Agente de compras com IA: como criar um para seu ecommerce

Agora já é possível começar um agente de compras com IA sem desenhar toda a arquitetura do zero: o loop do agente, as skills, os contratos das ferramentas, as barreiras de segurança e os padrões de interface já estão definidos. Claude Commerce Agents oferece essa base. O trabalho de verdade é conectá-la a dados confiáveis do catálogo, vincular cada ação ao cliente certo, manter o estoque atualizado e impedir que o modelo avance até o pagamento ou qualquer mudança irreversível.

Esse esforço para colocar o sistema em produção importa porque o potencial pode ser medido. Segundo a Anthropic, varejistas que operam agentes de compras com Claude registraram carrinhos até 35% maiores e clientes 60% mais propensos a concluir a compra. Isso não é uma promessa de resultado para toda loja. É um motivo para tratar o agente como um produto de conversão, e não como mais um widget de chat.

O blueprint entrega a estrutura, não a loja pronta

Claude Commerce Agents é uma implementação de referência Apache-2.0 para duas funções. O agente de compras atende os clientes: pesquisa e compara produtos, planeja compras com vários itens, preenche o carrinho, responde a dúvidas sobre políticas e pedidos e memoriza preferências. Já o agente do lojista atua nos bastidores: analisa o desempenho, acompanha o estoque, propõe ajustes de preço e prepara campanhas.

Para um agente de IA para ecommerce que atende diretamente o consumidor, o desenho é propositalmente simples: um único modelo executa um loop; as regras comuns ficam no system prompt; os procedimentos menos frequentes são organizados em cinco skills; e as ferramentas acionam os sistemas de comércio que a empresa já utiliza. É como ter um vendedor treinado em um balcão. Ele acompanha toda a conversa, mas consulta o terminal do estoque para verificar a disponibilidade, o sistema de clientes para confirmar a identidade e o caixa para cuidar do carrinho.

A mesma definição pode ser executada pela Messages API, pelo Claude Agent SDK ou pelo Claude Managed Agents. Essa portabilidade é útil, mas não transforma os exemplos em sistemas prontos para produção. A Anthropic informa que as demonstrações não têm autenticação. O repositório também não fecha pedidos, não cobra cartões nem fornece as regras de fraude, elegibilidade, estoque e conformidade de cada negócio.

A conta do negócio começa depois da demonstração

O blueprint reduz o custo de chegar a uma primeira versão convincente. Na página de lançamento da Anthropic, a Wix relata ter criado em 15 minutos um protótipo que já recebia prompts; a Fetch diz que executou localmente os dois agentes de referência em bem menos de uma hora; e a Zomato afirma que as práticas incluídas podem poupar semanas de tentativa e erro. São relatos de parceiros, não garantias de prazo. Ainda assim, eles deixam clara a mudança no orçamento: menos horas de engenharia para inventar a estrutura do agente e mais investimento na qualidade do catálogo, nas permissões, nas avaliações e na última etapa até o checkout.

O gasto com o modelo também pode ser pequeno diante do trabalho de integração. O Claude Sonnet 5 custa $2 por milhão de tokens de entrada sem cache, $0.20 por milhão de tokens de entrada encontrados no cache e $10 por milhão de tokens de saída. Em um turno ilustrativo com 20,000 tokens de entrada e 800 de saída, o modelo custa $0.048 quando nenhum token de entrada vem do cache. Se 18,000 tokens de entrada vierem do cache e 2,000 forem novos, a mesma conta cai para $0.0156. Esse cálculo não inclui busca, hospedagem, observabilidade, suporte nem as APIs de comércio ao redor do modelo.

Segundo a Anthropic, as implementações de comércio mais eficientes atingem taxas de cache hit entre 90% e 99%. Por isso, o orçamento de produção não se resume a “comprar um LLM”. O objetivo é tornar cada tarefa de compra concluída precisa, rápida, atribuível e segura.

Como colocar um agente de compras com IA em produção

A ordem certa de implementação acompanha o dinheiro e o risco. Comece pela tarefa de compra, conecte dados e identidade, libere ações e só então otimize a velocidade. Uma conversa impecável baseada em estoque desatualizado continua sendo uma experiência quebrada.

1. Escolha uma tarefa de compra e uma métrica de sucesso

Não comece com a meta de “responder qualquer pergunta sobre o catálogo”. Escolha uma tarefa, como ajudar alguém a encontrar o tamanho correto de colchão, montar um kit de camping com três produtos dentro de um orçamento ou localizar uma alternativa em estoque para um item indisponível.

