GPT-6 Luna 提示词案例：5 个批量场景直接复制

下面 5 个场景都是 GPT-6 Luna 擅长的批量任务：分类、提取、改写、问答、agent。每条附完整 prompt 和参数建议，复制就能用。GPT-6 Luna 已在 HiAPI 上线，打开模型页 直接对话，新用户注册送 200 积分。

1. 批量分类：产品评论情感分析

需求：每天几千条用户评论进来，需要按情感分 positive/neutral/negative，同时提取提到的具体产品特性。

关键参数：reasoning.effort=none（分类不需要推理），text.format 用 json_schema 强制结构化输出。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "你是一个产品评论分析助手。分析每条用户评论，输出 JSON，包含情感（positive/neutral/negative）、提到的产品特性列表和是否推荐购买。只输出 JSON，不要额外文字。"
    },
    {
      "role": "user",
      "content": "颜色好看，但用了两周底就掉了。不推荐。"
    }
  ],
  "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"]
      }
    }
  }
}

预期输出：

{
  "sentiment": "negative",
  "features": ["颜色", "耐用性"],
  "recommend": false
}

reasoning.effort=none 关闭推理后，模型直接输出结构化结果，不产生推理 token。这条提示词每调一次约 200–300 token（含系统提示词），标准档 $0.025/M 输入，一天跑 10000 条约 $0.06。配合缓存，系统提示词命中后更少。

2. 结构化提取：从合同文本抽字段

需求：从非结构化合同扫描件 OCR 文本里，抽出签约方、金额、日期和关键条款。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "从以下合同文本中提取关键信息，输出 JSON。金额转成数字类型，日期格式 YYYY-MM-DD。如某项不存在，对应字段填 null。只输出 JSON。"
    },
    {
      "role": "user",
      "content": "甲方：上海智马网络科技有限公司\n乙方：杭州数云信息技术有限公司\n合同金额：人民币壹拾贰万元整（¥120,000）\n签订日期：2026年10月15日\n服务期限：自签订之日起12个月\n付款方式：签约后7个工作日内支付50%，验收后支付余款50%"
    }
  ],
  "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"]
      }
    }
  }
}

预期输出：

{
  "party_a": "上海智马网络科技有限公司",
  "party_b": "杭州数云信息技术有限公司",
  "amount": 120000,
  "sign_date": "2026-10-15",
  "duration_months": 12,
  "payment_terms": "签约后7个工作日内支付50%，验收后支付余款50%"
}

schema 里 required 只列了核心字段，辅助字段（duration_months、payment_terms）不强制，文本里没有也不会报错。

3. 批量改写：文章降重和风格统一

需求：把一批产品描述从不同供应商的原文改写成统一的品牌口吻，同时去重。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "你是一个电商内容编辑。将以下产品描述改写成统一的品牌口吻：简洁、专业、突出使用场景。保留所有事实信息（尺寸、材质、功能），不添加原文没有的内容。"
    },
    {
      "role": "user",
      "content": "这款咖啡杯真的是超好用！304不锈钢内胆，保温6小时，容量380ml。杯盖带密封圈，放包里不漏水。办公、户外都适合。"
    }
  ]
}

预期输出：

380ml 不锈钢保温杯，304 内胆，6 小时保温。密封杯盖，防漏设计。适合办公和户外场景。

改写任务设 reasoning.effort=none，每条输入约 150 token、输出约 80 token，按 $0.025/$0.125 计费，1000 条约 $0.014。如果系统提示词相同，缓存命中后输入成本再降一档。

4. FAQ 自动回答：客服常见问题

需求：把产品说明书和客服 FAQ 文档作为系统提示词，自动回答用户常见问题。不需要推理，但要准确引用文档内容。

{
  "model": "gpt-6-luna",
  "reasoning": {"effort": "none"},
  "input": [
    {
      "role": "system",
      "content": "你是 HiAPI 的客服助手。以下是你需要掌握的产品信息：\n\nHiAPI 是一个 AI API 中间层平台，聚合文本、图片、视频和音频模型。\n\n价格模型：按 token 或按张计费，详见 /pricing 页面。\n新用户注册送 200 积分。\nAPI Key 在控制台 dashboard 创建。\n退款政策：生成失败自动全额退还预扣金额。\n\n用中文回复，一次只回答用户问的问题。不知道就直接说不知道，不要编造信息。"
    },
    {
      "role": "user",
      "content": "生成失败了会收钱吗？"
    }
  ]
}

