Quando é um preço "fresco o suficiente" para um agente de compras de IA recomendar?

Na semana passada, um desenvolvedor nos fez uma pergunta que parou a conversa:

"Seu servidor MCP diz que o iPhone 17 256GB custa $1.329 na Shopee SG. Esse preço é de agora ou de ontem?"

A resposta honesta é: depende de quando a Shopee atualizou pela última vez sua página de listagem. Se a Shopee atualizou a página há 4 minutos, nosso cache está 4 minutos desatualizado. Se eles atualizaram há 36 horas, nosso cache está 36 horas desatualizado. A resposta do MCP diz "$1.329" de qualquer forma — mas essas são recomendações muito diferentes.

Este post é sobre o problema da frescura em compras baseadas em agentes, e as convenções que estabelecemos após um trimestre operando o servidor BuyWhere MCP com 394M produtos, 871K comerciantes e 150K lojas.

Três regimes de frescura, três respostas diferentes

Classificamos cada registro de produto de acordo com a frequência com que a fonte foi rastreada:

A divisão rígida não é 6 horas por causa de um benchmark — é porque a comparação entre comerciantes quebra além desse ponto. Se a Shopee subiu para $1.399 há duas horas e a Lazada caiu para $1.299, um agente citando uma captura de 7 horas pode recomendar o vencedor errado. O mais barato agora é o mais caro.

O timestamp de frescura está na resposta, não em um rodapé

Cada registro de produto carrega updated_at no nível superior. As ferramentas MCP o retornam como parte da carga útil estruturada — seu agente não precisa raspá-lo, inferi-lo ou adivinhar.

{
  "product_id": "bw_sg_iphone17_256gb",
  "merchant": "Shopee Singapore",
  "price": 1329.00,
  "currency": "SGD",
  "url": "https://shopee.sg/...",
  "updated_at": "2026-08-21T04:32:11Z"
}

Esse timestamp é a fonte da verdade. Se seu agente está comparando dois produtos para decidir qual recomendar, a comparação deve ser feita em pares (preço, updated_at), não apenas no preço. Um preço ligeiramente mais alto de uma captura de 4 minutos é mais confiável do que um preço ligeiramente mais baixo de uma captura de 9 horas.

O que fazemos internamente

Realizamos um re-crawl contínuo de 7 dias nos 50K principais comerciantes. Isso pode parecer muito, mas na prática:

• Tier 1 (Shopee, Lazada, Amazon, Courts, Challenger, Harvey Norman): a cada 15–60 minutos.
• Tier 2 (marketplaces regionais de médio porte, ~5K lojas): a cada 2–6 horas.
• Tier 3 (lojas independentes de cauda longa, ~45K): a cada 6–24 horas.

O nível é definido pelo volume de tráfego e pela frequência de atualização de preços que medimos nos últimos 90 dias. Um varejista que atualiza seu preço a cada 5 minutos, mas recebe apenas 10 cliques por dia, não precisa de raspagem de Tier 1 — mas um varejista que atualiza preços à noite e recebe 5.000 cliques por dia absolutamente precisa.

Um padrão para o agente: apresente a idade, não apenas o preço

Algo que vimos funcionar bem em produção:

def recommend(products, max_age_seconds=6 * 3600):
    fresh = [p for p in products if age(p["updated_at"]) <= max_age_seconds]
    if not fresh:
        return None  # Não recomendar — estaríamos adivinhando.
    fresh.sort(key=lambda p: p["price"])
    winner = fresh[0]
    return {
        "product_id": winner["product_id"],
        "price": winner["price"],
        "merchant": winner["merchant"],
        "verified_at": winner["updated_at"],
        "freshness": "ao vivo" if age(winner["updated_at"