Criei um rastreador de preços com IA que detectou uma falsa oferta de “menor preço”

Autoria: Prompt Engineer 48 · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: I Built an AI Price Tracker That Caught a Fake “Cheapest” Deal · Canal: Prompt Engineer 48 · 07:52 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows

Resumo

O vídeo compara duas execuções do Claude Code pesquisando preços, avaliações e opiniões sobre o Logitech MX Master 3S: uma sem acesso especializado e outra com a skill da Decodo e sua API de scraping. A execução com a skill coleta dados de várias fontes, mas também identifica que a oferta mais barata da Amazon é de um produto usado, evitando uma conclusão enganosa. Em seguida, o criador transforma os templates usados pelo agente em um app de monitoramento de preços com Python e Streamlit, que compara ofertas, resume resultados e dispara alertas. O vídeo também mostra os custos, o tempo de execução e como começar usando o plano gratuito da API.

Pontos-chave

Sem acesso apropriado às fontes, o agente encontra bloqueios, CAPTCHAs e páginas sem preços, e produz um relatório incompleto.
A skill da Decodo orienta o Claude Code a escolher templates de scraping para Amazon, Walmart, Target, Google, Reddit e YouTube.
A oferta mais barata da Amazon era de um produto usado, então comparar apenas o menor número levaria a uma conclusão errada.
A execução com a skill levou cerca de 25 minutos e custou aproximadamente US$ 3,36 em tokens, contra três minutos e US$ 0,76 na execução sem a skill.
Depois de descobrir quais templates funcionam, o criador os transforma em um script para consultar as lojas sem repetir a exploração do agente.
O app padroniza os resultados de Amazon, Walmart e Target em linhas com loja, preço, vendedor, condição, estoque, link e horário da consulta.
O Python calcula o menor preço e a diferença; a IA explica o resultado, enquanto regras do app acionam alertas quando o preço-alvo é atingido.
O plano gratuito oferece até 2.000 requisições sem cartão de crédito, e o vídeo menciona mais de 100 templates para diferentes sites.

Capítulos

Início	Capítulo	Resumo
00:00	O desafio de pesquisar preços em várias fontes	O vídeo apresenta a pesquisa do Logitech MX Master 3S e explica os bloqueios que dificultam coletar dados diretamente dos sites.
02:06	Comparação entre agentes com e sem a skill	Duas execuções do Claude Code produzem resultados diferentes: uma fica com dados parciais, enquanto a outra coleta ofertas e informações de várias fontes.
04:40	Da pesquisa do agente a um app de preços	O criador compara tempo e custo das execuções e transforma os templates encontrados em um app que consulta três lojas.
06:50	Alertas, resultados e como começar	O app demonstra o alerta de preço e o histórico de consultas, e o vídeo encerra com instruções para usar a API e a skill.

Citações

A oferta mais barata da Amazon custa US$ 73, mas leia a linha ao lado: usado, em ótimo estado, de um vendedor de devoluções. — 01:36

Essa é a diferença entre um palpite e uma decisão. — 04:10

O Python já calculou o menor preço e a diferença, então o modelo não está fazendo contas. — 06:19

Sem falsa queda de preço, apenas uma regra aplicada ao preço real. — 06:50

Conceitos e entidades

Claude Code (ferramenta): Agente de programação usado para pesquisar informações e criar o app de monitoramento de preços.
Decodo (empresa): Empresa cuja API de web scraping e skill para agentes são usadas no experimento.
Decodo web scraping API (ferramenta): API de scraping usada para consultar templates de dados de diferentes sites.
Decodo agent skill (ferramenta): Skill que ensina o agente quando usar a API e quais templates escolher.
Logitech MX Master 3S (conceito): Mouse escolhido como produto para a pesquisa de preços, avaliações e opiniões.
AI Price Watch (ferramenta): App criado no vídeo para comparar preços e emitir alertas.
Python (ferramenta): Linguagem usada para implementar os adaptadores das lojas e os cálculos do app.
Streamlit (ferramenta): Framework usado para construir a interface do app de monitoramento.

