Da pergunta
à vitrine.

01 · A pergunta

Tudo começa com alguém pedindo ajuda, como numa loja.

“Vestido longo para madrinha de casamento de dia.” A frase traz ocasião, horário, comprimento e até o que fica de fora (preto, brilho de noite). Um bom vendedor entenderia na hora, enquanto a busca de um e-commerce devolve qualquer “vestido”. O deco shop lê a frase inteira como o pedido feito a um personal shopper e procura nas 75 marcas ao mesmo tempo.

Quando falta algo que muda a escolha, ele pergunta antes de buscar, como faria um vendedor. Em “tenho um casamento em maio em Portugal, quero um vestido, sou convidada”, ele já sabe que é casamento, que ela é convidada e que maio por lá é ameno, e pergunta o que a frase não diz: de dia ou de noite, qual o traje, quanto quer gastar. As opções vêm ordenadas pelo que é mais provável e ela marca as que valem. O botão Refinar ✨ mostra a mesma tela a qualquer momento.

02 · decoindex

O decoindex entrega cada loja em markdown, do jeito que um agente lê.

Quando um agente abre a página de uma loja, recebe centenas de milhares de tokens de HTML, scripts e menus para achar meia dúzia de informações. O decoindex é um proxy sobre as APIs públicas de catálogo da VTEX e da Shopify. Basta trocar o domínio da URL e a mesma página volta em markdown, com título, preço de catálogo, tamanhos, cor, categorias e o link para a loja.

Com páginas tão menores, o modelo pode navegar mais. Ele abre a árvore de categorias de seis lojas, compara, volta e abre de novo pelo custo que antes pagaria por uma única página. A árvore vem com três níveis, porque a maioria das lojas de moda guarda o tipo de peça no terceiro (feminino › roupas › vestidos); com dois, 14 das 75 marcas não tinham onde navegar. Nas lojas VTEX, categoria e palavras saem numa leitura só, pela busca inteligente da própria loja: “vestidos” + “verde” traz os vestidos verdes, e não a primeira página de vestidos para filtrar depois. O decoindex também trabalha a favor das marcas: as imagens continuam no servidor da loja e todo link de produto leva para ela, com atribuição.

03 · Curadoria

75 marcas, cada uma com contexto.

Escolhemos as marcas a dedo, começando pelas lojas dos shoppings que ditam a moda no Brasil, como Leblon, Iguatemi e JK. Para cada uma, registramos o que um vendedor saberia de cabeça: o que vende, para quem, de onde vem, desde quando e em que faixa de preço.

É esse contexto que faz pedidos como “linho, das marcas cariocas” ou “biquíni de luxo” darem certo. Cada informação tem fonte, e quando as fontes discordam o campo fica em branco, para o modelo nunca tratar um palpite como fato.

04 · Jev

O Jev é um modelo feito para decidir, e decide quase tudo aqui.

O Jev, da TypeSafe, recebe um contexto e uma lista de perguntas com respostas fechadas, e devolve a probabilidade de cada resposta, sem gerar texto. No deco shop fazemos a mesma pergunta para cada uma das 75 marcas (“esta marca tem o que o cliente pediu?”), com três respostas possíveis: não vende isso, talvez tenha algo, vende exatamente isso. O Jev responde as 75 em paralelo, numa única chamada.

05 · Raciocínio, em teste contínuo

Os modelos competem em produção, e os que perdem saem.

Um modelo de raciocínio conduz a busca com duas ferramentas. A find_products consulta até seis lojas em paralelo pelo decoindex. Quando sabe o tipo de peça, navega pela categoria da loja com os atributos do pedido (“linho”, “midi”, “corrida”); quando não sabe, usa a busca da própria loja. A responder encerra a vez: duas frases para o cliente e os próximos passos sugeridos, numa chamada só. Ele não escolhe as peças uma a uma; isso ficou com o Jev, que faz melhor e mais barato.

Cada conversa é atendida por um modelo sorteado no início e mantido até o fim. Um painel compara os modelos pela taxa de conversas que terminam em clique para a loja, pela latência, pelo número de resultados, pelo 👍/👎 e pelo custo de cada busca. Começamos com sete. Em uma semana de uso real, o Claude Sonnet custou 19 vezes o Haiku por busca, e Gemini, Qwen, Muse e GLM levavam de 22 a 35 segundos. Ficaram Haiku e DeepSeek. Trocar de modelo é mudar uma linha de configuração.

06 · Coleta e julgamento

Escolher dá mais trabalho do que buscar.

Com os produtos coletados, regras simples tiram primeiro o que não cabe: peças do outro departamento, linhas infantis, cor diferente da pedida (a camisa preta numa busca por “camisa de linho branca”) e cadastros errados das lojas, como um “Kit Calcinhas” na categoria de biquínis. Depois o Jev dá a cada peça uma nota de 0 a 2 contra a conversa inteira, e a vitrine sai dessas notas.

07 · A vitrine

A vitrine que o cliente vê.

Enquanto busca, a tela conta o que está fazendo: quais marcas escolheu, o que procura em cada uma, quantas peças achou e quantas combinam, e as fotos encontradas vão passando. Quando a seleção chega, vira a grade. Cada peça abre com fotos, tamanhos e o link para comprar na própria loja, que dá a palavra final sobre preço e estoque. Em “Mais como este”, um modelo de visão barato olha uma única foto, a da peça escolhida, e descreve cor, estampa e comprimento, e o Jev usa essa descrição para buscar e ordenar as parecidas. Toda busca vira um link para compartilhar, com a foto da peça no preview do WhatsApp, e a mesma pergunta feita no mesmo dia sai do cache em 0,2 s.