Banpoom Laptop - serviço que usa IA para mapear dados do Danawa e ofertas de devolução em open marketplaces para encontrar notebooks devolvidos com custo-benefício de verdade
(banpoomlaptop.com)Olá. Sempre que eu via a enxurrada de notebooks devolvidos em grandes open marketplaces, sentia um grande cansaço ao tentar verificar com precisão as especificações reais e compará-las com o menor preço no Danawa.
Para resolver isso, acabei desenvolvendo o 'Banpoom Laptop', que integra e visualiza com IA as informações de ofertas de notebooks espalhadas por diferentes plataformas de comércio e o vasto banco de dados do Danawa.
Link: https://banpoomlaptop.com
1. Stack de tecnologias (Tech Stack)
Reconstruí toda a arquitetura, do frontend ao pipeline de dados.
-
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 (daemon em segundo plano)
-
AI / Data Matcher: OpenRouter API (Qwen 3.5), BM25 (algoritmo de busca por similaridade)
2. Principais pontos de alta complexidade no processo de desenvolvimento
Ao montar este projeto, fui além do desenvolvimento web simples e enfrentei vários desafios difíceis na etapa de coleta e refinamento de dados do pipeline.
A. Normalização de dados não estruturados e cross-mapping entre plataformas heterogêneas
O maior obstáculo foi fazer o matching entre os 'títulos variados dos notebooks devolvidos nos open marketplaces' e os 'nomes complexos de especificações no Danawa'. Como a forma de escrever varia de fornecedor para fornecedor, havia limites claros no uso de DB Join tradicional ou regex.
Para resolver isso, construí um pipeline de IA em 2 etapas.
- Primeiro, uso o algoritmo de similaridade textual BM25 para extrair modelos candidatos iniciais do enorme banco de dados do Danawa.
- Em seguida, os candidatos encontrados são enviados para a janela de contexto de um LLM (Large Language Model) baseado em Qwen 3.5 para interpretar o contexto e identificar o modelo derivado único correto (
pcode). Além disso, deleguei a um worker em segundo plano até mesmo a tarefa de o LLM estruturar em JSON, em tempo real, as longas especificações textuais do Danawa.
B. Aplicação de lógica de inferência em algoritmo avançado de ranking principal (Hidden Score)
Os dados dos open marketplaces, por padrão, fazem a 'taxa de desconto' parecer o fator mais importante, mas o problema é que há muito estoque antigo e encalhado.
Para resolver isso, embuti no Aggregation Pipeline do MongoDB um sistema de 'Hidden Score' que calcula score = taxa de desconto + (métrica de desempenho / preço atual) - penalidade por ano do modelo. Em vez de parar em simples filtros por condição, apliquei uma penalidade de -50 pontos para modelos anteriores a 2022 e um peso de +20 pontos para modelos mais recentes de 2025~2026, fazendo com que apenas equipamentos com custo-benefício real apareçam primeiro na shelf superior.
3. Encerramento
No frontend, deixei tudo otimizado para que dezenas de filtros múltiplos de especificações (painel, fabricante, peso, TGP etc.) reajam de forma imediata e fluida por meio da integração entre Zustand e os parâmetros do Next.js.
A experiência mais significativa para mim como engenheiro foi ter introduzido o LLM não apenas como um chatbot, mas de forma efetiva dentro do pipeline em segundo plano como 'parser de normalização de dados não estruturados' e 'smart matcher'. Fico feliz em trocar ideias ou receber feedback de quem tiver interesse em crawling de dados, matching com IA ou no ambiente de desenvolvimento com Next.
3 comentários
Quero comprar umm..
É bom, é um site prático.
Na minha opinião, o design está um pouco com cara demais de shopping, e as cores parecem cansar os olhos.
Parece que só com o algoritmo já seria suficiente, mas em que ponto o LLM era realmente necessário?
No celular (Galaxy S25 Plus), o botão de enviar mensagem na janela de chat com IA está sobreposto ao botão de fechar (X).