Tradução completa (pt-BR)

00:00 Dei ao Claude Code uma grande tarefa. Duas vezes, com o mesmo prompt, o mesmo modelo e as mesmas ferramentas. A única diferença: à direita, ele tem a API de raspagem de páginas da web da Decodo; à esquerda, não. Veja o que aconteceu. Esta é a tarefa: um briefing de pesquisa de compra para um produto. As cinco partes do Logitech MX Master 3S: o preço novo na Amazon, no Walmart e na Target, com o vendedor; as 10 avaliações mais recentes da Amazon; o que estão dizendo no Reddit; os 10 principais resultados do Google; e

00:31 as avaliações mais vistas no YouTube; depois, um veredito — comprar agora ou esperar — e um painel. Esse é um projeto real, é o que todo dono de loja, revendedor e caçador de ofertas faz manualmente. E cada uma dessas cinco fontes dificulta o acesso. A Amazon mostra aos bots uma página sem preço. O Walmart lança um CAPTCHA. O Reddit recusa a solicitação. O Google e o YouTube montam páginas com JavaScript. Um modelo inteligente não consegue contornar nada disso só com um prompt. Então, veja como configurar: são duas etapas. Etapa um: no painel da Decodo, o plano gratuito da API de raspagem de páginas da web está ativo

01:06 na minha conta, com até 2.000 solicitações por um ano. Sem cartão de crédito. No playground, seu token de autenticação está ali, pronto para copiar com um clique. Mas, antes de passar qualquer coisa a um agent, experimente fazer uma solicitação manualmente. Leva cerca de um minuto. Em vez de escrever um scraper, escolho um template, preços da Amazon. Só preciso do ASIN do produto, e vou pedir o resultado em markdown. Enviar solicitação. A tarefa é criada e, alguns segundos depois, recebo o código de resposta 200

01:36 com todas as ofertas desse mouse. E foi aqui que a coisa ficou interessante. A oferta mais barata da Amazon custa US$ 73, mas leia a linha ao lado: usado, em muito bom estado, de um vendedor de produtos devolvidos. Se meu app simplesmente pegasse o menor número, teria dito que a Amazon venceu, e isso estaria errado. Então, tudo o que eu criar precisa comparar apenas ofertas de produtos novos. Etapa dois: passe o token ao seu agent. A Decodo publica skills de agent para o Claude Code, o agent de programação, no marketplace.

02:06 Instale o plugin e coloque o token em uma variável de ambiente. É só isso. A skill ensina ao agent quando recorrer à API e qual template usar. Agora, o teste. Duas pastas novas, o mesmo prompt, palavra por palavra, sem nunca mencionar a Decodo. Mesmo modelo, mesmas ferramentas; ambos têm busca na web e busca de páginas da web. A única diferença é se a skill está carregada. E o agent à esquerda, sem a skill, tenta de tudo. Amazon: nenhum preço na

02:37 página. Walmart: CAPTCHA. Reddit: bloqueado. Ele tenta um site de histórico de preços, artigos sobre ofertas e outra ferramenta de busca. Depois de 2 minutos e 56 segundos, desiste e escreve o que conseguiu. À direita, o agent verifica o token e vai direto aos templates. Busca na Amazon, produto da Amazon, busca no Walmart, Target, Google, Reddit, subreddit, publicação do Reddit, busca no YouTube e metadados do YouTube. 14 templates diferentes, cerca de 70 solicitações. Ele também encontra erros, como um parâmetro de localização

