforme a própria descrição do modelo, ele foi construído para "raciocínio complexo, codificação e fluxos de trabalho de agentes", com uma janela de contexto de 1 milhão de tokens e chamada de ferramentas nativa — útil quando uma resposta de atendimento precisa raciocinar com base em políticas de loja de várias etapas, em vez de apenas preencher respostas prontas com um template.

Há um comportamento que vale conhecer antes de construir um sistema em torno dele: o DeepSeek V4 Pro vem com raciocínio ativado por padrão, mesmo para prompts triviais. Enviar apenas "Say OK." sem outros parâmetros ainda retorna um campo reasoning_content não vazio. A maioria dos outros modelos de texto na hiapi usa um modo de raciocínio mais leve por padrão; este modelo é mais pesado por padrão. Se você está fazendo geração de texto de alta frequência e baixa complexidade e quer reduzir latência e custo de tokens de conclusão, pode diminuir isso com o parâmetro reasoning_effort — mas para qualquer cenário em que errar um detalhe de política custa caro (como o exemplo de atendimento abaixo), a configuração padrão é, digamos, a escolha certa.

Exemplo real 1: gerar texto de detalhes de produto a partir de uma tabela de especificações

O prompt abaixo foi a mensagem exata de system + user enviada a deepseek-v4-pro via /v1/chat/completions, sem edição:

Prompt de sistema:

Você é um copywriter de e-commerce de um varejista de médio porte de equipamentos para atividades ao ar livre. Transforme a tabela de especificações brutas em detalhes de produto: um título forte (máximo de 70 caracteres), duas frases de gancho, 5 tópicos fáceis de escanear (cobrindo as especificações mais relevantes para conversão) e uma meta description de SEO. Não invente especificações não fornecidas. Produza texto puro com rótulos de seção claros, sem títulos markdown.

Prompt do usuário (tabela de especificações bruta):

Produto: TrailForge 3L Rain Shell Jacket
Material: nylon ripstop reciclado de 3 camadas, revestimento DWR sem PFAS
Impermeabilidade: 20.000 mm de coluna d'água
Respirabilidade: classificação RET de 15.000 g/m2/24h
Peso: 340 g (tamanho M masculino)
Recursos: zíperes de ventilação sob as axilas, capuz de 3 pontos ajustável compatível com capacete, zíperes YKK AquaGuard, 2 bolsos para as mãos + 1 bolso no peito, embalável no próprio bolso
Tamanhos: XS-XXL
Cores: Storm Grey, Moss Green, Black
Preço: US$ 189
Público-alvo: caminhantes de fim de semana e corredores de trilha que precisam de uma jaqueta impermeável embalável para clima variável

Saída real do modelo:

Título: TrailForge 3L Rain Shell Jacket — Impermeável, Respirável, Embalável

Frases de gancho: A TrailForge 3L Rain Shell foi feita para caminhantes de fim de semana e corredores de trilha, resistindo a tempestades com facilidade graças à classificação de impermeabilidade de 20.000 mm. Ela embala no próprio bolso, então você pode guardá-la assim que o céu abrir.

Tópicos:
• Nylon ripstop reciclado de 3 camadas com revestimento DWR sem PFAS oferece proteção climática durável e ecologicamente responsável.
• Coluna d'água de 20.000 mm e respirabilidade de 15.000 g/m2/24h mantêm você protegido da chuva e do suor.
• Zíperes de ventilação sob as axilas e capuz de 3 pontos ajustável compatível com capacete permitem ventilação rápida e ajuste firme sobre coberturas de cabeça.
• Zíperes YKK AquaGuard, 2 bolsos para as mãos + 1 bolso no peito; embalável no próprio bolso, pesa 340 g (tamanho M masculino).
• Disponível em tamanhos XS-XXL, nas cores Storm Grey, Moss Green e Black, por US$ 189.

Meta description: Compre a TrailForge 3L Rain Shell Jacket: uma jaqueta impermeável sem PFAS, com 20.000 mm de impermeabilidade, respirável e embalável, para caminhantes de fim de semana e corredores de trilha.

Nenhuma especificação foi inventada — cada afirmação na saída é rastreável a uma linha da tabela de entrada. Essa adesão às restrições é onde está o valor real: um gerador de detalhes que inventa especificações é pior do que nenhum gerador.

Esta chamada usou 327 tokens de prompt e 1.842 tokens de conclusão (dos quais 1.586 são tokens de raciocínio, usados para calcular o comprimento do título e a ordenação dos tópicos antes de escrever o texto final). Com US$ 1,50 por milhão de tokens de entrada e US$ 4,50 por milhão de tokens de saída, um texto de detalhes completo custa US$ 0,0088.

Exemplo real 2: resposta de atendimento em conformidade com a política

A automação de atendimento é um teste mais rigoroso do que a redação de textos — o modelo precisa citar cláusulas reais da política, não apenas escrever texto fluente. Mesma configuração, chamada real:

Prompt de sistema:

Você é um agente de atendimento ao cliente de uma loja online de equipamentos para atividades ao ar livre. Política da loja: os produtos podem ser devolvidos em até 30 dias após a entrega, desde que não tenham sido usados e as etiquetas estejam intactas; o frete de devolução é por conta da loja apenas para itens com defeito/errados, nos demais casos o frete de devolução é por conta do cliente; o reembolso é feito no meio de pagamento original em até 5-7 dias úteis após o recebimento da devolução pelo armazém. Escreva uma resposta calorosa e concisa (até 130 palavras), respondendo diretamente ao cliente, citando a cláusula específica da política aplicável e fornecendo um próximo passo claro. Não invente detalhes de política não listados acima.

