Написание текстов для электронной коммерции и ответы службы поддержки с помощью glm-5.3

Командам электронной коммерции нужен постоянный поток коротких структурированных текстов: названия товаров, списки ключевых пунктов, ответы про размерные таблицы, ответы по политике возврата, ответы на отзывы. Это текстовая задача, а не задача с изображениями — и стоит заранее уточнить: glm-5.3 совершенно не помогает с той половиной конвейера контента для электронной коммерции, которая связана с «генерацией изображений товаров».

glm-5.3 доступен через API hiapi и представляет собой чисто текстовую модель, доступную через совместимую с OpenAI конечную точку Chat Completions. У неё нет ни ввода, ни вывода изображений — если вы пришли за AI-фотографией товаров, обратитесь к руководству по рабочему процессу GPT Image 2 для электронной коммерции. Сильная сторона glm-5.3 — превращение исходной таблицы характеристик или сообщения клиента в чистый текст, соответствующий политике, причём в каждом ответе отображается reasoning_content, так что вы видите, как модель пришла к ответу.

Это руководство охватывает два реальных сценария электронной коммерции — написание текстов для товаров и ответы службы поддержки — с реальными вызовами API, реальным расходом токенов и реальной стоимостью одного запроса.

Что именно представляет собой glm-5.3: текстовая модель, которая всегда рассуждает

glm-5.3 не предлагает выбираемых уровней рассуждения. Каждый ответ содержит поле reasoning_content рядом с итоговым content, и нет параметра reasoning_effort, который можно было бы повысить или понизить — согласно документации модели, «выбираемая интенсивность рассуждения» явно не является частью публичного контракта. Она поддерживает stream, response_format (режим JSON), а также tools/tool_choice в стиле OpenAI для вызова функций, но глубину рассуждения определяет сама модель, а не вы.

Это важно для бюджета: в тестах для этого руководства простой запрос на написание текста потреблял больше токенов рассуждения, чем ответ службы поддержки, которому действительно нужно применить политику возврата. Вы не можете предсказать стоимость исходя из сложности задачи, как в случае с моделями с уровнями, — подробности ниже.

Сценарий 1: написание текста для товара по таблице характеристик

Типичная задача каталога: превратить исходные пункты характеристик в заголовок и отформатированный список пунктов, не выдумывая функции, которых нет в характеристиках.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "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: insulated stainless steel water bottle. Capacity: 32oz. Keeps cold 24 hours, hot 12 hours. Leak-proof lid. BPA-free. Available in 6 colors."
      }
    ]
  }'

Содержание ответа:

Заголовок: Термофляга из нержавеющей стали 32oz — сохраняет холод 24 часа, тепло 12 часов

Список ключевых пунктов:

• ТЕРМОИЗОЛЯЦИЯ ИЗ НЕРЖАВЕЮЩЕЙ СТАЛИ: сохраняет холод до 24 часов, тепло до 12 часов.
• ОБЪЁМ 32 УНЦИИ: большой объём 32 унции, помогает оставаться гидратированным весь день.
• ГЕРМЕТИЧНАЯ КРЫШКА: надёжная конструкция крышки предотвращает проливание в пути.
• БЕЗ BPA, 6 ЦВЕТОВ: изготовлена из материалов без BPA, доступна в 6 цветах.

Описание товара строго следует характеристикам — никаких выдуманных заявлений о технологии термоизоляции или сертификатах, которых не было предоставлено. Фактический расход этого вызова: 89 токенов подсказки, 1 146 токенов завершения (из них 1 018 — reasoning_content), общая стоимость $0.0180.

Неожиданным оказывается именно количество токенов рассуждения. Это задача переформатирования без логики политики, которую нужно применять, но модель всё равно потратила более тысячи токенов на размышления о количестве символов и вариантах формулировок, прежде чем написать четыре пункта.

Сценарий 2: ответы службы поддержки

Вопросы службы поддержки требуют настоящего рассуждения о политике, а не просто переформатирования — модель должна правильно применить правила, а не сопоставлять шаблоны по ключевым словам.

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "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?"
      }
    ]
  }'

Ответ:

Да, вы можете вернуть товар! Вот как ваша ситуация соответствует нашей политике:

• Право на возврат: вы всё ещё в пределах 30-дневного окна (прошло 10 дней), и товар не вскрыт, поэтому соответствует требованию «не использовался / в оригинальной упаковке».
• Стоимость обратной доставки: поскольку товар был отправлен по заказу (неверный размер — это проблема стороны, разместившей заказ, а не проблема исполнения), стоимость обратной доставки несёте вы. Мы берём на себя стоимость обратной доставки только в случае, если товар прибыл повреждённым или был отправлен не тот товар.
• Срок возврата средств: после того как наш склад получит товар, ваш возврат будет обработан в течение 5–7 рабочих дней.

Если хотите, я помогу вам оформить возврат — просто сообщите номер вашего заказа!

Модель правильно различила «клиент выбрал неверный размер» и «мы отправили не тот товар» — это различие определяет, кто несёт расходы на доставку, — вместо того чтобы просто сопоставить слово «возврат». Это настоящее применение политики, и именно такой черновик ответа сотрудник службы поддержки может одобрить за несколько секунд, не набирая его с нуля.

Фактический расход этого вызова: 87 токенов подсказки, 358 токенов завершения (из них 200 — reasoning_content), общая стоимость $0.0059 — примерно треть от вызова с написанием текста, хотя он выполняет работу, которая действительно требует применения правил.

Замечания о стоимости при масштабной работе

Цена glm-5.3 на hiapi составляет $4.40 за миллион входных токенов и $15.40 за миллион выходных токенов — выход включает видимый ответ и скрытый reasoning_content, поэтому ваш счёт зависит от того, сколько модель решит размышлять, а не от того, насколько сложной задача выглядит снаружи. В двух вызовах выше «простая» задача с текстом стоила примерно в 3 раза дороже «сложной» задачи службы поддержки — исключительно из-за колебаний токенов рассуждения.

Если вы собираетесь работать по объёму каталога или заявок, есть две практические меры предосторожности:

• Установите max_tokens как жёсткий верхний предел бюджета рассуждения + завершения на один вызов, чтобы даже если модель решит рассуждать долго, один запрос не вышел из-под контроля по стоимости.
• Передайте детерминированные задачи с низким риском другим моделям, если предсказуемая стоимость одного вызова важнее качества вывода — модели с выбираемыми уровнями рассуждения (например, kimi-k3 с low/high/max) дают регулятор стоимости, которого у glm-5.3 нет.

glm-5.3 оправдывает такую непредсказуемость именно в сценарии ответов службы поддержки выше: в этих задачах цена ошибки в логике политики намного выше, чем несколько лишних центов на токены рассуждения.

Начало работы

Оба вызова выше используют одну и ту же страницу модели glm-5.3 и конечную точку Chat Completions — замените системную подсказку под свою задачу, и у вас будет рабочий конвейер написания текстов или ответов службы поддержки. Базовую настройку (ключ API, первый запрос curl, пример на Python) см. в руководстве по API glm-5.3. Перед масштабным запуском ознакомьтесь с текущими ценами, поскольку стоимость вывода — самая непредсказуемая переменная здесь.