Crie Seu Próprio Assistente Pessoal para Mercado Livre Integrado ao WhatsApp com ChatGPT!

Vamos analisar um código que integra Flask, OpenAI, Mercado Livre e Z-API para criar um assistente automatizado. Essa aplicação permite processar pedidos do Mercado Livre, armazená-los em um banco de vetores e responder a perguntas via WhatsApp. 

Tecnologias Utilizadas 

• Flask: Framework web para criar APIs. 

  
  

• OpenAI: Usado para gerar respostas baseadas em IA. 

  
  

• LangChain & ChromaDB: Para armazenar e buscar informações em um banco de

  vetores.

  
  

• Z-API: API que possibilita envio e recebimento de mensagens no WhatsApp. 

  
  

• Mercado Livre API: Utilizada para obter pedidos recentes de um vendedor. 

Estrutura do Código 

O código é dividido em três partes principais:

1. Configuração e Inicialização 

   
   

2. Busca e Armazenamento de Pedidos 

   
   

3. Webhook para Receber e Responder Mensagens 

1. Configuração e Inicialização 

import os

from flask import Flask, request, jsonify

import requests

import openai

from langchain.vectorstores import Chroma

from langchain.embeddings import OpenAIEmbeddings 

Aqui, importamos as bibliotecas necessárias. Depois, definimos algumas configurações: 

app = Flask(__name__)

# Configurações da Z-API

ZAPI_URL = "https://api.z-api.io"

INSTANCE_TOKEN = "<SEU_INSTANCE_TOKEN>"

INSTANCE_ID = "<SEU_INSTANCE_ID>"

CLIENT_TOKEN = "<SEU_CLIENT_TOKEN>"

# Configurações da OpenAI

openai.api_key = os.getenv("OPENAI_API_KEY")

embeddings = OpenAIEmbeddings()

# Configurações da API do Mercado Livre

MELI_API_URL = "https://api.mercadolibre.com/"  # URL para buscar os pedidos recentes

# Configuração do Chroma

CHROMA_DB_PATH = "./chroma_db"

vector_store = Chroma(persist_directory=CHROMA_DB_PATH, embedding_function=embeddings)

• O Flask cria a API. 

  
  

• O Z-API possibilita o envio de mensagens no WhatsApp. 

  
  

• O ChromaDB armazena informações extraídas dos pedidos do Mercado Livre. 

  
  

• A OpenAI é usada para gerar respostas baseadas nas informações armazenadas. 

  
  

2. Busca e Armazenamento de Pedidos 

A função fetch_orders() busca pedidos recentes do Mercado Livre e os armazena no banco de vetores. 

from datetime import datetime, timedelta

def fetch_orders(access_token):

    try:

        # Busca os pedidos recentes na API do Mercado Livre com paginação

        headers = {"Authorization": f"Bearer {access_token}"}

        total_orders = 0

        offset = 0

        limit = 50

        orders = []

        url = MELI_API_URL + "orders/search/recent?seller=129223542"

        # Calcula a data de 15 dias atrás

        date_from = (datetime.utcnow() - timedelta(days=60)).strftime("%Y-%m-%dT%H:%M:%S.000Z")

        while True:

            params = {

                "offset": offset,

                "limit": limit,

                "sort": "date_desc",

                "date_from": date_from  # Data ajustada para os últimos 60 dias

            }

            response = requests.get(url, headers=headers, params=params)

            if response.status_code != 200:

                return jsonify({"error": "Failed to fetch orders", "details": response.text}), response.status_code

            data = response.json()

            results = data.get("results", [])

            orders.extend(results)

            if len(results) < limit:

                break

            offset += limit

        # Processa e salva os pedidos no banco de vetores

        for order in orders:

            order_text = f"Pedido {order['id']} - Cliente: {order['buyer']['nickname']} - Total: {order['total_amount']} - Data: {order['date_created']} - Status: {order['status']} - Itens: {', '.join([item['item']['title'] for item in order['order_items']])}"

            print(order_text)

            vector_store.add_texts([order_text])

            total_orders += 1

        vector_store.persist()

        return jsonify({"status": "Orders fetched and saved successfully", "orders_count": len(orders)}), 200

    except Exception as e:

        return jsonify({"error": f"An error occurred: {str(e)}"}), 500

Essa função: 

• Obtém pedidos dos últimos 60 dias. 

