Construindo um agente de compras de IA que realmente compra produtos

título: "Construindo um agente de compras com IA que realmente compra coisas"
públicado: falso
descrição: "Como combinar raciocínio LLM com dados de produtos em tempo real para construir um agente de compras autônomo usando MCP e LangGraph"
tags: ia, mcp, langgraph, python, ecommerce
url_canonica: https://buywhere.ai/blog/ai-shopping-agent-mcp-react

imagem_capa: https://buywhere.ai/og-shopping-agent.png

A maioria dos assistentes de compras com IA para na parte de "aqui estão alguns resultados." A parte difícil é o próximo passo: avaliar opções, raciocinar sobre trade-offs e realmente completar uma compra. Este post explica como construir um agente de compras com IA que vai de um pedido em linguagem natural a uma recomendação pronta para checkout — usando o padrão ReAct, LangGraph e o servidor BuyWhere MCP.

O problema com compras no estilo chatbot

Peça ao ChatGPT "encontre os AirPods Pro 2 mais baratos" e você receberá uma lista de links — muitas vezes desatualizados, às vezes alucinatórios. O modelo não tem acesso a preços em tempo real, nenhuma capacidade de comparar entre comerciantes e nenhum mecanismo para tomar ação.

O que você realmente quer é um agente que:

1. Entenda sua intenção de compra (o que, onde, orçamento, restrições)
2. Pesquise catálogos de produtos reais em tempo real
3. Racione sobre os resultados (preço, envio, avaliação do vendedor)
4. Apresente uma recomendação classificada — ou faça o pedido

O padrão ReAct (Raciocinar + Agir) é a arquitetura mais simples que entrega isso.

Como é o padrão ReAct para compras

Agentes ReAct alternam entre duas fases:

• Raciocinar: O LLM analisa o estado atual, decide quais informações precisa e formula um plano.
• Agir: O agente chama uma ferramenta (API, função de busca, ferramenta MCP) para obter essas informações.
• Observar: O agente processa a resposta da ferramenta e a reintegra ao raciocínio.

Para um agente de compras, esse ciclo se parece com:

Usuário: "Eu preciso de um fone de ouvido com cancelamento de ruído abaixo de $200, disponível em Cingapura"

Pensamento: Eu devo procurar fones de ouvido com cancelamento de ruído em Cingapura com uma restrição de orçamento.
Ação: produtos_busca(query="fones de ouvido com cancelamento de ruído", país="sg", limite=10)
Observação: [resultados com preços, comerciantes, URLs]

Pensamento: Deixe-me filtrar por preço abaixo de $200 e verificar quais são bem avaliados.
Ação: produtos_busca(query="Sony WH-1000XM5", país="sg")
Observação: [resultados de produtos específicos]

Pensamento: Eu tenho dados suficientes para recomendar. A melhor opção é [X] a [preço] de [comerciante].
Resposta Final: Aqui estão minhas 3 principais recomendações...

Construindo com LangGraph

LangGraph torna esse loop explícito como uma máquina de estados. Aqui está uma implementação mínima:

from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.tools import tool

# Defina o estado
class ShoppingState(TypedDict):
    mensagens: Annotated[list, "O histórico da conversa"]
    orçamento: float | None
    país: str
    categoria_produto: str

# Defina a ferramenta apoiada pelo MCP
@tool
def buscar_produtos(query: str, país: str, limite: int = 5) -> str:
    """Pesquise produtos em marketplaces em um determinado país.
    Retorna resultados estruturados com preços, comerciantes e URLs."""
    # Em produção, isso chama o servidor BuyWhere MCP
    import subprocess, json
    # Simplificado: chama o CLI do MCP
    resultado = subprocess.run(
        ["npx", "-y", "@buywhere/mcp-server", "buscar",
         "--query", query, "--country", país, "--limit", str(limite)],
        captura_output=True, texto=True, tempo_limite=30
    )
    return resultado.stdout

# Construa o gráfico
llm = ChatOpenAI(modelo="gpt-4o"