Automação com visão computacional filtra anúncios em tempo real no comércio de usados

Dados rápidos

• Repositório: Usagi-org/ai-goofish-monitor
• Licença: MIT
• Linguagem: Python
• Estrelas e forks: 17.222 estrelas e 2.915 forks
• Posição no ranking: não informado no repositório
• Data da consulta: 2026-11-05

Triagem de anúncios em plataformas de revenda

Compradores em plataformas de segunda mão enfrentam a presença recorrente de anúncios enganosos, descrições genéricas e imagens de catálogo que não mostram as reais condições do produto ofertado. Os filtros tradicionais de busca por texto não conseguem avaliar o estado físico do objeto nem confrontar as fotos com o texto cadastrado pelo vendedor.

A velocidade com que os anúncios surgem e são negociados exige checagem ininterrupta das listagens. Fazer essa consulta repetidas vezes diretamente no navegador consome horas de trabalho manual e esbarra em bloqueios de acesso automáticos impostos pelo serviço de e-commerce.

O ai-goofish-monitor automatiza essa supervisão ao empregar tarefas concorrentes que monitoram categorias e palavras-chave. Em vez de depender apenas de termos estáticos, a ferramenta envia as fotos e os dados de cada item para modelos de inteligência artificial capazes de julgar se o anúncio atende aos critérios prévios do usuário.

Estrutura operacional e instalação

A aplicação é executada em Python com o navegador automatizado Playwright e possui uma interface gráfica criada com FastAPI no servidor e Vite no cliente. As tarefas de varredura são agendadas via regras de tempo ou executadas em regime contínuo, consultando o marketplace por meio de sessões com cookies válidos e suporte a proxies para contornar restrições da rede.

Quando um item não registrado é identificado na listagem, o mecanismo faz o download das fotografias e envia os metadados para modelos compatíveis com a interface da OpenAI ou Gemini. O modelo avalia visualmente as características do bem e decide se a publicação merece aprovação conforme o prompt configurado. As conclusões são persistidas no banco de dados local SQLite e, se aprovadas, despachadas para canais como Telegram, Bark, ntfy.sh ou webhooks genéricos.

A instalação recomendada pelo projeto utiliza contêineres Docker, conforme o procedimento oficial documentado:

git clone https://github.com/Usagi-org/ai-goofish-monitor && cd ai-goofish-monitor
cp .env.example .env
vim .env # 填写相关配置项
docker compose up -d
docker compose logs -f app
docker compose down

O contêiner oficial ghcr.io/usagi-org/ai-goofish:latest já inclui o Chromium configurado para operar sem interface visível na porta local 8000. Para o funcionamento básico, o usuário deve preencher no arquivo de configuração a chave OPENAI_API_KEY, o endereço OPENAI_BASE_URL e o modelo OPENAI_MODEL_NAME apto ao processamento de imagens.

Casos práticos de uso

• Monitoramento de eletrônicos raros: o comprador programa a busca por consoles ou computadores antigos com filtros por província e solicita que a inteligência artificial recuse ofertas com imagens oficiais de divulgação ou danos estéticos evidentes.
• Aquisição de itens com frete grátis: o sistema monitora lançamentos recentes que possuam frete incluso e analisa se a descrição do vendedor menciona defeitos ocultos no lote.
• Coleta de histórico de preços: o banco SQLite armazena oscilações de valores e dados de anúncios para que comerciantes analisem tendências de desvalorização em categorias específicas.
• Gestão paralela de contas: equipes de busca vinculam múltiplos perfis de acesso exportados via extensão de navegador para distribuir o volume de requisições entre diferentes sessões.

Diferenças em relação a ferramentas comuns

Monitores comuns de comércio eletrônico dependem exclusivamente de palavras-chave rígidas ou limites numéricos de preço. O ai-goofish-monitor incorpora modelos de visão computacional diretamente no fluxo decisório, permitindo interpretação semântica de fotos e descrições antes de emitir qualquer aviso.

Outro ponto técnico é a arquitetura multifuncional integrada, que combina painel web administrativo, agendador Cron, rotação de proxies e suporte nativo a múltiplos mensageiros sem exigir microsserviços externos dedicados. Enquanto scripts simples de web scraping quebram com facilidade diante de testes anti-robô, a aplicação prevê pausas automáticas, rotatividade de sessões e tolerância a falhas parametrizável via variáveis de ambiente.

Limitações e precauções operacionais

O projeto foi iniciado em 2025-07-16 e teve sua versão 2.5 lançada em 2026-10-09, registrando 46 issues abertas e último commit em 2026-10-10. Esse histórico demonstra desenvolvimento ativo, mas exige atenção por parte do usuário final.

O uso do software exige a extração manual de cookies de login do Xianyu por meio de uma extensão para Chrome, técnica que transfere credenciais sensíveis para arquivos de configuração locais. A plataforma de vendas possui controles de risco rigorosos, o que pode acarretar invalidação de sessões ou restrição temporária das contas utilizadas caso o tráfego não seja dosado com proxies adequados. O consumo de modelos multimodais de inteligência artificial via API comercial acarreta custos financeiros a cada requisição enviada. Fatores de desempenho em servidores compartilhados e a precisão do modelo em anúncios com fotos de baixa resolução não foram informados no repositório.

Resumo rápido

• Projeto: Usagi-org/ai-goofish-monitor
• Licença: MIT
• Linguagem: Python
• Estrelas: 17.222
• Ranking: não informado no repositório
• Risco principal: invalidação de contas e bloqueios da plataforma decorrentes do monitoramento contínuo

Fontes

• Repositório no GitHub: https://github.com/Usagi-org/ai-goofish-monitor
• Versão 2.5: https://github.com/Usagi-org/ai-goofish-monitor/releases/tag/2.5