Carrefour, Coto, Disco, Jumbo y Vea: los datos llegan desde la API de VTEX y la búsqueda de Coto, y cada código (EAN-8, UPC-12, EAN-13) se normaliza a GTIN-14 validando el dígito verificador.
Caso técnico · may 2026 – actualidad
ofertasSUPER
Comparador de precios de supermercados argentinos
Compara precios de 5 supermercados argentinos (Carrefour, Coto, Disco, Jumbo y Vea): unos 24.500 productos y 47.500 ofertas que se actualizan a diario con USD 0 de infraestructura, emparejados por GTIN-14. Permite armar una canasta entre tiendas, publica las bajas de precio del día. El pipeline de un índice de canasta está armado, pero todavía no produce datos.
Estado: de nuevo en línea, después de una pausa de 30 días por exceso de CPU en el plan gratuito de Vercel. La causa y el arreglo están en el postmortem, más abajo.
El problema
Comparar precios exige confianza del dato, no solo interfaz.
Un precio comparado solo sirve si el producto es el mismo y el dato está al día: la base del proyecto es un refresh diario con controles de calidad y una identidad de producto por GTIN-14.
Next.js y TypeScript; APIs REST públicas (búsqueda, productos, historial de precios y lote) servidas desde un snapshot JSON versionado, sin base de datos en el camino de lectura, con rate limiting en Redis y panel de administración con Clerk.
308 pull requests integrados con GitHub Actions: lint, typecheck, 703 tests, build y Lighthouse. Accesibilidad 1,00 en las 4 URLs medidas y SEO 1,00 en 3 de 4 (/buscar es noindex a propósito).
Un job de GitHub Actions restaura el estado de PostgreSQL, refresca el catálogo con controles de frescura, publica el snapshot y las bajas de precio del día (página, feed Atom y Telegram), y descarta las bajas sospechosas antes de publicarlas.
Arquitectura
Del catálogo del súper al snapshot que sirve el sitio.
Diagrama en dos bloques. Bloque GitHub Actions, refresh diario, de izquierda a derecha: catálogos de los supermercados (VTEX y búsqueda de Coto), staging con controles de calidad, reconcile transaccional en PostgreSQL restaurado desde un dump del release db-state, control de frescura y exportación del snapshot JSON, que se commitea al repositorio. Bloque Vercel, solo lectura: Next.js y las APIs públicas sirven ese snapshot sin base de datos, con caché de CDN de una hora, y las bajas de precio del día se publican en una página, un feed Atom y Telegram.
GitHub Actions · refresh diario
- FuentesVTEX y búsqueda de Coto5 supermercados
- StagingControles de calidadGTIN-14 válido, precio razonable
- ReconcilePostgreSQL, una transacciónadvisory lock; estado restaurado del release db-state
- FrescuraGate por supermercadoSLA de frescura; relee las ofertas no observadas
- SalidaSnapshot JSONdata/catalog-snapshot.json, commiteado
El snapshot viaja con el deploy: Vercel lo sirve sin base de datos en el camino de lectura.
Vercel · solo lectura
- AppNext.js y APIs públicasbúsqueda, productos, historial y lote
- CachéCDN, 1 horas-maxage 3600, nunca para errores
- BajasBajas de precio del díapágina, feed Atom y Telegram
Flujo de datos
De la API de VTEX a la comparación.
API de VTEX y búsqueda de Coto: productos y ofertas de 5 supermercados.
El refresh diario corre como job programado, con controles de frescura antes de publicar.
Cada código se valida y se normaliza a GTIN-14, así el mismo producto colapsa en una sola fila entre tiendas.
PostgreSQL y Prisma sostienen productos, precios e historial; el estado se restaura y se vuelve a guardar en cada refresh.
Búsqueda, productos, historial de precios y lote, desde un snapshot versionado y con rate limiting en Redis.
Postmortem · octubre 2026
El sitio se quedó sin CPU. El problema era el algoritmo.
El 15/10 Vercel pausó el proyecto por pasar las 4 horas de CPU mensuales del plan gratuito. El plan gratuito no da métricas por ruta, así que lo diagnostiqué leyendo el build y el código y midiendo una réplica local con el snapshot real.
Descarté pagar el plan Pro (hubiera escondido el problema), migrar a Cloudflare Workers (10 ms de CPU por request no alcanzan ni para parsear el snapshot) e ISR (excede la cuota de escrituras).
Cada producto recorría todas las ofertas: 24.547 × 48.419, unas 1.200 millones de comparaciones y 10-16 s de CPU por request, en el sitemap y las listas, sin caché. Un solo crawler alcanzaba.
Un índice armado una vez por proceso, el sitemap generado en el build, caché del CDN de una hora (nunca para errores ni 429) y robots.txt que deja afuera a los crawlers de IA y a los filtros.
Las páginas pesadas bajaron de 10-16 s a 18-173 ms de CPU por request; 500 búsquedas de producto, de 4.375 ms a 8 ms. Medido en una réplica local; todavía no está medido en producción: se mide cuando Vercel levante la pausa.
Un oráculo con el algoritmo anterior compara resultados, un Proxy cuenta lecturas para que ninguna ruta vuelva a escalar como productos × ofertas, y 25 casos sobre el snapshot real dieron salidas idénticas.
Stack
Tecnologías usadas.
Aplicación
Next.js, TypeScript
Datos
Snapshot JSON versionado al servir; PostgreSQL y Prisma solo en la ingesta y en CI; Redis para rate limit; DuckDB y dbt para un índice de canasta que todavía no produce datos
APIs y panel
APIs REST públicas, panel de administración con Clerk
CI y operación
GitHub Actions (lint, typecheck, tests, build, Lighthouse), refresh diario programado y bajas de precio por Telegram, con USD 0 de infraestructura