  
  

• Percorre os pedidos usando paginação. 

  
  

• Salva os pedidos no banco de vetores usando ChromaDB. 

  
  

3. Webhook para Responder Mensagens 

A função webhook() recebe mensagens do WhatsApp, consulta o banco de vetores e responde com base nos dados armazenados. 

@app.route("/webhook", methods=["POST"])

def webhook():

    data = request.json

    if not data:

        return jsonify({"error": "Invalid payload"}), 400

    if "text" in data and "message" in data["text"]:

        sender = data.get("phone")

        message_body = data["text"].get("message")

        try:

            # Consulta ao banco de vetores

            search_results = vector_store.similarity_search(message_body, k=10)

            if search_results:

                # Combina todas as informações relevantes encontradas

                relevant_data = " ".join([result.page_content for result in search_results])

                # Usa a IA generativa para criar uma resposta contextualizada

                chat_response = openai.chat.completions.create(

                    model="gpt-4o-mini",

                    temperature=0.1,

                    messages=[

                        {"role": "system", "content": "Você é um assistente preciso que responde com base nos dados fornecidos."},

                        {"role": "user", "content": f"Baseado nos seguintes dados: '{relevant_data}', responda à pergunta: '{message_body}'"}

                    ]

                )

                # Extrai a resposta do JSON retornado pela IA

                response_message = chat_response.choices[0].message.content

            else:

                response_message = (

                    "Desculpe, não encontrei informações relevantes para sua pergunta. "

                    "Você pode tentar reformular ou fornecer mais detalhes."

                )

        except Exception as e:

            print(f"Erro ao consultar o banco de vetores ou IA: {e}")

            response_message = "Houve um erro ao processar sua mensagem. Por favor, tente novamente."

        # Envia a resposta pelo WhatsApp usando a Z-API

        send_message(sender, response_message)

    return jsonify({"status": "success"}), 200

A função: 

• Recebe mensagens do WhatsApp. 

  
  

• Busca informações relevantes no banco de vetores. 

  
  

• Usa a OpenAI para gerar uma resposta baseada nesses dados. 

  
  

• Envia a resposta de volta pelo WhatsApp usando Z-API. 

  
  

Enviando Mensagens pelo WhatsApp 

def send_message(to, message):

    url = f"{ZAPI_URL}/instances/{INSTANCE_ID}/token/{INSTANCE_TOKEN}/send-text"

    payload = {

        "phone": to,

        "message": message

    }

    headers = {

        "Client-Token": CLIENT_TOKEN

    }

    response = requests.post(url, json=payload, headers=headers)

    if response.status_code != 200:

        print(f"Erro ao enviar mensagem: {response.text}")

Executando a Aplicação 

if __name__ == "__main__":

    # with app.app_context():

    #     fetch_orders("<SEU_TOKEN_MELI>")

    app.run(debug=True, port=8080)

Conclusão 

Esse projeto integra várias tecnologias para criar um assistente inteligente que: 

• Obtém pedidos do Mercado Livre. 

  
  

• Salva dados em um banco de vetores. 

  
  

• Responde perguntas via WhatsApp com base nesses dados usando IA. 

  
  

Assista nosso vídeo no Youtube para ter o conteúdo completo. 

👉 Acesse o Link: https://youtu.be/hrcRhqDBfRw?si=Z74ZTzL8wlAzbANE

Código completo 👉 https://github.com/Pxeba/GptMeliWhatsapp/blob/main/app.py