Casos de prompt do GPT-6 Luna: 5 cenários em lote para copiar diretamente

Os 5 cenários abaixo são tarefas em lote nas quais o GPT-6 Luna se destaca: classificação, extração, reescrita, perguntas e respostas, agent. Cada um acompanha o prompt completo e sugestões de parâmetros, prontos para copiar e usar. O GPT-6 Luna já está disponível na HiAPI, abra a página do modelo para conversar diretamente; novos usuários ganham 200 créditos ao se registrar.

1. Classificação em lote: análise de sentimento de avaliações de produtos

Necessidade: todos os dias chegam milhares de avaliações de usuários, que precisam ser classificadas por sentimento em positive/neutral/negative, extraindo também as características específicas do produto mencionadas.

Parâmetros principais: reasoning.effort=none (classificação não precisa de raciocínio), e text.format usa json_schema para forçar saída estruturada.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Você é um assistente de análise de avaliações de produtos. Analise cada avaliação de usuário e produza JSON, contendo o sentimento (positive/neutral/negative), a lista de características do produto mencionadas e se recomenda a compra. Produza apenas o JSON, sem texto adicional."
    },
    {
      "role": "user",
      "content": "A cor é bonita, mas depois de duas semanas o fundo descascou. Não recomendo."
    }
  ],
  "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"]
      }
    }
  }
}

Saída esperada:

{
  "sentiment": "negative",
  "features": ["cor", "durabilidade"],
  "recommend": false
}

Com reasoning.effort=none desativando o raciocínio, o modelo emite diretamente o resultado estruturado, sem gerar tokens de raciocínio. Este prompt consome cerca de 200–300 tokens por chamada (incluindo o prompt de sistema); com o tier standard a $0.025/M de entrada, rodar 10.000 por dia custa cerca de $0.06. Com cache, o prompt de sistema em caso de acerto fica ainda mais barato.

2. Extração estruturada: extrair campos de textos de contratos

Necessidade: extrair de textos OCR de digitalizações não estruturadas de contratos as partes contratantes, o valor, as datas e as cláusulas principais.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Extraia as informações principais do seguinte texto de contrato e produza JSON. Converta valores monetários para o tipo numérico e datas para o formato YYYY-MM-DD. Se algum item não existir, preencha o campo correspondente com null. Produza apenas o JSON."
    },
    {
      "role": "user",
      "content": "Parte A: Shanghai Zhima Network Technology Co., Ltd.\nParte B: Hangzhou Shuyun Information Technology Co., Ltd.\nValor do contrato: cento e vinte mil yuans (¥120.000)\nData de assinatura: 15 de outubro de 2026\nPrazo de serviço: 12 meses a partir da data de assinatura\nForma de pagamento: 50% em até 7 dias úteis após a assinatura, e os 50% restantes após a aceitação"
    }
  ],
  "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"]
      }
    }
  }
}

Saída esperada:

{
  "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% em até 7 dias úteis após a assinatura, e os 50% restantes após a aceitação"
}

No schema, required lista apenas os campos principais; os campos auxiliares (duration_months, payment_terms) não são obrigatórios, e não haverá erro se não aparecerem no texto.

3. Reescrita em lote: redução de duplicidade e padronização de estilo

Necessidade: reescrever um lote de descrições de produtos, originalmente de fornecedores diferentes, em um tom de marca unificado, removendo ao mesmo tempo duplicidades.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Você é um editor de conteúdo de e-commerce. Reescreva a seguinte descrição de produto em um tom de marca unificado: conciso, profissional e destacando os cenários de uso. Mantenha todas as informações factuais (dimensões, material, funções) e não adicione conteúdo que não esteja no original."
    },
    {
      "role": "user",
      "content": "Esta caneca de café é maravilhosa! Interior em aço inoxidável 304, mantém a temperatura por 6 horas, capacidade de 380 ml. A tampa tem anel de vedação, não vaza dentro da bolsa. Serve para escritório e atividades ao ar livre."
    }
  ]
}

Saída esperada:

Garrafa térmica de aço inoxidável de 380 ml, interior 304, mantém a temperatura por 6 horas. Tampa hermética com design antivazamento. Ideal para escritório e atividades ao ar livre.

Para tarefas de reescrita, defina reasoning.effort=none; cada entrada consome cerca de 150 tokens e produz cerca de 80 tokens, com cobrança de $0.025/$0.125, resultando em cerca de $0.014 para 1.000 itens. Se o prompt de sistema for o mesmo, o custo de entrada cai ainda mais com acerto de cache.

4. Respostas automáticas de FAQ: dúvidas frequentes do atendimento

Necessidade: usar o manual do produto e o documento de FAQ do atendimento como prompt de sistema para responder automaticamente às dúvidas frequentes dos usuários. Não precisa de raciocínio, mas é preciso citar com precisão o conteúdo do documento.

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "Você é o assistente de atendimento da HiAPI. Estas são as informações do produto que você precisa conhecer:\n\nA HiAPI é uma plataforma intermediária de API de IA, que agrega modelos de texto, imagem, vídeo e áudio.\n\nModelo de preços: cobrança por token ou por imagem, consulte a página /pricing.\nNovos usuários ganham 200 créditos ao se registrar.\nA API Key é criada no console dashboard.\nPolítica de reembolso: em caso de falha na geração, o valor pré-cobrado é reembolsado integralmente de forma automática.\n\nResponda em português e responda apenas à pergunta do usuário. Se não souber, diga diretamente que não sabe, não invente informações."
    },
    {
      "role": "user",
      "content": "Se a geração falhar, vou ser cobrado?"
    }
  ]
}

Saída esperada:

Não. Em caso de falha na geração, o valor pré-cobrado é reembolsado integralmente de forma automática.

