FlipPrice：给古着转卖者的开源定价副驾

转卖者的隐形痛点：定价难、费用多

每周上新 20 到 50 件古着单品的中小卖家，最耗时间的往往不是拍照和写描述，而是定价。标高了压货，标低了白干，还要计算平台抽成、运费和实际到手金额。FlipPrice 试图把这一整套流程压缩成「拍张照、填几个字段、拿到挂牌草稿和净收入」的动作。

这是一个开源项目（MIT 协议），定位为「副业定价 copilot」，代码托管在 GitHub：https://github.com/firfircelik/flipprice

从一张照片到一份挂牌草稿

FliPrice 的输入很直接：给商品拍张照片，再填入名称、品牌、类目、品相、年代和买入成本。如果卖家愿意上传自己的已售历史 CSV，系统还能针对特定品类微调估价。

输出分三块：

• 挂牌草稿：由本地开源权重模型生成，标题以品牌开头
• 公平价格区间：基于已售可比数据推断
• 净到账金额：扣除平台费用后的实际收入

另有一个利润仪表盘汇总。目标用户是每周上架 20 到 50 件、希望每件省 10 分钟的转卖者。

TabPFN 是什么：TabPFN（Tabular Prior-data Fitted Network）是一种专为小规模表格数据设计的 Transformer 模型，最初由研究者提出用于在几百行以内的数据集上直接做分类与回归，无需传统意义上的训练迭代。它通过在大量合成表格任务上预训练，把「从少量样本推断函数关系」的能力固化进权重，推理时把训练集作为上下文一次性输入即可给出预测。对转卖定价这种典型的小样本、多字段场景（品相、年代、品牌、买入成本），TabPFN 往往比随机森林、梯度提升更稳，因为它不会在极少样本上过拟合出违背常识的曲线。代价是它需要一次性 license 和 token，属于「模型权重可用但非完全无条件免费」的类型。

技术栈：本地推理 + 双引擎定价

在 Apple M2、Python 3.14 环境下验证通过。安装流程是：克隆仓库、建 venv、pip 安装、ollama pull gemma3:1b、启动 uvicorn。README 里还提供了 Render 一键部署按钮。

描述生成用 Gemma 3（通过 Ollama），提示词做了约束，标题优先品牌。本地还有备用链，离线也能跑。

定价先用 TabPFN，再用 Ridge 兜底。有意思的是，作者试过 RandomForest，但在 20 行的小样本 CSV 上单调性失败，所以放弃。卖家可以上传自己的 CSV，系统会做校验。注意 TabPFN 9 需要一次性 license 加 token，之后同一套代码可以切换引擎。

仓库有 7 个测试全绿，按用户旅程组织：市场流程、离线模式、恶意输入、照片附件、实时模型测试。

为什么 RandomForest 在小样本上单调性会失败：单调性指「品相更好、品牌更强，估价不应反而更低」这类方向性约束。随机森林由多棵决策树投票或取均值，当训练样本只有二十来行时，每棵树的分裂点极易被个别噪声样本主导，导致在特征空间的某些区域出现「品相从九成新提到近全新，预测价反而下降」的反常台阶。这类模型没有内建的单调约束，样本越少越明显。Ridge 回归是线性模型，天然对特征保持单调（系数为正时），因此作为兜底更可预期；TabPFN 则通过预训练先验在小样本上更接近平滑的函数形态，从而在少量数据下仍能维持合理的方向性。

为什么「开源」是这套方案的经济前提

作者在说明里点出了核心理由：闭源 API 按每条 5 到 15 美分收费，每周 50 条的话，利润直接被吃掉。本地开源权重成本接近零，能离线工作，数据留在设备上。

TabPFN 还能学习卖家自己的历史。对于本就利润薄、单价低的古着转卖生意，这种单位经济学的差异是决定性的。

单位经济学在副业场景下的含义：单位经济学指每完成一笔交易所产生的收入与边际成本之比。对每周上架 20 到 50 件的古着卖家，单件毛利本就不高，假设每件挂牌要调用三到五次闭源 API 生成标题、描述和估价，按每条 5 到 15 美分算，每周的 AI 成本可能达到几美元，一年下来就是数百美元，相当于吃掉数件商品的利润。本地开源权重把这条边际成本压到接近零（只消耗电力和设备折旧），且不随上架量线性增长。更重要的是数据留在本机，卖家的已售历史和成本结构不会外流，这对依赖选品差异的小卖家是竞争性资产。

实测样本与待验证的部分

作者坦率承认：目前还没有外部真实用户，所以用「模拟卖家」的身份做了自测，三件有代表性的发现全部用 Gemma 3 实时估价：

• Canon AE-1 胶片相机，买入 60，p50 估价 286.34，净得 189.12
• Levis 501 近新品，买入 15，p50 108.85，净得 79.70
• Sony WH-1000XM3，买入 40，p50 116.82，净得 61.63

给出的每个挂牌标题都以品牌开头，每个利润率都是正的。完整日志在仓库的 FIRST_USER_TEST.md 里。

作者明确说，下一步是找真正的转卖者来测试。这一点值得记下——自测能证明流程跑得通，但证明不了它在真实市场里的定价准不准。

自测与真实市场验证的差距：用「模拟卖家」身份自测，本质上验证的是系统链路是否跑通——照片能否被解析、字段能否进入模型、费用能否被正确扣除、输出格式是否一致。它无法验证的是价格准确性，因为真实成交价受季节、平台流量、买家议价、图片质量、发货时效等外部因素影响。文章给出的三件商品 p50 估价，只能说明模型给出的数值在合理区间内且利润为正，并不代表挂到 eBay 或 Depop 上能按此价成交。要判断估价是否可用，需要拿真实卖家的历史成交数据做回测，或让真实用户挂出后对比预期价与实际成交价的偏差。

这类工具值不值得关注

对古着转卖者来说，FlipPrice 的价值不在于「AI 帮你写文案」，而在于把定价、费用、净收入串成一条链，并且因为开源和本地推理，边际成本几乎为零。

它也有明显局限：默认用的 Gemma 3 是 1B 小模型，生成质量有限；TabPFN 的付费门槛对纯免费用户是个断点；没有真实用户数据前，估价准确性仍是问号。

但作为一个 Hacktoberfest 副业挑战的提交，它把「开源能否让转卖定价工具在单位经济学上成立」这个问题摆得足够清楚。