Defina sucesso como uma tarefa concluída, não como uma resposta simpática. Entre as métricas úteis estão a seleção de um produto respaldada pelos dados, a aceitação de uma recomendação, a inclusão no carrinho, o encaminhamento ao checkout, a resolução sem abertura de chamado e a taxa de devolução de pedidos assistidos. Acompanhe o tamanho do carrinho e a conclusão da compra junto com a latência e o custo do modelo. A resposta mais barata sai cara quando recomenda a variação errada.

2. Coloque sua busca e seu ranking atrás da ferramenta de catálogo

O modelo não deve virar o mecanismo de busca da loja. No padrão da Anthropic, search_products retorna resultados que já vêm ordenados. O Claude então decide quais itens atendem às restrições do cliente e quantos deles devem aparecer.

Organize o catálogo em três formatos: produtos simples, famílias de produtos e variações que podem ser compradas. Uma família de camisetas pode reunir opções de tamanho e cor, enquanto cada variação contém seu próprio preço e estoque atual. A busca pode retornar a família, mas uma gravação no carrinho precisa indicar a variação exata. Essa distinção impede que um agente eloquente adicione uma “camiseta azul” sem saber se o tamanho médio na cor azul está disponível.

Retorne apenas os campos necessários para o raciocínio do modelo. ID do produto, título, preço, disponibilidade, valores das opções, atributos importantes e timestamp de origem costumam ser relevantes. Repetir URLs de imagens e textos publicitários longos em todos os resultados consome contexto sem melhorar a decisão.

Se a empresa já tem um serviço de busca ou recomendação, preserve ali a lógica de negócio. Caso contrário, corrija a recuperação de dados antes de ajustar o prompt. Uma ferramenta de catálogo não consegue compensar atributos incompletos, SKUs duplicados ou um ranking que desconsidera as restrições do cliente.

3. Vincule a identidade antes de mostrar qualquer ferramenta ao modelo

A autenticação pertence ao aplicativo hospedeiro. É ele que faz o login do cliente, identifica uma pessoa cadastrada ou um visitante e inicia a sessão. Os métodos de backend leem essa identidade do estado da sessão no servidor. O modelo não recebe nem o ID do cliente como argumento de uma ferramenta nem a credencial usada para acessar a loja.

Trate visitantes como identidades reais, porém com menos permissões. Se alguém sem login pedir o histórico de pedidos ou endereços salvos, o backend deve exigir autenticação. Depois do login, inicie uma nova sessão autenticada em vez de alterar uma identidade anônima no meio da conversa.

É fácil ignorar essa separação em uma demonstração, e caro acrescentá-la depois. Ela marca a diferença entre “o agente chamou a ferramenta de pedidos” e “este cliente autenticado tinha permissão para consultar este pedido”.

4. Faça do estoque a fonte de verdade no momento da ação

Os resultados da busca ajudam o agente a raciocinar, mas a verdade pertence ao backend. Dentro da operação de carrinho, verifique novamente estoque, elegibilidade, preço, limites de compra, horários-limite de atendimento e regras de promoção. Faça isso de modo atômico, para que um item que desapareça do estoque entre a leitura e a gravação gere uma resposta clara.

Quando a variação solicitada não estiver disponível, retorne o ID indisponível e as variações válidas da mesma família. Deixe o agente explicar as diferenças e pedir uma escolha ao cliente. Nunca faça uma substituição silenciosa. Em marketplaces ou cenários com preços por conta, datas de viagem ou retirada em uma loja específica, envie ao backend o contexto necessário para calcular a resposta.

5. Trate cada ferramenta como uma API sujeita a permissões

A implementação de referência monta a lista de ferramentas visíveis com base na configuração da implantação. Desative os sistemas que não existem na operação. Crie uma lista de permissão com os demais nomes. Recuse por código qualquer chamada que esteja fora dessa lista.

Depois, acrescente barreiras de procedência. Uma alteração no carrinho só deve aceitar um ID de produto que o servidor tenha retornado naquela sessão ou que já faça parte do carrinho. Isso bloqueia IDs inventados, IDs copiados de outra conta e instruções escondidas no conteúdo de produtos. O mesmo princípio vale para a renderização: o agente pode escolher um ID retornado, mas o servidor preenche o card de produto com seu próprio registro.

