Book Lister AI

Задача

В торговле подержанными книгами узкое место не продажа, а ввод данных. На одну книгу персонал тратил 3–5 минут: фотография, ввод (название, автор, ISBN), подбор цены, SEO-оптимизация и загрузка. При тысячах книг в месяц накапливаются огромные расходы на персонал, ещё до того, как заработан первый евро.

Решение: железо + ИИ

End-to-end-пайплайн, связывающий физическое сканирование с мультимодальным ИИ и внешними API в реальном времени:

• Smart Scanning. Книга кладётся на коврик с ArUco-маркерами. Веб-камера в реальном времени корректирует перспективу, физически измеряет размеры (автоматические классы доставки) и сканирует штрих-код.
• Извлечение данных ИИ. Два скана высокого разрешения (обложка + задняя сторона) отправляются в Gemini 2.5 Flash. Строгая JSON-схема извлекает название, автора, издательство, год.
• Автоматическое ценообразование. Сверка с Google Books API, запрос eBay Browse API для актуального сравнения с конкурентными предложениями, расчёт конкурентной цены с защитой маржи.
• Фоновая загрузка. Один клик, фоновый воркер публикует листинг через eBay Trading API, пока сканируется следующая книга.

Инженерные решения и отказоустойчивая архитектура

Абсолютная надёжность была ключевым приоритетом, приложение работает в условиях реального склада, сбои стоят денег:

• Trust-but-verify для данных ИИ. LLM иногда галлюцинируют ISBN, поэтому ответ ИИ обрабатывается только как гипотеза. ISBN обязательно сверяется со сканированным штрих-кодом и fuzzy-match в Google Books (thefuzz). Ошибочные данные блокируются до того, как попадут в листинг.
• Гибридное computer vision. Двойная система декодирования штрих-кодов (ZBar для чистых, zxing-cpp для повреждённых), максимум распознавания даже для старых потёртых книг.
• Thread-safe capture pipeline. Чтобы предотвратить Windows-STATUS_HEAP_CORRUPTION-падения из-за конкурирующих рестартов камеры: строгий VideoCapture-ownership в выделенном capture-потоке под watchdog-контролем.
• Zero-touch миграции базы. SQLite в WAL-режиме с автоматической миграцией схемы при старте. Каждая миграция покрыта явным pytest-тестом. Обновления раскатываются без ручного вмешательства клиента.

Результат

• +400 % к производительности. С 3–5 минут на книгу до менее чем 30 секунд.
• Холодный старт → первый кадр: 2–4 секунды.
• Скан → цена: 4–6 секунд.
• ~6 450 LOC продакшн-кода, покрытых ~2 720 LOC unit-тестов (260+ pytest-тестов) + GitHub Actions CI.
• Деплой: 165 МБ монолитный PyInstaller-executable, двойной клик, готово.