03:08 inválido, e os corrige sozinho. Aqui está o briefing sem a skill. Um aviso no topo: dados parciais. Amazon: indisponível. Walmart: CAPTCHA. Avaliações: indisponíveis. Reddit: indisponível. A seção do Google não é do Google. É uma alternativa, e o veredito de esperar se baseia em artigos sobre ofertas com 6 semanas. Para ser justo, ele foi sincero sobre tudo isso. Só não tinha dados com que trabalhar. E aqui está o briefing com a skill. Todas as ofertas de produtos novos nas três lojas,

03:39 da mais barata para a mais cara, cada uma identificada como vendida pela própria loja ou por terceiros. A própria Amazon vende por US$ 89,99. O anúncio principal do Walmart custa US$ 104,99 e é de um vendedor do marketplace. Na Target, custa US$ 103,60 e é vendido pela SpaceBound, não pela Target. O agent à esquerda, na verdade, errou o nome desse vendedor. Continue rolando. 10 avaliações reais da Amazon, com estrelas e datas; discussões do Reddit com pontuações reais; e uma análise de sentimento que identificou um padrão. Os cliques do botão esquerdo começam a falhar depois de 18 meses a 2

04:10 anos e meio. Os 10 principais resultados do Google e as cinco avaliações mais vistas no YouTube, com contagens de visualizações que começam em mais de um milhão. Agora, compare os vereditos: sem a skill, baixa confiança; com a skill, comprar agora na Amazon por US$ 89,99, vendido pela própria Amazon, com prazo de devolução de 30 dias — e um detalhe que eu teria deixado passar. Esse anúncio não inclui receptor USB. Funciona apenas por Bluetooth. Essa é a diferença entre um palpite e uma decisão. Agora, a parte honesta. A execução com a skill levou cerca de 25

04:40 minutos. A outra levou três. Também usou mais tokens do modelo: cerca de US$ 3,36 contra US$ 0,76. Ela explora, tenta de novo e verifica o próprio trabalho. O lado da API fez cerca de 70 solicitações, facilmente dentro do limite de 2.000 do plano gratuito. Então, quando vale a pena? Quando a resposta precisa estar certa. Monitoramento de preços, pesquisa de concorrentes, análise de avaliações — qualquer coisa que você faria todos os dias. E, depois que souber quais templates funcionam, não precisa pedir ao agent que explore tudo de novo. Coloque essas chamadas em um script, e ele roda em segundos. Foi exatamente isso que fiz em seguida. Peguei os

05:12 templates que o agent encontrou e criei um app pequeno que você pode usar todas as manhãs. AI Price Watch: Python e Streamlit na camada de cima, Decodo por baixo. Aqui está o código. Uma pequena função de solicitação, e o token vem de uma variável de ambiente, nunca do código. Criei os três adaptadores de loja com o Claude Code, usando os formatos de solicitação da documentação das skills de agent da Decodo. Cada adaptador usa um template de produto, e uma execução do script verifica as três lojas. A Target demora mais, então esse tempo de espera é

05:46 acelerado, e aí está a resposta. Walmart: 8760. O truque é deixar as lojas comparáveis. A Amazon me dá uma lista de ofertas. O Walmart me dá um objeto de produto. Os dados analisados da Target nem sequer incluem um preço, então esse adaptador o lê da página renderizada. No fim, tudo vira a mesma linha: loja, preço, vendedor, condição, estoque, link e horário da verificação. Agora, o app verifica os preços. Amazon e Walmart retornam em cerca de 5 segundos. A Target precisa de uma renderização completa no navegador, então chega por último. Três

06:19 de três, todos em tempo real e todos em condição de novos. Depois, o resumo de IA. O Python já calculou o preço mais baixo e a diferença, então o modelo não faz contas. Ele explica que o Walmart é o mais barato, por US$ 2,34. As duas ofertas mais baratas são de vendedores terceiros do marketplace, e o preço-alvo ainda não foi atingido; há links para as fontes. E o alerta: minha meta é US$ 85. O menor preço anunciado é US$ 87,60, então nada é acionado. Aumento a meta para 88