Considere anúncios, avaliações, políticas, mensagens de vendedores e fatos memorizados como dados não confiáveis. O runtime da Anthropic sanitiza e isola textos de terceiros antes que o Claude os leia. Regras no prompt ajudam, mas permissões, limites de quantidade, campos protegidos e serialização das operações de escrita precisam ficar no código.

Se a implantação exigir mais controle sobre runtime ou gateway, o guia de ferramentas gerenciadas para agentes explica as escolhas de infraestrutura para agentes que usam ferramentas.

6. Encerre a autoridade do agente no checkout

Claude Commerce Agents estabelece uma fronteira rígida: o modelo pode montar e renderizar o carrinho, mas não pode fechar o pedido nem cobrar um cartão. O aplicativo hospedeiro fornece o destino do checkout após a chamada ao modelo; assim, a própria URL nunca entra no contexto do modelo.

Escolha um formato de encaminhamento:

1. Abra o checkout dentro do próprio aplicativo.
2. Abra a URL de checkout hospedada pela plataforma de comércio.
3. Em um marketplace, mostre um link de checkout por vendedor.

Essa fronteira é uma boa decisão de produto, não uma funcionalidade ausente. Ela permite que o cliente confira quantidade, endereço, frete, descontos e preço total no sistema que já responde por pagamentos e conformidade.

Crie também um encaminhamento separado para o atendimento humano nos casos de ambiguidade que o agente não deve assumir. Defina quais intenções o acionam, qual fila recebe a solicitação, qual resumo da conversa acompanha o caso e o que a pessoa responsável pode aprovar. “Falar com uma pessoa” é um fluxo com identidade e regras de nível de serviço, não uma frase de contingência.

7. Renderize a interface de comércio com ferramentas tipadas

Grades de produtos, tabelas comparativas, planos, carrinhos e cards de pedidos devem ser ferramentas de apresentação tipadas. O Claude chama um componente com argumentos estruturados, o servidor valida e enriquece esses dados e o cliente renderiza o resultado.

Assim, a interface visível passa a integrar o histórico da conversa. Quando alguém diz “o segundo”, a lista ordenada de produtos continua nas mensagens. Isso também evita pedir ao modelo que invente uma marcação personalizada e frágil. Para implementar a camada conversacional ao redor desses componentes, o guia de criação de chatbots aborda as decisões mais amplas de interface.

8. Distribua o orçamento de latência por toda a tarefa

Meça o tempo até a conclusão da tarefa como a soma dos turnos do modelo e do tempo das ferramentas. Menos turnos, ferramentas mais rápidas e entrega mais veloz dos tokens fazem diferença.

Carregue o contexto provável da página antes da primeira chamada ao modelo. Execute em paralelo as consultas independentes ao catálogo ou às políticas. Dispare cada ferramenta assim que seus argumentos terminarem de chegar por streaming. Exiba os cards de produto à medida que os campos chegarem e mostre uma linha simples de progresso enquanto uma consulta demorada estiver em andamento.

Segundo a Anthropic, uma resposta de comércio renderizada costuma ter de 500 a 700 tokens de saída, o suficiente para deixar a tela em um spinner vazio por cinco segundos ou mais quando não há renderização progressiva. A empresa também relata que o despacho antecipado reduziu intervalos observados de vários segundos entre ferramentas para algumas centenas de milissegundos. Faça esse trabalho de engenharia antes de trocar para um modelo inferior. Um modelo menos capaz pode exigir mais turnos e custar mais por tarefa concluída.

9. Transforme requisitos de produto em avaliações

Uma avaliação é um caso repetível que verifica o comportamento do agente a partir de um estado conhecido. Monte as mensagens, os registros de catálogo, o carrinho, os dados do usuário e as falhas relevantes; depois, avalie o estado final e a resposta renderizada.

Cubra cinco grupos: solicitações centrais de compra, turnos dependentes de contexto, casos de segurança e marca, comportamento da interface e mensagens que atravessam duas capacidades. Crie uma contraparte negativa para todo caso positivo. Se o agente deve recomendar uma variação em estoque, teste também a situação em que todas as variações válidas estão indisponíveis. Inclua texto hostil em um anúncio, o ID do pedido de outro usuário, timeouts, buscas vazias, inclusões repetidas no carrinho e uma mudança de preço entre a busca e o carrinho.

