Aplicação do kimi-k3 no e-commerce: geração de textos de produtos e respostas de atendimento via API hiapi

As equipes de e-commerce precisam produzir diariamente uma grande quantidade de textos curtos e estruturados: títulos de produtos, listas de tópicos, perguntas e respostas sobre guias de tamanhos, respostas sobre políticas de devolução, respostas a avaliações. Essas tarefas não exigem que um modelo de chat de uso geral consuma muitos tokens em raciocínio de várias páginas — mas exigem um modelo suficientemente rápido, com saída suficientemente consistente, e com custo baixo o bastante para ser executado em cada SKU e em cada ticket de atendimento.

O kimi-k3, disponibilizado via API hiapi, é um modelo de raciocínio apenas em texto, projetado exatamente para esse tipo de carga de trabalho. Ele não oferece suporte a saída de imagens ou vídeos — se você procura geração de imagens de produtos com IA, consulte o guia de fluxo de trabalho de e-commerce com gpt-image-2. O que o kimi-k3 realmente faz bem é transformar especificações de produtos desorganizadas ou mensagens de clientes carregadas de emoção em textos limpos e alinhados à identidade da marca, oferecendo ao mesmo tempo um orçamento de raciocínio opcional para que você pague apenas pelo pensamento realmente necessário.

Este guia cobre dois casos de uso concretos de e-commerce — redação de textos de produtos e respostas de suporte ao cliente — com chamadas reais de API, uso real de tokens e custo real por requisição.

Por que cenários de e-commerce se encaixam em modelos apenas em texto

A maioria das tarefas de texto em e-commerce é de turno único e escopo bem definido: reescrever esta ficha técnica em cinco tópicos, responder a esta pergunta sobre devolução, redigir um título de produto dentro do limite de caracteres. Você não precisa de capacidade visual nem de chamadas de ferramentas em várias etapas — você precisa de um modelo que siga instruções de formato de forma confiável e que não invente detalhes de políticas.

O kimi-k3 oferece três níveis de reasoning_effort (low, high, max) no mesmo endpoint de Chat Completions, então você pode aumentar o raciocínio para mensagens que exigem aplicação real de políticas (como a verificação de elegibilidade para devolução) e reduzi-lo para tarefas que são principalmente de formatação (como reescrever tópicos de especificação em texto de marketing). Esse é um ajuste de custo que a maioria dos modelos de chat de nível único não oferece.

Caso de uso 1: redigir textos de produtos a partir de fichas técnicas

Uma tarefa típica de catálogo: pegar uma especificação bruta — dimensões, material, algumas notas de recursos — e transformá-la em título e lista de tópicos que respeitem os limites de caracteres da plataforma de e-commerce e não exagerem nas funcionalidades do produto.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3",
    "reasoning_effort": "low",
    "messages": [
      {
        "role": "system",
        "content": "You write e-commerce product listings. Output a title under 70 characters and 4 bullet points in ALL-CAPS-LEAD style. Do not claim features not in the spec."
      },
      {
        "role": "user",
        "content": "Product: pour-over coffee dripper. Material: stainless steel. Capacity: 1-2 cups. Color: matte black. Includes travel pouch. Dishwasher safe."
      }
    ]
  }'

Com reasoning_effort definido como low, o modelo "pensa" por bem menos de um segundo antes de retornar a resposta, produzindo um texto de página de produto pronto para colar:

Título do produto (69 caracteres): Stainless Steel Pour Over Coffee Dripper, 1-2 Cup Cone Filter, Matte Black

• EXTRAÇÃO PRECISA EM POUR OVER — Coador cônico em aço inoxidável projetado para 1–2 xícaras, dando a você controle total sobre o processo de extração para uma xícara de café limpa e cheia de sabor a cada vez.
• CONSTRUÇÃO DURÁVEL EM AÇO INOXIDÁVEL — Fabricado em aço inoxidável com acabamento preto fosco, fica elegante em qualquer bancada de cozinha ou estação de café.
• DESIGN DE COADOR CÔNICO REUTILIZÁVEL — O próprio coador dispensa filtros de papel; desfrute de uma experiência de preparo sustentável e econômica, em casa ou fora.
• FÁCIL DE LIMPAR E DE LEVAR — Pode ir à lava-louças para limpeza sem esforço; inclui bolsa de transporte para preparar seu café favorito em qualquer lugar.