06:50 e o alerta dispara. Meta de preço atingida. Nenhuma queda falsa de preço, apenas uma regra aplicada ao preço real. Cada verificação é salva. As linhas estão retas porque, em geral, essas lojas mantiveram o mesmo preço entre minhas verificações, e o app diz exatamente isso. E aqui está meu painel de quando gravei o app: 89 solicitações bem-sucedidas e 10 centavos da franquia de US$ 1 do plano gratuito. O app funciona tranquilamente no plano gratuito. E não é só para preços. Há mais de 100 templates: Google,

07:21 Reddit, TikTok, Airbnb e YouTube. Usei o template de canal do YouTube no meu próprio canal e recebi meus 20 vídeos mais recentes em uma planilha com títulos, visualizações e datas. Mesmo token, uma única solicitação. Veja como fazer você mesmo. Um: obtenha o plano gratuito da API de raspagem e copie seu token. Dois: instale a skill da Decodo e configure o token. Três: dê ao seu agent uma tarefa de verdade, como esta, e depois veja o que ele usou e transforme isso em um script. O plano gratuito da API de

07:52 raspagem oferece até 2.000 solicitações, sem cartão de crédito, e o link está na descrição. Quando quiser ampliar o uso, meu código promocional, que se escreve p r o m p t, dá 10% de desconto na API de raspagem de páginas da web. Até o próximo vídeo.

Transcrição original

[00:00] I gave Claude Code one big job. Twice, same prompt, same model, same tools. The only difference, on the right it has Decodose web scraping API, on the left it doesn’t look at what came back. Let me walk you through how we got here. Here’s the job, a buyer’s research brief for one product. The Logitech MX Master 3S five parts, the new price at Amazon, Walmart, and Target with the seller, the 10 latest Amazon reviews, what Reddit is saying, the top 10 Google results, and

[00:31] the most viewed YouTube reviews, then a verdict, buy now or wait, and a dashboard. That’s a real project, it’s what every shop owner, reseller, and deal hunter does by hand. And every one of those five sources fights back. Amazon shows bots a page with no price. Walmart throws a CAPTCHA. Reddit refuses the request. Google and YouTube build a page with JavaScript. A smart model can’t prompt its way past any of that. So, here’s the setup and it’s two steps. Step one, in the Decodose dashboard, the free web scraping API plan, it’s active

[01:06] on my account up to 2,000 requests for a year. No credit card. In the playground, your authentication token is right there, one click to copy. But before you hand anything to an agent, try one request by hand. It takes about a minute. Instead of writing a scraper, I pick a template, Amazon pricing. All it needs is the product’s ASIN, and I’ll ask for the result as markdown. Send request. The task is created and a few seconds later, response code 200

[01:36] with every offer for this mouse. And this is where it got interesting. The cheapest Amazon offer is $73, but read the line next to it, used, very good, from a returns seller. If my app just grabbed the lowest number, it would have told you Amazon wins, and that would be wrong. So, anything I build has to compare new offers only. Step two, give the token to your agent. Decodo publishes agent skills for Claude Code, the coding agent, at the marketplace.

[02:06] Install the plugin and put the token in an environment variable. That’s it. The skill teaches the agent when to reach for the API and which template to use. Now, the test. Two fresh folders, same prompt, word for word, and it never says Decodo. Same model, same tools, both have web search and web fetch. The only difference is whether the skill is loaded. And the go on the left, the agent without the skill tries everything. Amazon, no price on the

[02:37] page. Walmart, captcha. Reddit, blocked. It tries a price history site, deal articles, a different search tool. After 2 minutes 56, it gives up and writes what it has. On the right, the agent checks its token and goes straight to templates. Amazon search, Amazon product, Walmart search, Target, Google, Reddit, subreddit, Reddit post, YouTube search, YouTube metadata. 14 different templates, about 70 requests. It hits errors, too, like a bad location

