The post has been translated automatically. Original language: Russian
The market for renting and selling real estate in messengers is chaos. Thousands of messages, spam, incomplete data, and constant scrolling of the feed. In the first version of my MVP, I learned how to collect this data. But collecting does not mean using.
Today I want to share the results of the second stage of the development of my AI platform. (CRM for realtors), where we switched from raw parsing to smart matching and analytics.
The system works completely autonomously, turning an unstructured message stream into a strict database.:
- Data Collection: Background Parsers (Telegram in real time and Facebook on a schedule).
- AI Filtering (LLM): The neural network acts as a strict "customs" - it cuts off spam, extracts prices, layouts (for example, the popular 1+1), lease terms , and pulls contacts (numbers and @username).
- Backend (Go): The fast and reliable heart of the system, responsible for storage and complex logic.
- Interface (Streamlit): The realtor's control panel.
1. Intelligent Auto-Matching We have taught the algorithm to separate "Demand" and "Supply". Now the backend automatically finds the perfect pairs. If the client is looking for an apartment for up to $ 700, the system she will select the options herself, taking into account the mathematical backlash (+15% to the budget), and cut off the daily "garbage".
2. A real CRM should list 1,000 ads instead of a "sheet" of data. - it means to kill convenience. I have implemented the logic of smart filters:
- Sorting by transaction type (rent/sale), type of facility and format (Studio, 1+1, 2+1).
- The "Anti-Chaos" system: the realtor selects a specific client and sees only the Top 5 most relevant objects for him.
3. Smart AI Chat (RAG system) This is my main pride in this release. The platform has a built-in agent that understands natural language. You're writing: "Find an apartment in Kobuleti for up to $700." The system doesn't just do a database search. It provides an analytical summary (min, max and average price on the market right now) and generates a beautiful selection of suitable objects with direct links to the authors.
- Real data is full of pain: People forget to write prices, write formats in a strange way, or even post spam. Industrial tuning for the AI extractor has become a key success factor.
- UX is more important than the number of features: The initial conclusion of all the coincidences immediately broke the logic of the work. Implementation of drop-down lists and lazy loading (harmonicas for unnecessary options) turned a programmer's tablet into a convenient business tool.
- The fight against anti-fraud systems: Setting up the Facebook parser required understanding the work of Login Walls and careful background work to avoid being banned.
The frame is ready and works like a Swiss watch. The plans include migrating the system to a dedicated server (VPS) and implementing a personal A telegram bot for a realtor that will send push notifications about new hot matches the second they appear online.
Рынок аренды и продажи недвижимости в мессенджерах - это хаос. Тысячи сообщений, спам, неполные данные и постоянный скроллинг ленты. В первой версии своего MVP я научился собирать эти данные. Но собирать - не значит использовать.
Сегодня я хочу поделиться итогами второго этапа разработки моей AI-платформы (CRM для риелторов), где мы перешли от сырого парсинга к умному матчингу и аналитике.
Система работает полностью автономно, превращая неструктурированный поток сообщений в строгую базу данных:
- Сбор данных: Фоновые парсеры (Telegram в реальном времени и Facebook по расписанию).
- AI-Фильтрация (LLM): Нейросеть выступает в роли строгой "таможни" - отсекает спам, извлекает цены, планировки (например, популярные 1+1), сроки аренды и вытягивает контакты (номера и @username).
- Бэкенд (Go): Быстрое и надежное сердце системы, отвечающее за хранение и сложную логику.
- Интерфейс (Streamlit): Панель управления риелтора.
1. Интеллектуальный Авто-Матчинг Мы научили алгоритм разделять "Спрос" и "Предложение". Теперь бэкенд автоматически находит идеальные пары. Если клиент ищет квартиру до 700$, система сама подберет варианты, учитывая математический люфт (+15% к бюджету), и отсечет посуточный "мусор".
2. Настоящая CRM вместо "простыни" данных Выводить списком 1000 объявлений - значит убить удобство. Я внедрил логику умных фильтров:
- Сортировка по типу сделки (аренда/продажа), типу объекта и формату (Студия, 1+1, 2+1).
- Система "Анти-Хаос": риелтор выбирает конкретного клиента и видит только Топ-5 самых релевантных объектов для него.
3. Умный AI-Чат (RAG система) Это моя главная гордость в этом релизе. В платформу встроен агент, понимающий естественный язык. Пишешь: "Найди квартиру в Кобулети до 700$". Система не просто делает поиск по базе. Она выдает аналитическую сводку (мин, макс и средняя цена на рынке прямо сейчас) и генерирует красивую подборку подходящих объектов с прямыми ссылками на авторов.
- Реальные данные полны боли: Люди забывают писать цены, пишут форматы в странном виде или вообще публикуют спам. Тюнинг промптов для ИИ-экстрактора стал ключевым фактором успеха.
- UX важнее количества фич: Изначальный вывод всех совпадений сразу ломал логику работы. Внедрение выпадающих списков и ленивой загрузки (гармошки для лишних вариантов) превратило программистскую табличку в удобный бизнес-инструмент.
- Борьба с антифрод-системами: Настройка парсера Facebook потребовала понимания работы Login Walls и аккуратной фоновой работы, чтобы не попасть под бан.
Каркас готов и работает как швейцарские часы. В планах - перенос системы на выделенный сервер (VPS) и внедрение личного Telegram-бота для риелтора, который будет присылать push-уведомления о новых горячих совпадениях в ту же секунду, как они появятся в сети.
Share