Técnica principal: coloque na prompt de sistema a base de conhecimento completa do produto (documento de FAQ, descrição do produto) e aproveite o mecanismo de cache (prompts de sistema repetidos que acertam o cache são cobrados a apenas $0.0025/M). Perguntas do usuário cuja resposta está no documento são respondidas na hora; as que não estão recebem um "não sei" direto. Cada par de pergunta e resposta consome cerca de 500 tokens de entrada e produz cerca de 80 tokens, custando cerca de $0.000023 no tier standard.

5. Agent de baixa complexidade: consultas em várias etapas e resumo

Necessidade: o usuário faz uma pergunta, o modelo primeiro consulta o preço com uma ferramenta, depois consulta a documentação e, por fim, resume em uma frase. Não precisa de raciocínio profundo, mas é preciso chamar as ferramentas com precisão.

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "Consulta o preço do modelo especificado na HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "Nome do modelo, como gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "Pesquisa palavras-chave na documentação de ajuda da HiAPI",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "Palavra-chave de pesquisa"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "Você é o assistente inteligente da HiAPI. Quando o usuário perguntar sobre preços, consulte com get_model_price; quando perguntar sobre como usar, pesquise com search_knowledge_base. Resuma o resultado retornado pela ferramenta e responda ao usuário em uma frase."
    },
    {
      "role": "user",
      "content": "Qual é mais barato, gpt-6-luna ou gpt-5.6-luna?"
    }
  ]
}

Este é o ponto de partida do loop do agent: o modelo primeiro chama get_model_price("gpt-6-luna"), depois get_model_price("gpt-5.6-luna") e, por fim, resume a resposta. Se você mesmo mantém a implementação das ferramentas, depois de retornar o resultado, envie novamente todo o histórico da conversa ao modelo e continue até que o modelo não chame mais ferramentas.

O Luna é adequado para esse tipo de agent de baixa complexidade: chamadas de ferramentas claras e cadeia de raciocínio curta. Para cenários complexos de raciocínio em várias etapas (mais de três rodadas de chamadas de ferramentas, com necessidade de verificação e correção intermediárias), recomenda-se usar o Terra ou o Sol.

Três princípios para economizar

• Se não precisa de raciocínio, desligue. Classificação, extração, reescrita e perguntas e respostas simples usam reasoning.effort=none, não geram tokens de raciocínio e permitem ajustar temperature e top_p.
• Para forçar saída estruturada, use json_schema. Defina text.format como json_schema, defina name e schema, e a saída vai direto para o banco de dados, sem precisar de análise posterior.
• Coloque documentos longos no prompt de sistema e economize com cache. Coloque descrições de produtos, documentos de FAQ e exemplos de Few-shot no prompt de sistema; com acerto de cache repetido, o custo é de apenas $0.0025/M.

Cenário	reasoning.effort	text.format	Por 1.000 itens (aprox.)
Classificação em lote	none	json_schema	$0.006
Extração estruturada	none	json_schema	$0.01
Reescrita de conteúdo	none	nenhum	$0.014
Respostas de FAQ	none	nenhum	$0.023
Agent simples	low/medium	nenhum	$0.05–$0.15

O custo real depende do comprimento do prompt e do volume de saída. As estimativas acima usam quantidades típicas de tokens, com entrada a $0.025/M e saída a $0.125/M no tier standard, sem contar a economia por acerto de cache.

Perguntas frequentes

reasoning.effort=none afeta a qualidade das respostas? Em classificação, extração, reescrita e perguntas e respostas simples, quase não há impacto. Para tarefas que exigem raciocínio lógico, análise causal e dedução em várias etapas, defina low ou medium.

Qual é a diferença entre json_schema e escrever "produza JSON" em um prompt comum? O json_schema garante o formato da saída no nível do modelo, sem marcações markdown extras ou explicações textuais. Escrever "produza JSON" em um prompt comum pode ocasionalmente gerar desvios de formato.

Como usar o Batch para economizar mais em tarefas em lote? Adicione "processing_mode": "batch" à requisição e obtenha 50% de desconto tanto na entrada quanto na saída. Adequado para tarefas que não exigem resposta em tempo real.

Qual é o número máximo de rodadas no loop do agent? O Luna é adequado para agents simples com 1 a 3 rodadas de chamadas de ferramentas. Para mais rodadas ou fluxos complexos que exigem verificação intermediária, recomenda-se usar o Terra ou o Sol.

Série de artigos sobre o GPT-6 Luna

• Página do modelo GPT-6 Luna: conversa online, ganhe 200 créditos ao se registrar
• Preço da API do GPT-6 Luna: $0.025/M de entrada, o GPT mais barato da HiAPI
• Como usar a API do GPT-6 Luna: integração com Responses API e Chat Completions
• GPT-6 Luna vs GPT-5.6 Luna: preço pela metade, vale trocar?

Copie o prompt de classificação acima, abra a página do modelo, cole e execute o primeiro item. Os 200 créditos do registro são suficientes para milhares de classificações.