在价格战里，手速就是利润

兄弟们，在这个“内卷”的时代，信息差就是钱。

• 做电商的：竞品凌晨 3 点把价格调低了 5 块钱，你第二天早上才发现，流量全跑了。
• 想买大件的：显卡/手机价格像过山车，你总是在山顶站岗，错过史低价。

以前我们用 Python 写爬虫，最头疼的是什么？ 是写 XPath 和正则！ 网站前端随便改个 Class 名，爬虫就挂了，还得连夜修代码。

今天，我们换个玩法。
我们要用Python + Playwright（浏览器自动化）+ AI Agent（智能提取）这一套组合拳

️ 核心思路：Agent 的“鹰眼”系统

1. 眼睛（剧作家）：打开网页，截取核心区域的文本或 HTML。
2. 大脑（LLM - DeepSeek/OpenAI）：从乱七八糟的代码中精准提取“当前价格”、“优惠券”和“库存状态”。
3. 嘴巴（通知）：发现价格低于设定值，或者检测到“价格跳水”，立刻报警。

依赖安装：

    pip install playwright langchain langchain-openai scheduleplaywright install  # 安装浏览器内核  

实战代码：打造“价格狙击手”

我们跳过复杂的类封装，直接上最核心的“AI 智能解析”逻辑。 哪怕网站改版，只要价格还在页面上，AI 就能认出来！

    import timeimport schedulefrom playwright.sync_api import sync_playwrightfrom langchain_openai import ChatOpenAIfrom langchain.prompts import promptTemplate# === 1. 配置区域 ===# 目标商品链接 (这里以某电商链接为例)TARGET_URL = "https://www.example.com/product/iphone-16-pro"# 你的心理预期价位TARGET_PRICE = 7999 # 配置 LLM (推荐用 DeepSeek V3 或 GPT-4o-mini，便宜快)llm = ChatOpenAI(    model="deepseek-chat",     api_key="sk-xxxxxx",     base_url="https://api.deepseek.com",    temperature=0)# === 2. 获取网页内容的函数 (眼睛) ===def fetch_page_content(url):    with sync_playwright() as p:        # 启动无头浏览器        browser = p.chromium.launch(headless=True)        page = browser.new_page()        # 伪装成正常用户        page.set_extra_http_headers({"User-Agent": "Mozilla/5.0..."})                print(f"️ 正在潜入页面: {url} ...")        page.goto(url, wait_until="domcontentloaded")        time.sleep(3) # 等待动态内容加载                # 这里有个骚操作：只获取 body 的文本，或者特定区域的 HTML        # 我们可以去掉 script 和 style 标签，节省 Token        content = page.evaluate("""() => {            return document.body.innerText;         }""")        browser.close()        return content[:5000] # 截取前 5000 字符防止 Token 爆炸# === 3. AI 智能分析 (大脑) ===def analyze_price(content):    prompt = promptTemplate.from_template("""    你是一个电商价格分析专家。下面是网页的原始文本内容：        {raw_text}        请从中提取以下信息：    1. 商品名称    2. 当前价格 (提取纯数字)    3. 库存状态 (有货/无货)        并根据价格判断：    如果价格 <= {target_price}，返回 "BUY"；否则返回 "WAIT"。        请以 JSON 格式返回，例如：    {{"name": "iPhone 16", "price": 8999, "status": "In Stock", "action": "WAIT"}}    """)        chain = prompt | llm    print(" AI 正在分析价格数据...")    response = chain.invoke({"raw_text": content, "target_price": TARGET_PRICE})    return response.content# === 4. 主任务逻辑 ===def job():    try:        # 1. 抓取        raw_text = fetch_page_content(TARGET_URL)        # 2. 分析        result_json = analyze_price(raw_text)                print(f" 分析结果: {result_json}")                # 3. 这里的 result_json 是字符串，实际使用可以用 json.loads 转字典        if "BUY" in result_json:            print(" 价格达到预期！立即下单！发送报警！")            # 这里调用发送邮件/钉钉/微信的代码        else:            print(" 价格还没到位，继续蹲守...")                except Exception as e:        print(f"❌ 出错啦: {e}")# === 5. 定时执行 ===# 每 30 分钟检查一次schedule.every(30).minutes.do(job)print(" 价格监控 Agent 已启动")job() # 先跑一次试试while True:    schedule.run_pending()    time.sleep(1)  

为什么这个方案比传统爬虫强？

大家看这一段 prompt（提示词）：

"从中提取... 当前价格 (提取纯数字)..."

这就是降维打击。

• 传统爬虫：你必须写P-box-V3 。 明天网站只要把 soup.find（'div'， class_='price-box-v2'）价格框-V2 改成 ，你的爬虫就瞎了。
• 人工智能代理：它读的是文本语义。 不管前端怎么改 Class，只要人类能看懂那是价格，AI 就能看懂。极大地降低了维护成本！

进阶玩法：加上“趋势分析”

光看当前价格还不够，我们要让 AI 帮我们做决策

我们可以把每次抓取的价格存入 CSV 文件，然后让 Agent 结合历史数据进行分析：

Agent 的思考逻辑（prompt）：

    “这是该商品过去 7 天的价格数据：[99, 98, 99, 95, 80, 80, 85]。今天的价格是 85。请分析：这是反弹趋势吗？现在适合入手吗？还是应该再等等？”  

AI 会回答你：

“⚠️ 警告：虽然今天比上周便宜，但对比昨天的 80 元已经反弹 5 元，建议观察是否会回落，暂不建议追高。”

这才是真正的私人理财顾问