Prompt do usuário (mensagem do cliente):

Olá, comprei a TrailForge 3L Rain Shell no tamanho M, mas ficou pequena para mim. Não usei, as etiquetas ainda estão no lugar, e já se passaram 12 dias desde a entrega. Posso devolver e receber reembolso? Além disso, quem paga o frete da devolução?

Saída real do modelo:

Olá! Sim, você pode devolver a TrailForge 3L Rain Shell e receber reembolso. Como já se passaram 12 dias desde a entrega, e ela não foi usada e as etiquetas estão intactas, ela está em conformidade com a nossa política de devolução de 30 dias. Como o tamanho ficou pequeno, mas o produto não tem defeito nem foi enviado errado, o frete de devolução é por sua conta. Assim que nosso armazém receber a devolução, o reembolso será feito no seu meio de pagamento original em até 5-7 dias úteis.

Próximo passo: responda a este e-mail e eu enviarei a autorização de devolução e as instruções de envio.

Duas coisas se destacam. Primeiro, ele distinguiu corretamente entre "elegível para devolução" (sim, 12 dias < 30 dias, não usada, etiquetas intactas) e "quem paga o frete" (o cliente, porque um problema de tamanho não é defeito) — essa distinção é frequentemente errada por templates simples, que assumem por padrão que a loja paga o frete de qualquer devolução. Segundo, ele seguiu estritamente a política fornecida; não inventou taxa de reposição de estoque nem opção de troca que não existiam no prompt de sistema.

Esta chamada custou US$ 0,0040 — 258 tokens de prompt, 801 tokens de conclusão (689 tokens de raciocínio). Rodando por volume, menos de meio centavo por ticket faz a avaliação de política ser feita corretamente de uma vez antes da intervenção humana.

Quando isso é melhor do que um fluxo de atendimento puramente baseado em templates

Sistemas de macros/templates fixos custam menos por resposta, mas são frágeis: não conseguem lidar com situações em que o cliente faz duas perguntas de política ao mesmo tempo (elegibilidade para devolução e custo do frete), a menos que os templates explodam ou a conversa vá para um humano. O custo do DeepSeek V4 Pro aqui é tão baixo que é quase de graça, então o fator decisivo costuma ser o volume de tickets de atendimento e a frequência com que um único ticket exige uma referência cruzada simples entre as regras da loja — não o preço bruto.

Se o seu prompt de atendimento repete o mesmo bloco de políticas em milhares de tickets, então a tarifa de entrada em cache de US$ 0,05 por milhão de tokens importa: em caso de acerto de cache, o prompt de sistema repetido é cobrado a cerca de 1/30 da tarifa normal de entrada, o que se acumula rapidamente em escala. Consulte a página de preços da hiapi e a página do modelo DeepSeek V4 Pro para os preços completos e atualizados.

Perguntas frequentes

O DeepSeek V4 Pro consegue gerar imagens de produto? Não. Ele expõe apenas endpoints de texto (Chat Completions e Responses API) — o modelo não tem nenhum tipo de tarefa de imagem ou vídeo anexado. Combine-o com um modelo de imagem para tratar a parte visual dos detalhes de produto.

Ele suporta o formato Chat Completions no estilo OpenAI? Sim — supported_endpoint_types inclui tanto openai (Chat Completions) quanto openai-response (a API Responses mais recente), então integrações existentes de Chat Completions funcionam sem alterações.

Por que até um prompt de uma linha retorna tokens de raciocínio? O modelo vem com raciocínio ativado por padrão, enquanto a maioria dos outros modelos da plataforma usa um modo mais leve por padrão. Se você está fazendo geração de texto simples e de alta frequência e quer reduzir latência e custo, defina explicitamente reasoning_effort mais baixo na requisição.

Em cenários de e-commerce, vale mais a pena usá-lo do que um modelo sem raciocínio? Para tarefas com restrições rígidas — não inventar especificações, não declarar políticas de forma errada — a etapa de raciocínio é justamente o que mantém a saída precisa. Para reescritas puramente de tom/estilo, sem verificação de restrições, um modelo mais leve pode ser mais barato sem perda de qualidade. Consulte Kimi K3 em textos de e-commerce e atendimento ao cliente para uma análise comparativa semelhante.

Resumo dos pontos principais

• deepseek-v4-pro é um modelo puramente textual — direcione necessidades de imagem para um modelo de imagem, e use este modelo para a camada de texto e conversa.
• Neste teste, gerar detalhes completos de produto (título, frases de gancho, 5 tópicos, meta description) a partir de uma tabela de especificações bruta custou US$ 0,0088, sem inventar nenhuma especificação.
• Uma resposta de atendimento em conformidade com a política, incluindo a distinção de "quem paga o frete", custou US$ 0,0040.
• O modelo vem com raciocínio ativado por padrão — até prompts triviais geram tokens de raciocínio, a menos que você reduza reasoning_effort.
• Com US$ 1,50/4,50 por milhão de tokens de entrada/saída e cerca de US$ 0,05 por milhão de tokens para entrada em cache, prompts de sistema repetidos (como blocos fixos de política de atendimento) ficam significativamente mais baratos em escala via cache de prompt.

Pronto para experimentar? A página do modelo DeepSeek V4 Pro oferece preços em tempo real e um playground, e a documentação da API cobre a configuração do Chat Completions e da Responses API, caso você queira conectá-lo ao seu próprio pipeline de atendimento ou de textos de detalhes de produto.