预期输出：

不会。生成失败后预扣的金额会自动全额退还。

关键技巧：系统提示词里放完整的产品知识库（FAQ 文档、产品说明），利用缓存机制（重复的系统提示词命中缓存只收 $0.0025/M）。用户问题从文档里能找到答案的秒回，找不到的直说不知道。一条问答输入约 500 token、输出约 80 token，标准档约 $0.000023。

5. 低复杂度 agent：多步查询并汇总

需求：用户问一个问题，模型先用工具查价格、再查文档、最后汇总成一句话。不需要深度推理，但要准确调用工具。

{
  "model": "gpt-6-luna",
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_model_price",
        "description": "查询指定模型在 HiAPI 上的价格",
        "parameters": {
          "type": "object",
          "properties": {
            "model_name": {"type": "string", "description": "模型名称，如 gpt-6-luna"}
          },
          "required": ["model_name"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "search_knowledge_base",
        "description": "在 HiAPI 帮助文档中搜索关键词",
        "parameters": {
          "type": "object",
          "properties": {
            "query": {"type": "string", "description": "搜索关键词"}
          },
          "required": ["query"]
        }
      }
    }
  ],
  "tool_choice": "auto",
  "input": [
    {
      "role": "system",
      "content": "你是 HiAPI 的智能助手。当用户询问价格时，用 get_model_price 查询；询问使用方法时，用 search_knowledge_base 搜索。汇总工具返回的结果，用一句话回答用户。"
    },
    {
      "role": "user",
      "content": "gpt-6-luna 和 gpt-5.6-luna 哪个便宜？"
    }
  ]
}

这个是 agent 循环的起点：模型会先调 get_model_price("gpt-6-luna")，再调 get_model_price("gpt-5.6-luna")，最后汇总回答。如果你自己维护工具实现，返回结果后把整个对话历史再发给模型，继续直到模型不调工具为止。

Luna 适合这种低复杂度 agent：工具调用清晰、推理链短。复杂多步推理场景（超过三轮工具调用、需要中间验证和纠错）建议上 Terra 或 Sol。

划算三原则

• 不需要推理就关掉。 分类、提取、改写、简单问答设 reasoning.effort=none，不产生推理 token，且可以调 temperature 和 top_p。
• 强制结构化输出用 json_schema。 设 text.format 为 json_schema，定义 name 和 schema，输出直接进数据库，不用事后解析。
• 系统提示词放长文档，靠缓存省钱。 产品说明、FAQ 文档、Few-shot 示例都放系统提示词里，重复命中缓存只要 $0.0025/M。

实际花费取决于 prompt 长度和输出量。以上按典型 token 量估算，输入以标准档 $0.025/M、输出 $0.125/M 计，未算缓存命中节省。

常见问题

reasoning.effort=none 会影响回答质量吗？ 分类、提取、改写和简单问答几乎没影响。需要逻辑推理、因果分析和多步推演的任务，设 low 或 medium。

json_schema 和普通 prompt 里写「输出 JSON」有什么区别？ json_schema 由模型层面保证输出格式，不会多出 markdown 标记或文字解释。普通 prompt 里写「输出 JSON」可能偶有格式偏差。

批量任务怎么走 Batch 更省钱？ 在请求里加 "processing_mode": "batch"，输入和输出各打 5 折。适合不需要实时响应的任务。

Agent 循环里最多几轮？ Luna 适合 1–3 轮工具调用的简单 agent。更多轮次或需要中间验证的复杂流程，建议用 Terra 或 Sol。

GPT-6 Luna 系列文章

• GPT-6 Luna 模型页：在线对话，注册送 200 积分
• GPT-6 Luna API 价格：$0.025/M 输入，HiAPI 最便宜的 GPT
• GPT-6 Luna API 怎么用：Responses API 和 Chat Completions 接入
• GPT-6 Luna vs GPT-5.6 Luna：价格砍半，要不要换

复制上面的分类 prompt，打开模型页 粘贴进去跑第一条。注册送的 200 积分够跑上千次分类。