Akiya Sniper - AI Property Acquisition Agent

AIで"化ける戸建て"を24時間発掘する、完全自動の物件仕入れシステム。

コンセプト: Human Out of the Loop (HOOTL)

人間が介在しなくても 止まらず・賢くなり・事業インパクトを出す AIエージェント。

[2h毎スクレイピング] → [物件正規化+再掲載検知] → [AI査定]
         ↑                                          ↓
[フィードバックで再学習] ← [ファネル追跡] ← [Discord通知+ボタン]

再掲載検知

物件のフィンガープリント（住所+面積+築年）で同一物件を追跡。

URLが変わっても再掲載を検知し、掲載日数・値下げ履歴・再掲載回数を記録。

「半年売れ残り+3回値下げ」= 交渉チャンスのシグナル。

ファネル型フィードバック

成約まで待たず、意思決定の各段階でデータを収集:

ステージ	タイミング	Discord UI	学習シグナル
Stage 1	物件通知時	問い合わせ/見送り/ウォッチ	弱い正/負
Stage 2	問い合わせ3日後	値引きOK/強気/返答なし	強い正/負
Stage 3	値引きOK時	指値金額入力（モーダル）	定量データ
Stage 4	交渉4週間後	成約/不成立	最終結果

アーキテクチャ（サーバーレス）

GitHub Actions (cron)
  ├── 2h毎: スクレイピング → 再掲載検知 → Sheets同期 → スコアリング → Discord通知
  ├── 毎日10時: フォローアップ（Stage 2/4ボタン送信）
  ├── 毎日20時: 日次サマリ
  └── 毎週日曜: モデル再学習

Discord Webhook → ボタン付きEmbed送信（Bot常駐不要）

Supabase Edge Function → Discord Interaction Endpoint
  └── ボタン押下 → feedback保存 → 物件ステータス更新

Supabase
  ├── PostgreSQL（物件・フィードバック・ログ）
  └── Storage（学習モデル永続化）

Google Sheets（gogcli経由）
  └── 物件一覧 + 変更履歴の可視化

ファイル構成

src/
├── config.py                 # 環境変数管理
├── models.py                 # Property / ScoringResult / Feedback（ファネル対応）
├── database.py               # Supabase CRUD + フィンガープリント + 再掲載検知
├── pipeline.py               # 各パイプライン関数（GitHub Actionsから呼ばれる）
├── notifier.py               # Discord Webhook通知 + ステージ別ボタン
├── health.py                 # ヘルスモニタリング
├── sheets.py                 # Google Sheets同期（gogcli）
├── scrapers/
│   ├── base.py               # リトライ付きベーススクレイパー
│   ├── suumo.py              # SUUMO中古戸建て
│   ├── athome.py             # at home
│   └── akiya_bank.py         # 空き家バンク
└── scoring/
    ├── ai_assessor.py        # Claude画像判定 + 立地評価 + 再掲載ボーナス
    └── evolution_engine.py   # ファネルフィードバックで再学習（GBM）
scripts/
├── run_scrape.py             # スクレイピング実行
├── run_score.py              # スコアリング実行
├── run_followup.py           # フォローアップ送信
├── run_summary.py            # 日次サマリ
└── run_retrain.py            # モデル再学習
.github/workflows/
├── scrape_and_score.yml      # 2h毎
├── followup_and_summary.yml  # 毎日
└── retrain.yml               # 毎週
supabase/
├── migrations/
│   ├── 001_init.sql
│   └── 002_relist_and_funnel.sql
└── functions/
    └── discord-interaction/index.ts  # ボタンコールバック処理

スコアリングロジック

総合スコア = 利回り(30%) + 立地(25%) + 状態(20%) + 再建築(15%) + 災害リスク(10%) + 再掲載ボーナス(最大+15)

再掲載ボーナス:

再掲載回数 x 2点（最大8点）
値下げ30%以上: +7点 / 20%以上: +5点 / 10%以上: +3点

セットアップ

1. 環境変数

cp .env.example .env
# .env を編集してAPIキーを設定

必須キー:

SUPABASE_URL / SUPABASE_KEY - Supabase
ANTHROPIC_API_KEY - Claude画像判定・立地評価
DISCORD_WEBHOOK_URL - Discord通知Webhook
DISCORD_PUBLIC_KEY - ボタンコールバック署名検証
GOOGLE_SPREADSHEET_ID - Sheets同期

物件一覧スプレッドシート: Google Sheets

2. Supabaseセットアップ

# マイグレーション実行
# supabase/migrations/001_init.sql → 002_relist_and_funnel.sql の順に実行
# Supabase Storageに "models" バケットを作成

3. Discord設定

Discord Developer Portalでアプリケーション作成
Webhook URLを取得（チャンネル設定 → 連携サービス → Webhook）
Edge Function URLを Interactions Endpoint URL に登録

4. Supabase Edge Function デプロイ

supabase functions deploy discord-interaction
supabase secrets set DISCORD_PUBLIC_KEY=xxx SUPABASE_SERVICE_ROLE_KEY=xxx

5. GitHub Actions

リポジトリのSecrets に環境変数を設定すれば自動で動き始めます。

ローカルテスト

pip install -e .
python main.py scrape    # スクレイピング
python main.py score     # スコアリング
python main.py followup  # フォローアップ
python main.py summary   # 日次サマリ
python main.py retrain   # モデル再学習

進化の仕組み

ボタンタップでフィードバック収集（成約を待たない）
「問い合わせた物件」と「見送った物件」のパターンの違いを学習
「値引きOKだった物件」の特徴を強い正シグナルとして重み付け
再掲載回数・掲載日数・値下げ率も特徴量に含む
週次で自動再学習 → スコア補正係数が更新される

技術スタック

Python 3.11+ / asyncio
httpx + BeautifulSoup（スクレイピング）
Anthropic Claude（画像分析・立地評価）
scikit-learn GradientBoosting（進化モデル）
Discord Webhook + Interaction Endpoint（通知+フィードバック）
Supabase PostgreSQL + Storage + Edge Functions
Google Sheets + gogcli（物件一覧管理）
GitHub Actions（サーバーレス定期実行）
structlog（構造化ログ）

ライセンス

Private - 個人利用

再掲載の戸建て物件を発掘する物件仕入れシステム