AI marketplace automation for a B2B hardware shop

Kontext / Context

Ein Nischen-B2B-E-Commerce (Hardware-Verkauf) mit einem engen, aber sich schnell bewegenden Markt. Jedes neue Produkt musste gelistet, gegen die Konkurrenz bepreist und auf Social beworben werden. Der Owner verbrachte 2-3 Stunden täglich mit diesem Loop.

Komponenten

• asic_marketplace_scraper.py zieht Listings von drei konkurrierenden Marketplaces mit Rate-Limiting und Residential-Proxy-Rotation
• ai_matcher.py vergleicht Produkt-Titel und -Specs gegen die eigene Datenbank mit einer Kombination aus Fuzzy-Matching und Embedding-Similarity. Output: Konfidenz-Score pro Match-Kandidat, auto-merge ab 0.92, manual-review zwischen 0.7 und 0.92
• auto_product.py generiert Listing-Texte aus Spec-Sheets mit Claude, nutzt Prompt-Caching für System-Prompt und Spec-Templates (~85 % Cache-Hit)
• create_hydro_products.py + customer_database.py für eine Unter-Produktlinie mit eigener Customer-Segmentation
• bluesky_client.py postet neue Produkte automatisiert nach Review-Gate mit corporate-Branding und Deep-Link
• Admin-Dashboard (Flask + minimal-UI) für Approval-Queue und Rollback

AI-Architektur

• Tier 1: lokales Embedding über OpenAI text-embedding-3-small für den Fuzzy-Match-Ringelfluss. Embeddings werden in einer lokalen pgvector-Instanz gehalten.
• Tier 2: Claude-Call nur wenn Tier 1 mehrdeutig. Prompt-Caching auf die Spec-Schema-Beschreibung spart ~70 % der Output-Kosten.
• Tier 3: human-in-the-loop über das Dashboard für alles unter 0.7 Konfidenz

Deliverable

• Python-Service mit Docker-Deployment
• CLI für manuelle Runs und Batch-Rebuilds
• Admin-Dashboard mit Approval-Flow
• Monitoring-Dashboard (Grafana) für Scrape-Rate, Match-Rate, Kosten
• Playbook für Product-Line-Extensions

Take-Aways

• Embedding-First-Matching + LLM-Fallback ist deutlich günstiger als reine LLM-Lösungen, und meist genauer weil Numerik-Specs ohne Halluzination landen.
• Residential-Proxies sind für Marketplace-Scraping Standard. Ohne die fängt jeder Scrape nach ein paar Tagen irgendein Capped-Limit.
• Der ROI lebt nicht von der AI-Glanznote, sondern vom gesparten Owner-Overhead. 45 min → 4 min pro Produkt × 20 neue Produkte pro Woche = 14 Stunden zurück.