北京
在Etsy、eBay、Shopify、Poshmark和Mercari上，有超过3000万兼职转售卖家。他们从旧货店或遗产拍卖会上淘到20件货之后，真正的麻烦才刚开始。
每件商品要花15到30分钟手动查成交记录、写SEO标题、数标签、为三个不同平台分别改写描述。定价更是靠猜：标低了5分钟就被抢走，利润白白流失；标高了库存一压就是90天以上，流动资金被套住。
这就是VendorForge AI想解决的问题。它是一个面向独立电商转售者、复古品买手和二手商家的自主副业工作台，核心逻辑是把"淘货之后到上架之前"这一段全部交给AI流水线。
为什么现有工具不够用
市面上的跨平台刊登SaaS工具每月收费40美元，而且依赖闭源商业大模型。一件利润15美元的商品，每次生成刊登草稿的token费用能吃掉净利润的10%。更麻烦的是，把批发采购发票和货源位置上传到闭源云，等于把商业机密交出去。
VendorForge AI的答案是用开源权重模型替代。文案生成用Google DeepMind的Gemma 2（9B/27B指令微调版），可以本地跑在Ollama上，也可以部署在低成本云GPU上，边际计费为零。它能在遵守eBay的80字符标题上限和商品属性分类的同时，写出符合Etsy自然排名偏好的故事型描述。
定价不靠语言模型猜，靠表格模型算
文本大模型在价格上会胡编，因为它们没法对表格账本做数学推理。VendorForge AI接入了Prior Labs的表格基础模型TabPFN-3.5，直接以上下文方式读入卖家过去的销售CSV账本，不需要昂贵的微调。
它输出三样东西：
- 最优均衡价：在利润和上市天数之间找平衡点
- 14天售出概率：基于品相等级、品牌和品类周转速度的贝叶斯流动性预测
- 异常标记：捕捉定价过低，或成交价方差异常宽的情况
整个流程由Mastra Agent框架编排，在记忆查询、外部成交数据抓取、表格推理和文案合成之间确定性切换，并保持结构化状态。每一步都用Sentry Agent Tracing做了埋点，实时记录执行跨度、延迟毫秒数、token量和使用开源权重省下的具体金额。
从淘货到成片，六步跑完
流水线从商品入库和照片规格开始，先走MongoDB Atlas的语义成交记忆，用向量搜索比对店铺历史；再用SerpApi抓取eBay和Etsy的实时成交数据做市场锚定；接着TabPFN-3.5算出价格和流动性；然后Gemma 2生成Etsy刊登（含13个可复制SEO标签）、eBay刊登（80字符标题、商品属性、品相说明）以及Instagram和Shopify的上新文案；最后ElevenLabs生成15秒社交短视频的配音脚本和语音合成，供TikTok和Instagram Reels使用。
演示环境内置了真实复古成交案例的一键预设，包括1990年代Carhartt Detroit夹克、1977年宝丽来SX-70单反相机、1980年代爱马仕真丝方巾和1994年Patagonia Retro-X抓绒衣。
在已验证的试点中，一位管理着2400多笔线上销售的转售者，在一个周日的批次上省下了超过3小时的刊登劳动，并确认愿意每月支付15美元。
代码以MIT协议开源在GitHub上，项目已部署在vendorforge-ai.onrender.com，也可以在本地3000端口运行。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