A Anthropic recomenda de 50 a 100 casos por fluxo de usuário como ponto de partida. Construa-os com as equipes de produto, jurídico, atendimento ao cliente e merchandising; depois, transforme incidentes reais em casos permanentes de regressão. Condicione os lançamentos canário à precisão baseada em dados, à conclusão de tarefas, à taxa de aprovação de segurança, às latências p50 e p99, à taxa de cache hit e ao custo por tarefa concluída.

Sete usos de IA para ecommerce, classificados por quem mais se beneficia

Os maiores ganhos aparecem em lojas nas quais os clientes têm restrições reais e o catálogo exige escolhas relevantes. Um bot genérico de perguntas frequentes é o uso mais fraco dessa arquitetura.

1. Consultor para produtos de decisão complexa

Para quem: Lojas de colchões, eletrodomésticos, equipamentos para atividades ao ar livre ou eletrônicos, cujos produtos exigem comparação.

Fluxo: O cliente informa objetivo, orçamento, dimensões e preferências. O agente consulta os resultados ordenados do catálogo, busca detalhes dos melhores candidatos, apresenta uma comparação estruturada, confirma a variação exata e prepara o carrinho.

Por que compensa: O suporte à decisão acontece durante a jornada de compra. Este é o caso mais próximo dos resultados relatados pela Anthropic para carrinhos maiores e mais compras concluídas, pois o agente pode resolver dúvidas antes que o cliente abandone a loja.

2. Montador de kits por objetivo

Para quem: Lojas que vendem produtos complementares, como equipamentos de camping, itens para home office, rotinas de skincare ou um primeiro conjunto de utensílios de cozinha.

Fluxo: O agente divide um objetivo em várias necessidades de produto, executa buscas independentes em paralelo, confere o orçamento combinado, explica as concessões e inclui as variações aprovadas em um único carrinho.

Por que compensa: O agente pode aumentar o valor da cesta ao completar uma tarefa, em vez de apenas promover mais um item. Também evita que o cliente precise abrir várias páginas de categorias e conferir sozinho a compatibilidade entre os produtos.

3. Guia de variação e adequação

Para quem: Lojistas de vestuário, cosméticos, móveis e produtos configuráveis que enfrentam alto risco de devolução.

Fluxo: O cliente informa restrições de caimento, tonalidade, espaço ou compatibilidade. O agente consulta as opções da família, verifica o estoque da variação exata, apresenta apenas combinações válidas e se recusa a adicionar um registro de família ainda não definido.

Por que compensa: O valor vem da redução de escolhas erradas, não do aumento das conversas. Uma variação válida no checkout pode reduzir cancelamentos e devoluções evitáveis sem interromper a jornada do cliente.

4. Descoberta de produtos e atendimento pós-compra

Para quem: Lojas cujo suporte lida repetidamente com status de pedidos, devoluções, garantias e dúvidas sobre políticas.

Fluxo: A mesma conversa avança da descoberta de produtos para a consulta autenticada de um pedido ou a busca de uma política. O agente lê apenas os registros do próprio cliente, renderiza o status e encaminha exceções a uma pessoa com todo o contexto.

Por que compensa: Uma única interface pode favorecer tanto a conversão quanto a resolução automática. O cliente não precisa repetir o contexto do produto, do pedido e da política para outro bot.

5. Assistente de compras B2B ciente da conta

Para quem: Distribuidores e empresas de assinatura com preços contratuais, regras de elegibilidade ou sortimentos aprovados.

Fluxo: O aplicativo hospedeiro associa a conta e a função do comprador à sessão. As ferramentas de backend retornam apenas os preços, produtos permitidos e opções de atendimento daquela conta. O agente prepara uma cotação ou encaminha uma ordem de compra, em vez de fingir que um checkout de varejo serve para esse processo.

Por que compensa: O agente encurta uma compra repleta de regras sem violar os direitos de acesso. O modelo explica as opções, mas o sistema de contas continua sendo a autoridade.

6. Coordenador de carrinho para marketplaces

Para quem: Marketplaces nos quais vários vendedores podem atender à mesma solicitação.

Fluxo: O vendedor passa a ser uma dimensão da busca. O agente compara ofertas, agrupa os itens do carrinho por vendedor e, quando necessário, o aplicativo hospedeiro renderiza um link de checkout separado para cada um.

Por que compensa: Uma compra fragmentada vira uma única conversa de planejamento, sem esconder a realidade comercial de que pagamento e entrega pertencem a lojistas diferentes.

