Banpoom Laptop - AI जो Danawa डेटा और open market return deals को मैप करके सचमुच किफायती return laptop ढूंढने वाली सेवा

नमस्ते। जब भी मैं बड़े open market में लगातार आने वाले return laptop देखता था, तो उनके वास्तविक specs को सही तरह से जांचना और Danawa की lowest price से तुलना करना बेहद थकाऊ लगता था.

इसी समस्या को हल करने के लिए, बिखरे हुए commerce platforms की laptop deal जानकारी और Danawa के विशाल database को AI की मदद से एकीकृत और विज़ुअलाइज़ करने वाली सेवा 'Banpoom Laptop' विकसित की गई।

Link: https://banpoomlaptop.com

1. उपयोग किया गया तकनीकी स्टैक (Tech Stack)

Frontend से लेकर data pipeline तक पूरी संरचना को नए सिरे से बनाया गया।

• Frontend: Next.js 16 (App Router), React 19, Tailwind CSS v4, Zustand

• Backend / Database: Node.js, Next API Routes, MongoDB (Aggregation Pipeline), Redis

• Crawling / Pipeline: Python (curl_cffi), Puppeteer, PM2 (background daemon)

• AI / Data Matcher: OpenRouter API (Qwen 3.5), BM25 (similarity search algorithm)

2. विकास प्रक्रिया के प्रमुख high-difficulty point

इस प्रोजेक्ट को बनाते समय, साधारण web development से आगे बढ़कर data collection और refinement pipeline के हिस्से में कई कठिन चुनौतियों का सामना करना पड़ा।

A. Unstructured data normalization और heterogeneous platforms के बीच cross-mapping

सबसे बड़ी चुनौती थी 'open market return laptop के अलग-अलग ढंग से लिखे गए titles' और 'Danawa के जटिल spec names' को match करना। अलग-अलग vendors की notation अलग होने के कारण सामान्य DB Join या regex से इसकी सीमा साफ़ दिख रही थी।
इसे हल करने के लिए 2-Step AI pipeline बनाई गई।

1. BM25 text similarity algorithm का उपयोग करके Danawa के विशाल DB से पहले प्राथमिक candidate models निकाले जाते हैं।
2. खोजे गए candidate group को Qwen 3.5 आधारित LLM (large language model) के context window में भेजकर उसे संदर्भ समझने दिया जाता है, और सटीक unique derived model (pcode) खोजने के लिए डिज़ाइन किया गया। इसके आगे, Danawa के लंबे text specs को LLM द्वारा real-time JSON में structure करने का काम भी background worker को सौंपा गया।

B. उन्नत main ranking algorithm (Hidden Score) inference logic का अनुप्रयोग

open market data में मूल रूप से 'discount rate' सबसे बड़ा दिखता है, लेकिन समस्या यह थी कि उसमें पुराने साल के खराब inventory भी बहुत होते थे।
इसे हल करने के लिए MongoDB की Aggregation pipeline के भीतर स्कोर = 할인율 + (성능 수치 / 현재가) - 연식 페널티 की गणना करने वाला 'Hidden Score' सिस्टम लगाया गया। यह केवल condition filtering पर खत्म नहीं होता, बल्कि 2022 से पहले के models पर -50 points penalty और 2025~2026 के latest models पर +20 points weight देकर top shelf में केवल सचमुच value-for-money devices को प्राथमिकता से दिखाने के लिए प्रोसेस किया गया।

3. समापन

Frontend को Zustand और Next.js parameter integration के जरिए optimize किया गया है ताकि दर्जनों multi-spec filters (panel, manufacturer, weight, TGP आदि) तुरंत और स्मूद तरीके से प्रतिक्रिया दें।
एक engineer के रूप में मेरे लिए सबसे अर्थपूर्ण अनुभव यह रहा कि LLM को सिर्फ chatbot के रूप में नहीं, बल्कि background pipeline के भीतर 'unstructured data normalization parser' और 'smart matcher' के रूप में गंभीरता से लागू किया गया। Data crawling, AI matching, या Next development environment में रुचि रखने वाले लोगों के विचार-विमर्श या feedback का हमेशा स्वागत है।

[cnaa97]

खरीदने का मन हो रहा है..

[runableapp]

अच्छा है, यह एक सुविधाजनक साइट है.
मेरी निजी राय में, इसका डिज़ाइन थोड़ा ज़्यादा शॉपिंग मॉल जैसा लगता है और रंग आँखों को थोड़ा थकाने वाले हैं.
लगता है कि सिर्फ़ एल्गोरिदम से भी यह काफ़ी हो सकता था, लेकिन LLM की वास्तव में ज़रूरत किन पहलुओं में पड़ी?

[kurthong]

मोबाइल पर (Galaxy S25 Plus) AI चैट विंडो में "बातचीत भेजें" बटन और बंद करने वाला बटन (X) एक-दूसरे पर ओवरलैप हो रहे हैं।