Observe o aviso que o modelo adicionou por conta própria após a lista de tópicos: ele aponta que a afirmação "coador reutilizável" depende de um detalhe de especificação não fornecido (se esse coador exige filtro de papel). Em um pipeline automatizado de textos, sinalizar proativamente essa incerteza é exatamente o que você quer — isso indica que o produto deve ser encaminhado para revisão humana em vez de publicar uma afirmação não verificada.

Uso real desta chamada: 184 tokens de prompt, 239 tokens de completion (incluindo 10 tokens de raciocínio), custo total de $0.0032.

Caso de uso 2: respostas de suporte ao cliente

Questões de suporte exigem mais raciocínio real do que a redação de textos — o modelo precisa aplicar a política corretamente, e não apenas reformatar o texto. É aí que está o valor de aumentar o reasoning_effort.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kimi-k3",
    "reasoning_effort": "high",
    "messages": [
      {
        "role": "system",
        "content": "You are a support agent. Return policy: returns accepted within 30 days if unused and in original packaging. Customer pays return shipping unless the item arrived damaged or wrong. Refunds post 5-7 business days after warehouse receives the item."
      },
      {
        "role": "user",
        "content": "I ordered the wrong size 10 days ago, item is unopened. Can I return it, and who pays shipping?"
      }
    ]
  }'

Resposta:

Boas notícias — você se qualifica para a devolução! De acordo com nossa política, o processo é o seguinte:

Elegibilidade para devolução: Sim, é possível devolver. Desde que o item esteja sem uso e na embalagem original, aceitamos devoluções em até 30 dias. Você fez o pedido há 10 dias e ainda não abriu o item, portanto está qualificado.

Frete de devolução: Como o item foi enviado corretamente (foi você quem escolheu o tamanho errado no pedido, e não nós que enviamos o item errado), o frete de devolução é por sua conta. Só arcamos com o frete de devolução quando o item chega danificado ou quando enviamos o produto errado.

Prazo de reembolso: Após nosso armazém receber a devolução, o reembolso será feito no seu meio de pagamento original em 5–7 dias úteis.

O modelo distinguiu corretamente entre "o cliente escolheu o tamanho errado" e "nós enviamos o item errado" — essa diferença determina quem paga o frete de devolução — em vez de simplesmente fazer correspondência de padrões com a palavra "devolução". Esse é exatamente o tipo de aplicação de política que precisa de revisão humana antes de ser enviada como resposta automática, mas é um rascunho sólido que um atendente humano pode aprovar em segundos, em vez de digitar do zero.

Uso real desta chamada: 222 tokens de prompt, 207 tokens de completion (incluindo 45 tokens de raciocínio — mais que o dobro dos tokens de raciocínio da chamada de redação de textos, refletindo o trabalho extra de raciocínio sobre políticas), custo total de $0.0029.

Notas de custo para operação em escala

O kimi-k3 na hiapi custa $2.32 por milhão de tokens de entrada e $11.60 por milhão de tokens de saída, com entrada em cache cobrada a $0.232 por milhão — um desconto de 90% em relação a tokens de entrada novos. Se o seu sistema de suporte reutiliza o mesmo trecho de política como system prompt em milhares de tickets, esse system prompt é um forte candidato ao cache de prompt: apenas a mensagem do cliente e a resposta do modelo são cobradas a preço integral, e o bloco de política repetido é cobrado à tarifa de cache quando há acerto de cache.

Para redação de textos em escala de catálogo, reasoning_effort: "low" mantém baixo o uso de tokens de completion (e, portanto, o custo) para tarefas que são principalmente reformatação e não raciocínio. Reserve high ou max para tarefas em que um erro de lógica (como cálculo de reembolso, exceções de garantia) custa muito mais caro do que uma resposta um pouco mais lenta.

Para a referência completa de parâmetros, incluindo response_format para saída JSON estruturada e suporte a streaming, consulte a documentação do kimi-k3.

Começando rapidamente

Os dois exemplos acima rodam na mesma página do modelo kimi-k3 e no mesmo endpoint — basta substituir o system prompt e o valor de reasoning_effort para corresponder à sua tarefa, e você terá um pipeline de redação de textos ou de respostas de suporte em uma única chamada de API. Consulte os preços atuais para ver todos os modelos disponíveis, obtenha uma API key e comece com algumas especificações reais de produtos ou tickets reais (anonimizados) de suporte, em vez de dados de teste sintéticos — é mais fácil avaliar a qualidade da saída comparando-a com o texto real e desorganizado que o modelo verá em produção.