7. Copiloto de estoque e promoções para lojistas

Para quem: Equipes de merchandising que administram vendas, estoque, preços e campanhas em muitos SKUs.

Fluxo: O agente do lojista consulta alertas de desempenho e estoque, propõe reposição ou promoção, prepara a mudança e aguarda aprovação em uma interface real do operador antes que qualquer alteração seja aplicada.

Por que compensa: Ele pode encurtar o trabalho de análise e preparação sem abrir mão dos controles de dupla verificação que a empresa já adota. A pessoa responsável mantém a autoridade sobre preços, orçamento e anúncios ativos.

Três produtos que vale a pena criar

1. Kit de lançamento de agente de compras vertical

Crie um pacote pronto para produção em uma categoria de decisão complexa, como equipamentos para atividades ao ar livre, móveis ou beleza, e venda-o para lojistas que já superaram os limites de um widget de chat genérico.

A escada de preços já existe. A Brambles oferece planos de assistente de compras de $29 a $499 por mês, cobrindo de 10,000 a 500,000 sessões. A Rye cobra $149 por mês pela infraestrutura de comércio agêntico, além de $0.02 por consulta de produto e $0.05 por pedido realizado. Esses números mostram tanto o investimento dos lojistas em assinaturas quanto o gasto variável com infraestrutura.

A menor versão vendável atende a uma plataforma de comércio e uma categoria. Ela mapeia famílias e variações, vincula sessões de visitantes e usuários autenticados, implementa busca e detalhes de produtos, monta um carrinho, encaminha para o checkout hospedado, transmite dois ou três componentes de interface tipados e inclui um pacote de avaliações específico da categoria, além de uma rota de transferência para atendimento humano.

O obstáculo é a pressão sobre os preços. Plataformas e assistentes baratos de lojas de aplicativos conseguem responder a perguntas genéricas sobre produtos. A camada defensável precisa reunir lógica da categoria, mapeamento confiável do catálogo, atribuição de conversão e casos construídos a partir das falhas reais daquele segmento.

Esta é a oportunidade mais forte. Ela está mais próxima da receita do lojista, e o blueprint elimina estrutura genérica suficiente para que uma equipe pequena concentre seu tempo no trabalho específico da categoria pelo qual os clientes realmente pagarão.

2. Diagnóstico de catálogo e controle de qualidade de variações para agentes

Crie um serviço que teste se o catálogo consegue responder com segurança às consultas de um agente antes que ele chegue aos clientes.

Já existe uma infraestrutura relevante em torno desse problema. A Channel3 afirma que sua camada de produtos abrange 100 milhões de produtos de 25,000 varejistas e responde em menos de um segundo. A Rye cobra $0.02 por consulta de produto. O Google cobra pelo AI Commerce Search $2.50 por 1,000 consultas. A recuperação estruturada e atualizada já é uma linha do orçamento.

Um MVP importa um feed, cria relações entre famílias e variações, verifica atributos obrigatórios, compara data e hora de preços e estoque, executa uma biblioteca de restrições de compra reais e aponta respostas ausentes ou contraditórias por SKU. Acrescente um teste de replay para confirmar que a mesma consulta nunca resulte em uma variação indisponível no momento do carrinho sem oferecer um caminho explícito de recuperação.

O obstáculo é a força das plataformas. A Shopify e outras plataformas de comércio controlam os feeds oficiais do catálogo e podem incorporar validações básicas. O produto precisa oferecer normalização entre plataformas, priorização de problemas ligada a tarefas de compra perdidas e provas de que as correções reduzem recomendações ruins.

3. Avaliação e barreira de lançamento específicas para comércio

Crie a camada de testes que decide se é seguro colocar no ar uma mudança de prompt, modelo, ferramenta ou catálogo.

Já existe orçamento para avaliar agentes. A Langfuse informa que mais de 50,000 empresas usam sua plataforma; os planos de produção custam $29 e $199 por mês, enquanto o Enterprise começa em $2,499. A Anthropic recomenda de 50 a 100 casos de avaliação para cada fluxo de comércio. A lacuna não é mais um visualizador de traces, e sim uma biblioteca mantida de estados do comércio, fixtures de catálogo contaminadas, invariantes do carrinho e políticas de lançamento.

