多语种电商文案流水线

场景：同一款商品，要批量产出多语言标题、卖点、主图描述——手工写慢，逐条调用贵。

核心思路：一次请求返回多语言结构化结果（JSON），而不是分三次调用。省两次往返，token 更省、速度更快。

一、入门版（约 20 行）

import json, urllib.request

KEY  = "你的Key"
BASE = "https://starseaapi.com/v1"
MODEL = "glm-5.3-flash"          # 实测：¥0.4 / ¥1.4 每百万字，原生多模态，适合文案

def multi_lang_copy(product: str, langs=("zh", "en", "ja")):
    """一次调用生成多语言标题"""
    prompt = (f'为产品「{product}」生成电商标题，语言代码 {"、".join(langs)}，'
              f'各不超过 20 字/词。只返回 JSON，键为语言代码，不要 markdown 代码块。')
    body = {
        "model": MODEL,
        "messages": [{"role": "user", "content": prompt}],
        "max_tokens": 600,
        "thinking": {"type": "disabled"},      # 🔴 关键：见下方「必读」
    }
    req = urllib.request.Request(
        BASE + "/chat/completions",
        data=json.dumps(body).encode(),
        headers={"Authorization": "Bearer " + KEY, "Content-Type": "application/json"})
    r = json.loads(urllib.request.urlopen(req, timeout=90).read())
    return json.loads(r["choices"][0]["message"]["content"])

print(multi_lang_copy("便携榨汁杯"))
# {'zh': '便携榨汁杯，随行鲜榨，畅享活力', 'en': 'Portable Juicer Cup, Fresh Juice On the Go', 'ja': '...'}

实测输出（2026-10-03，真实网关返回）：

{"zh":"便携榨汁杯，随行鲜榨，畅享活力","en":"Portable Juicer Cup, Fresh Juicing Anywhere","ja":"..."}

二、必读：两个实测发现的坑

坑 1｜推理型模型会把 token 预算全烧在"思考"上

实测对照（同一问题「回答一个字：好」，模型 glm-4.7）：

原因：GLM、DeepSeek 等推理型模型先输出思考链，思考也计入 max_tokens。预算不够 → 正文被截断为 0。

解决（二选一）：

"thinking": {"type": "disabled"}   # 推荐：关闭思考，正文完整，还更快更省

或给足预算（max_tokens ≥ 500）。

实测收益：关闭思考后，glm-4.7 单次响应从 5.2s → 1.2s，且 reasoning_tokens 归零（这部分同样计费）。

注意：thinking: {"type":"disabled"} 是实测唯一有效的写法。enable_thinking=false、reasoning_effort=low 在部分模型上无效。

坑 2｜不要要求"返回 JSON"却不给足的输出预算

多语言 JSON 的字符数比单语多 2–3 倍。max_tokens 建议 ≥ 600，否则 JSON 会被截断成非法格式。

三、进阶版：批量处理 + 断点续跑（约 40 行）

真实业务里 SKU 有几百上千个，需要控制成本与失败重试：

import json, time, urllib.request, urllib.error
from concurrent.futures import ThreadPoolExecutor

KEY, BASE = "你的Key", "https://starseaapi.com/v1"
MODEL = "glm-5.3-flash"
CNY_IN, CNY_OUT = 0.4, 1.4          # 每百万字，用于成本统计

def translate_batch(items, workers=4):
    """items: [{'sku':'A001','title':'便携榨汁杯'}, ...]"""
    def one(it):
        body = {"model": MODEL,
                "messages": [{"role": "user", "content":
                    f'把商品名翻译成英语、日语、德语，只返回 JSON：{{"en":"","ja":"","de":""}}。商品名：{it["title"]}'}],
                "max_tokens": 400, "thinking": {"type": "disabled"}}
        req = urllib.request.Request(BASE + "/chat/completions",
            data=json.dumps(body).encode(),
            headers={"Authorization": "Bearer " + KEY, "Content-Type": "application/json"})
        for attempt in range(3):                     # 重试 3 次
            try:
                r = json.loads(urllib.request.urlopen(req, timeout=60).read())
                u = r["usage"]
                cost = (u["prompt_tokens"]*CNY_IN + u["completion_tokens"]*CNY_OUT) / 1e6
                return {"sku": it["sku"], **json.loads(r["choices"][0]["message"]["content"]),
                        "_cost_cny": round(cost, 6)}
            except Exception as e:
                if attempt == 2:
                    return {"sku": it["sku"], "error": str(e)[:80]}
                time.sleep(2 ** attempt)

    with ThreadPoolExecutor(max_workers=workers) as ex:
        return list(ex.map(one, items))

if __name__ == "__main__":
    items = [{"sku": f"A{i:03d}", "title": t} for i, t in enumerate(
        ["便携榨汁杯", "不锈钢保温杯", "折叠收纳箱", "无线充电板"])]
    res = translate_batch(items)
    total = sum(r.get("_cost_cny", 0) for r in res)
    for r in res:
        print(r)
    print(f"\n合计成本：¥{total:.4f}（{len(items)} 个 SKU）")

实测成本（真实网关 usage）： - 单条翻译任务：输入 ≈87 token / 输出 ≈66 token → 约 ¥0.0001/条 - 4 条并发：约 ¥0.0004，耗时约 3 秒

换算到真实规模：1000 个 SKU 的多语翻译，约 ¥0.1–0.5（视文本长度）。这比逐条人工处理的成本低数个量级。

四、配套：主图画面描述（供文生图使用）

电商主图可用站内文生图模型（gpt-image-2.5-flare，约 ¥0.456/次）。先用文本模型生成画面描述：

def image_prompt(product, style="电商主图，简洁背景"):
    body = {"model": "qwen3.8-flash",
            "messages": [{"role": "user", "content":
                f'为「{product}」写一条画面描述（40字内），用于文生图。风格：{style}。只输出描述本身。'}],
            "max_tokens": 200, "thinking": {"type": "disabled"}}
    req = urllib.request.Request(BASE + "/chat/completions",
        data=json.dumps(body).encode(),
        headers={"Authorization": "Bearer " + KEY, "Content-Type": "application/json"})
    return json.loads(urllib.request.urlopen(req, timeout=60).read())["choices"][0]["message"]["content"]

print(image_prompt("不锈钢保温杯"))

实测输出：不锈钢保温杯居中，金属质感，水珠与冰块环绕，浅色背景，电商主图

五、模型选择建议（站内实时定价）

六、实测记录（2026-10-03）

选型提示：文案类任务务必关闭思考——这类任务不需要推理链，关闭后速度提升约 4 倍、成本降低且不会截断。