跳到正文
土土金API

批次內容生產

批次寫商品描述和營銷文案,用一個便宜的對話模型寫初稿,再從中抽一部分交給更強的模型檢查和潤色。按每月 2 萬條商品描述、抽檢 10% 估算,用最低價分組計算,模型費用每月約 ¥152。併發數、排隊和失敗重試都由你的程式控制。

價格更新於 2026年11月13日 下午5:48

月成本估算

假設:每月生成 2 萬條商品描述,每條輸入約 800 tokens(商品屬性、品牌語氣和一個示例),輸出約 400 tokens;抽 10%(2,000 條)交給更強的模型複核,每條輸入約 1,200 tokens,輸出約 300 tokens。

¥151.68/ 月

  • 生成初稿¥134.4
  • 抽檢潤色¥17.28
看用量假設

業務問題

電商上新、內容運營、廣告投放都要大量文字:每個 SKU 一段描述,每個渠道一套標題,每次活動幾十條文案。人工寫跟不上節奏,外包的質量又時好時壞。

讓模型寫一條並不難,難在穩定地寫幾萬條:任務要排隊併發,遇到限流和網路錯誤要重試,語氣要統一,還不能出現商品沒有的賣點。

常見做法是先把商品屬性整理成結構化資料,按固定模板生成初稿,再抽一部分交給更強的模型或人工複核,問題集中的批次整體重跑。

推薦模型組合

推薦模型按即時目錄自動選取,價格取各模型最低價分組,更新於 2026年11月13日 下午5:48。點模型名可檢視全部分組價格。

參考架構

  1. 1

    整理輸入

    把商品屬性(名稱、材質、規格、適用場景)和品牌語氣說明整理成結構化資料,敏感詞和停用說法單獨列成清單。

  2. 2

    排隊併發

    任務進入佇列,用固定併發數(比如 8 到 16)呼叫對話模型;429 和 5xx 按指數退避重試,400 類錯誤記錄下來修正輸入,不要重試。

  3. 3

    生成初稿

    系統提示詞固定,每個商品的屬性放進使用者訊息;限制輸出長度,按段落或 JSON 返回,方便直接入庫。

  4. 4

    自動檢查

    用程式檢查字數、停用詞,以及有沒有出現屬性裡沒有的數字或認證,不合格的打回重寫。

  5. 5

    抽檢潤色

    抽 10% 左右交給更強的模型複核和潤色,問題集中的批次整體重跑;上線前運營再人工過一遍。

成本估算

假設:每月生成 2 萬條商品描述,每條輸入約 800 tokens(商品屬性、品牌語氣和一個示例),輸出約 400 tokens;抽 10%(2,000 條)交給更強的模型複核,每條輸入約 1,200 tokens,輸出約 300 tokens。

專案模型用量假設費用
生成初稿deepseek-v4.1-flash20,000 次 × 輸入 800 + 輸出 400 tokens¥134.4
抽檢潤色Claude Sonnet 5.52,000 次 × 輸入 1,200 + 輸出 300 tokens¥17.28
合計(每月)¥151.68

按各模型最低價分組的即時價格計算,價格更新於 2026年11月13日 下午5:48。

只含模型呼叫費用。失敗重試會產生額外呼叫,失敗率高時費用相應增加。條數翻倍,費用大致翻倍;描述寫得越長,輸出費用越高。

示例程式碼

用訊號量限制同時進行的請求數,429、5xx 和網路錯誤按指數退避重試,其他 4xx 直接記錄,結果寫成 JSONL 方便入庫。

示例程式碼(Python,非同步併發與重試)
import asyncio
import json
import os
import random

from openai import APIConnectionError, APIStatusError, AsyncOpenAI

client = AsyncOpenAI(base_url="https://www.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"], max_retries=0)
LIMIT = asyncio.Semaphore(8)  # requests in flight at the same time

PROMPT = (
    "Write a product description for an online store in a friendly, concrete tone. "
    "Use only the facts provided. Do not add awards, certifications or numbers that are not listed. "
    "Return 3 short paragraphs."
)


async def write(product, attempts=4):
    async with LIMIT:
        for i in range(attempts):
            try:
                resp = await client.chat.completions.create(
                    model="deepseek-v4.1-flash",
                    messages=[
                        {"role": "system", "content": PROMPT},
                        {"role": "user", "content": json.dumps(product, ensure_ascii=False)},
                    ],
                    max_tokens=600,
                    temperature=0.8,
                )
                return {"sku": product["sku"], "text": resp.choices[0].message.content}
            except APIConnectionError:
                pass  # network problem or timeout: retry
            except APIStatusError as e:
                if e.status_code != 429 and e.status_code < 500:
                    # 4xx means the request itself is wrong (or no balance): fix it, do not retry
                    return {"sku": product["sku"], "error": e.status_code}
            await asyncio.sleep(2 ** i + random.random())  # back off: ~1s, 2s, 4s, 8s
        return {"sku": product["sku"], "error": "gave up after retries"}


async def main(products):
    results = await asyncio.gather(*(write(p) for p in products))
    with open("descriptions.jsonl", "w", encoding="utf-8") as f:
        for r in results:
            f.write(json.dumps(r, ensure_ascii=False) + "\n")


products = [
    {"sku": "A1001", "name": "Ceramic mug", "material": "stoneware", "capacity_ml": 350, "dishwasher_safe": True},
]
asyncio.run(main(products))
# then send about 10% of the results to claude-sonnet-5-5 for a fact and tone check

用一把 Key 試試這個方案

註冊後在控制台建立 API Key,把上面程式碼裡的 base_url 和 Key 換成你的就能執行。企業採購、開發票可以加客服微信 JsnonoChat。

土土金客服微信二維碼
微信JsnonoChat

掃碼或搜尋微信號新增客服

常見問題

每月 2 萬條商品描述大概多少錢?

按每條輸入約 800 tokens、輸出約 400 tokens,再抽 10% 交給更強的模型複核估算,用最低價分組計算約 ¥152。輸出越長費用越高,可以在提示詞裡限定字數。

有專門的批次介面嗎?

沒有單獨的批次介面。批次任務就是併發呼叫普通的 Chat Completions 介面,按實際用量計費,併發數、排隊和重試由你的程式控制。

併發開多少合適?

先從 4 到 8 個併發開始,看 429 出現的比例再慢慢調高。收到 429 時等一會兒再重試,不要立刻重發。不同模型和分組能承受的併發不同,可以參考文件裡的限流說明。

怎麼防止模型編造賣點?

只把商品已有的屬性給模型,提示詞裡寫明不得新增屬性以外的功效、認證和資料;輸出後再用程式檢查其中的數字和關鍵詞,確認都能在屬性裡找到。

生成的文案能直接上線嗎?

建議先抽檢。商品描述和廣告文案有廣告法等合規要求,模型並不瞭解你們的具體規定,上線前應由運營或法務按規則複核。