هوش مصنوعی سواَپین را همین‌جا آزمایش کنید

بررسی آگهی قبل از انتشار

در واقعیت، بعد از ثبت آگهی وضعیت pending می‌شود و موتور سه‌لایه تصمیم می‌گیرد: قوانین فوری (کلمات نامناسب، تماس، لینک، متن کوتاه)، سپس مدل زبانی با پرامپت moderation، و در نهایت آستانه تأیید/رد. دسته‌های پرریسک مثل خودرو و املاک هرگز خودکار تأیید نمی‌شوند.

1. ۱
   فرم را مثل ثبت آگهی پر کنید و «انتشار و بررسی» را بزنید.
2. ۲
   لایه قوانین سیگنال‌ها را استخراج می‌کند (اسپم، تماس، تلاش کم).
3. ۳
   اگر رد قطعی نباشد، LLM تصمیم approve / reject / escalate می‌دهد.
4. ۴
   خروجی دقیقاً مثل کارت ادمین است؛ هیچ ردی در دیتابیس نوشته نمی‌شود.

function ai_mod_merge_results(...) {
  if (rule.reject && confidence >= auto_reject) return reject;
  if (llm.reject && high_confidence) return reject;
  if (category in never_approve) return escalate;
  if (llm.approve && safe_category && conf >= 0.93) return approve;
  return escalate;
}

{
  "type": "moderation",
  "decision": "approve|reject|escalate",
  "confidence": 0.0,
  "unsafe_flags": ["spam","contact_info"],
  "reason_codes": ["R004","R010"],
  "persian_note": "توضیح فارسی برای کاربر و ادمین"
}

تخمین ارزش کالا هنگام ثبت

همان جریانی که در ثبت آگهی بعد از تکمیل فرم اجرا می‌شود: مدل با mode=pricing محدوده تومان، اطمینان ۰ تا ۱ و دلیل فارسی برمی‌گرداند. اگر مدل در دسترس نباشد، fallback قاعده‌محور همان قالب را پر می‌کند.

1. ۱
   عنوان، توضیح، دسته و وضعیت خوانده می‌شود.
2. ۲
   در پروداکشن آگهی‌های مشابه دسته هم به کانتکست اضافه می‌شود؛ در دمو این بخش خالی است تا دیتابیس خوانده نشود.
3. ۳
   خروجی به نزدیک‌ترین ۱۰۰ هزار تومان گرد و به صورت محدوده نمایش داده می‌شود.

{
  "type": "pricing",
  "value_range": { "min": 10000000, "max": 14000000 },
  "confidence": 0.78,
  "reason": "توضیح فارسی بر اساس مشخصات کالا"
}

پیشنهاد معاوضه با چهار ستون امتیاز

تطبیق تولید روی آگهی‌های واقعی کاربر اجرا می‌شود. اینجا آگهی شما با چند کالای نمونه سنجیده می‌شود تا همان امتیازدهی دیده شود: همخوانی نیاز (~۳۴٪)، نزدیکی ارزش (~۲۴٪)، دسته (~۲۲٪)، احتمال موفقیت (~۲۰٪).

{
  "type": "matching",
  "matches": [{
    "listing_id": 9102,
    "score": 81,
    "trade_type": "direct",
    "reason": "همخوانی نیاز + نزدیکی ارزش"
  }]
}

امتیاز مؤلفه‌ای معاوضه اطراف شما

مدل فقط سازگاری معاوضه، ارزش، دسته، مکان و اطمینان را می‌دهد. نمره نهایی را بک‌اند حساب می‌کند: حدود ۸۲٪ سازگاری معاوضه + ۱۸٪ مکان. مدل حق ندارد score نهایی بسازد.

final_score = round(
  swap_compatibility * 0.82
  + location_score * 0.18
);

{
  "type": "swap_suggestions",
  "matches": [{
    "listing_id": 9101,
    "swap_compatibility": 84,
    "value_compatibility": 76,
    "category_compatibility": 90,
    "location_score": 70,
    "confidence": 80,
    "reasons": ["نیاز دوطرفه"]
  }]
}

نیاز را به زبان ساده بنویسید

مدل mode=need_search متن را به کلیدواژه، دسته، شهر و بازه قیمت تبدیل می‌کند. در سایت واقعی بعد از آن روی آگهی‌های فعال کوئری زده می‌شود. در آزمایشگاه همان فیلترها روی چند آگهی نمونه اعمال می‌شود تا چیزی ذخیره یا از دیتابیس خوانده نشود.

{
  "type": "need_search",
  "keywords": ["لپتاپ", "گیمینگ"],
  "category_slug": "electronics",
  "city_hint": "تهران",
  "price_max": 30000000,
  "summary": "لپ‌تاپ گیمینگ در تهران"
}

راهنمای ثبت، قوانین و تصمیم‌گیری

چت پروداکشن با همان system prompt موتور سواَپین کار می‌کند و فقط JSON نوع chat برمی‌گرداند. این باکس برای مهمان هم باز است و تاریخچه را فقط در مرورگر نگه می‌دارد.

{
  "type": "chat",
  "message": "پاسخ فارسی دستیار"
}