O MVP importa transcrições, transforma incidentes em casos de snapshot e oferece avaliadores determinísticos para procedência do produto, aderência aos preços, seleção de variações, limites de quantidade, fronteiras do checkout, vazamentos de identidade, recuperação de timeouts e qualidade do encaminhamento. Ele deve comparar modelos e prompts por conclusão de tarefas, latência p99 e custo por tarefa concluída.

O obstáculo é um mercado horizontal concorrido. A vantagem competitiva precisa vir de fixtures específicas de comércio, precisão dos avaliadores, conectores de plataformas e dados de benchmark. Observabilidade genérica, sozinha, será copiada ou incluída em outros produtos.

O que Claude Commerce Agents não resolve

A leitura realista é que esse blueprint resolve melhor a estrutura do agente do que a integração com a loja. Ele oferece um ponto de partida consistente, não uma solução de compras hospedada.

• Não autentica clientes nem autoriza funcionários. O aplicativo hospedeiro e o gateway respondem por isso.
• Não corrige dados ruins no catálogo, problemas de ranking nem atraso na atualização do estoque. Os sistemas de comércio continuam responsáveis.
• Não fecha pedidos, armazena credenciais de pagamento, cobra cartões nem define políticas de fraude.
• Não escolhe as regras de escalonamento humano, as filas de atendimento ou os papéis de aprovação.
• Não torna os ganhos de conversão relatados pela Anthropic transferíveis para qualquer catálogo. É preciso fazer uma medição controlada própria.
• Não elimina as decisões de privacidade relacionadas à memória. Preferências armazenadas precisam ter tipos de dados aceitos, retenção, acesso, correção e exclusão.

Não crie esse sistema para um catálogo minúsculo em que os filtros já resolvem toda compra com um clique. Não o lance se preços e estoque estiverem desatualizados. Não conceda permissão de escrita só porque o prompt parece cauteloso. O agente justifica seu espaço quando a conversa resolve uma tarefa de compra realmente complexa e os sistemas conseguem fornecer dados atuais com acesso controlado.

O que fazer na segunda-feira

Escolha um fluxo ligado à receita para trabalhar na próxima semana. Separe 50 exemplos reais da busca do site, do chat de vendas e das transcrições do suporte. Conecte primeiro apenas a busca no catálogo e os detalhes do produto, mantendo todas as outras ferramentas indisponíveis. Meça se o agente seleciona variações em estoque respaldadas pelos dados e se os clientes aceitam a recomendação. Só acrescente o carrinho e o checkout depois que o caminho de leitura passar nos testes. Essa sequência transforma Claude Commerce Agents: em vez de uma demonstração impressionante, ele se torna um lançamento de comércio controlado.

Como funciona um assistente de compras virtual com IA?

Um agente Claude mantém a conversa e chama ferramentas tipadas para pesquisar o catálogo, consultar detalhes de produtos, operar o carrinho, verificar políticas e pedidos, usar memória e controlar a apresentação. O backend autentica o cliente, aplica as regras de preço e estoque e retorna fatos estruturados. O modelo raciocina sobre esses dados, mas não se torna a fonte de verdade.

Como conectar meu catálogo de produtos?

Implemente o backend de vitrine do blueprint sobre os serviços existentes de busca e produtos. Retorne famílias já ordenadas na busca, variações exatas que podem ser compradas nos detalhes do produto e preço e disponibilidade atuais a partir dos sistemas oficiais. Mantenha as credenciais e a identidade do cliente no servidor.

Como funcionam as permissões de usuário no Sidekick?

Para criar seu próprio agente de compras ou do lojista, aproveite o princípio por trás do produto, não a implementação do Sidekick. Identifique o usuário e sua função antes do turno do agente, exponha apenas as ferramentas permitidas, mantenha as credenciais no servidor, volte a impor a autorização em cada método do backend e exija uma aprovação real no aplicativo hospedeiro para gravações sensíveis do lojista.

Posso desenvolver por conta própria usando Claude ou algo parecido?

Sim. O repositório de código aberto inclui exemplos executáveis e um plugin do Claude Code capaz de gerar a estrutura conectada ao seu backend. Ainda resta bastante trabalho para uma implementação própria: autenticação, mapeamento do catálogo, estoque em tempo real, integração de carrinho e checkout, permissões, transferência para atendimento humano, monitoramento e avaliações.

Se quiser implementar uma dessas ideias de acordo com seu catálogo e suas regras operacionais, conheça o serviço de desenvolvimento de agentes de IA.