[03:08] parameter, and it fixes them on its own. Here’s the brief without the skill. A warning on top, partial data. Amazon, unavailable. Walmart, captcha. Reviews, unavailable. Reddit, unavailable. The Google section isn’t Google. It’s a substitute and the verdict wait is built on deal articles that are 6 weeks old. To be fair, it was honest about all of it. It just had nothing to work with. And here’s the brief with the skill. Every new offer across all three stores,

[03:39] cheapest first, each one marked first party or third party. Amazon itself sells it for $89.99. Walmart’s main listing is $104.99 from a marketplace seller. Target, $103.60 sold by SpaceBound, not Target. The agent on the left actually got that seller wrong. Keep scrolling. 10 real Amazon reviews with stars and dates, Reddit threads with real scores, and a sentiment read that found a pattern. Left click switches failing after 18 months to 2

[04:10] and 1/2 years. The Google top 10 and the five most viewed YouTube reviews with view counts starting at over a million. So, compare the verdicts without the skill weight, low confidence with the skill buy now from Amazon 89.99 sold by Amazon itself with a 30-day return window and a catch I would have missed. That listing has no USB receiver. It’s Bluetooth only. That’s the difference between a guess and a decision. Now, the honest part. The skill run took about 25

[04:40] minutes. The other one, three. It used more model tokens, too, about $3.36 against $0.76. It explores, it retries, it checks its work. The API side, about 70 requests, fits easily inside the free plan’s 2,000. So, when is it worth it? When the answer has to be right. Price tracking, competitor research, review mining, anything you’d run every day. And once you know which templates work, you don’t need the agent to explore again. You put those calls in a script and it runs in seconds. So, that’s exactly what I did next. I took the

[05:12] templates the agent found and built a small app you can use every morning. AI Price Watch, Python and Streamlit on top, Decodable underneath. Here’s the code. One small request function and the token comes from an environment variable, never from the code. I built the three store adapters on top of it with Claude code using the request formats from Decodable’s agent skill docs. Each adapter uses a product template and one run of the script checks all three stores. Target takes the longest, so that waiting time is

[05:46] sped up and there’s the answer. Walmart 8760. The trick is making the stores comparable. Amazon gives me a list of offers. Walmart gives me a product object. Target’s parsed data doesn’t even have a price, so that adapter reads it from the rendered page. They all end up as the same row, store, price, seller, condition, stock, link, and the time it was checked. Now the app check prices. Now Amazon and Walmart come back in about 5 seconds. Target needs a full browser render, so it lands last. Three

[06:19] out of three, all live, all new condition. Then the AI summary. Python has already worked out the lowest price and the gap, so the model isn’t doing maths. It explains Walmart is cheapest by $2.34. Both of the cheapest offers are third-party marketplace sellers, and the target isn’t reached yet with source links. And the alert, my target is $85. The lowest listed price is $87.60, so nothing fires. Raise the target to 88

[06:50] and it trips. Target price reached. No fake price drop, just a rule running on the real price. Every check is saved. The lines are flat because these stores generally kept the same price between my checks, and the app says exactly that. And here’s my dashboard from when I recorded the app, 89 successful requests and 10 cents of the free plans, $1 allowance. The app runs comfortably on the free plan. And it’s not only prices. There are over 100 templates, Google,

[07:21] Reddit, TikTok, Airbnb, YouTube. I pointed the YouTube channel template at my own channel and got my latest 20 videos back as a spreadsheet with titles, views, and dates. Same token, same one request. Here’s how you do it yourself. One, grab the free scraping API plan and copy your token. Two, install the Decodable skill and set the token. Three, give your agent a real job like this one, then look at what it used and turn it into a script. The free

[07:52] scraping API plan gives you up to 2,000 requests, no credit card, and the link is in the description. When you’re ready to scale, my code prompt, that’s p r o m p t, takes 10% off the web scraping API. See you in the next one.