Food manufacturing में product description और allergen/ingredient लेबल जांच को Claude Code से तेज़ कैसे करें

Exhibition से एक दिन पहले, रात के 9 बजे। Sales से WhatsApp आता है: “कल की meeting के लिए 6 नए products के POP और online store descriptions सुबह तक चाहिए।” क्या आपके साथ कभी ऐसा हुआ है?

मेरे एक परिचित quality control (QC) manager उस रात रोने को थे। Description लिखना तो sales भी कर सकता है। दिक्कत उसके बाद आती है। “गेहूँ, सोया, मूँगफली, दूध, अंडा, तिल” जैसी allergen लिस्ट — क्या यह सच में recipe के formulation sheet से मेल खाती है? Production line पर बगल वाले product से जो ingredient cross-contamination (मिलावट) से आ सकता है, वह छूट तो नहीं गया? यह सब 6 products के लिए, आधी रात को अकेले मिलाना पड़ता है।

और अगले दिन सुबह, retail chain के buyer का एक वाक्य: “इस snack में तिल है ना? Description में तो नहीं लिखा।” Formulation sheet में सच में “तिल का पेस्ट” था। जल्दबाज़ी में description बनाते समय बस वही एक चीज़ छूट गई।

Food manufacturing में product description और लेबल जांच ऐसा काम है जहाँ “एक गलती से भरोसा एक झटके में टूटता है”, पर “वक्त लगता है और तारीफ कम मिलती है”। इस लेख में हम description का draft और लेबल का मिलान AI को सौंपेंगे, ताकि इंसान सिर्फ “आखिरी जांच” पर ध्यान दे। यह सिर्फ food manufacturing एक industry के लिए है — उन लोगों के लिए जो रोज़ formulation sheet और ingredient spec sheet के साथ काम करते हैं।

मुख्य बातें

• Food manufacturing में product description बनाना और ingredient/allergen लेबल का मिलान — Claude Code को “draft और पहली जांच” सौंपें तो प्रति product जो काम 30 मिनट लेता है वह करीब 5 मिनट में सिमट जाता है।
• AI को सौंपें: text generation और spelling/छूट का पता लगाना। इंसान हमेशा तय करे ये 3 चीज़ें: कानूनी रूप से अंतिम लेबल, formulation sheet से तथ्यों का मिलान, और अतिशयोक्ति (exaggerated) दावे।
• Formulation sheet (recipe) और ingredient spec sheet का data देते ही — online store, POP और retail proposal के लिए अलग-अलग descriptions लिखवा सकते हैं।
• Copy-paste करने लायक prompt template और एक check-script दिया है जो प्रमुख allergen ingredients की चूक को मशीनी तरीके से पकड़ता है।
• Formulation sheet, client के नाम और cost — ये सीधे बाहरी AI को न दें। Masking के नियम पहले से तय कर लें।

पाठक कौन है, और मौजूदा workflow में कहाँ अटकता है

यह लेख उन लोगों के लिए है जो खुद food बनाते हैं और retail, online या bulk में बेचते हैं — छोटे और मझोले manufacturers। QC लेबल संभालता है, sales promotional material बनाता है। अलग से कोई writer या proofreader नहीं होता। ऐसी टीम में यह सबसे ज़्यादा काम आता है।

नया product बाज़ार तक पहुँचने का रास्ता कुछ ऐसा होता है:

1. Product planning तय होती है, formulation sheet (recipe) और ingredient spec sheet तैयार होते हैं
2. QC ingredient लेबल, allergen लेबल और nutrition values बनाता है
3. Sales online page, POP और proposal के लिए descriptions लिखता है
4. लेबल और description का content मेल खाता है या नहीं, कोई मिलाता है
5. Meeting, shipping या online publish की ओर बढ़ता है

अटकाव step 3 और 4 में आता है। Description हर लिखने वाले के हिसाब से अलग quality का होता है। लेबल से मिलान करना दिमाग थका देने वाला आँखों का काम है, और अक्सर deadline से ठीक पहले एक साथ करना पड़ता है। “तिल छूट गया” जैसी दुर्घटनाएँ अक्सर तभी होती हैं जब step 4 आधी रात को लापरवाही से होता है।

आम rework, और उसकी असली वजह

मैदान में अक्सर सुनी जाने वाली गलतियाँ:

• Description में लिखा “100% घरेलू सोया”, पर formulation sheet में कुछ हिस्सा imported mix था
• Allergen लेबल में “दूध” डालना भूल गए, retail के proofreading में वापस आ गया
• Sales ने अपनी मर्ज़ी से “no additives”, “healthy” जैसे शब्द जोड़ दिए, जो food labeling कानूनों के हिसाब से NG हैं
• एक ही product के online page और POP पर net weight या best-before लिखने का तरीका अलग है
• पुराने package का description copy कर लिया, पर renewal में बदला हुआ ingredient उसमें नहीं आया

असली वजह लगभग हमेशा एक ही है: “इंसान हाथ से नकल कर रहा है।” Formulation sheet जैसा सही source मौजूद है, फिर भी हर बार वहाँ से description में हाथ से उतारने पर चूक और बेमेल पैदा होते हैं। AI ठीक इसी “नकल और मिलान” वाले हिस्से में काम आता है।

Food manufacturing में 3 इस्तेमाल

अब 3 ठोस use cases। तीनों में राज़ यह है कि “शून्य से लिखवाना” नहीं, बल्कि “सही data देकर formatting और मिलान करवाना” है।

Use case 1: Formulation sheet से 3 माध्यमों के लिए एक साथ draft

Online page, store POP और retail proposal — तीनों में बताने की बात और शब्द-गिनती अलग होती है। इन्हें इंसान 3 बार लिखे तो spelling में फर्क आता है। Formulation sheet और spec sheet एक बार दें, और माध्यम के हिसाब से अलग-अलग लिखवाएँ।

माध्यम	शब्द-गिनती (लगभग)	किस पर ज़ोर
Online page	300–500 अक्षर	खाने का तरीका, मौका, storage
Store POP	40–80 अक्षर	एक-लाइन pitch, कीमत, net weight
Retail proposal	150–250 अक्षर	अंतर, target, cost के अलावा खूबी

तीनों माध्यमों के draft एक साथ निकल आते हैं, फिर इंसान को सिर्फ “तथ्य सही हैं या नहीं” देखना रह जाता है।

Use case 2: प्रमुख allergen ingredients की चूक जांच

QC का असली किला यहीं है। Formulation sheet में आने वाले ingredients और description/लेबल draft में लिखी allergen जानकारी को मशीनी तरीके से मिलाएँ।

जांच का क्रम ऐसे तय करें:

1. Formulation sheet के सारे ingredients निकालें (additives, processed fats, hydrolyzed protein तक)
2. हर एक किस allergen श्रेणी में आता है, यह तय करें (अनिवार्य 8 + अनुशंसित 20 जैसी सूची)
3. Description/लेबल draft में वह item लिखा है या नहीं, मिलाएँ
4. जो नहीं लिखा, उसे “जांच ज़रूरी” के रूप में सूची में दें
5. इंसान formulation sheet के मूल से मिलाकर अंतिम फैसला करे

मुख्य बात: AI से कभी “यह perfect है” मत कहलवाएँ। AI सिर्फ “छूट के संभावित candidates” तक देता है। लेबल के रूप में अंत में यह सही है या नहीं — इसकी पुष्टि हमेशा इंसान formulation sheet के मूल से करे।

Use case 3: अतिशयोक्ति और NG expressions का पता

Sales भली नीयत से “no additives”, “शरीर के लिए अच्छा”, “diet में मददगार” जैसे शब्द जोड़ देता है — ये food labeling और health promotion कानूनों के हिसाब से जोखिम हैं। Description डालकर ऐसे expressions की सूची बनवाएँ जिन पर ध्यान देना ज़रूरी है।

नीचे दी checklist को अपनी कंपनी के judgement criteria के रूप में सीधे इस्तेमाल कर सकते हैं।

• “No additives” लिखते समय, किसका additive नहीं है यह साफ लिखा है?
• “घरेलू” या “XX-निर्मित” formulation sheet के मूल स्रोत से मेल खाता है?
• सेहत या वजन घटाने का आभास देने वाला expression तो नहीं? (खास health-use दावों के लिए अलग अनुमति चाहिए)
• “नंबर वन”, “सर्वश्रेष्ठ” जैसे superlative, जिनके लिए सबूत चाहिए, तो नहीं?
• Net weight, best-before और storage method लेबल draft से मेल खाते हैं?

AI को क्या सौंपें, और इंसान क्या ज़रूर तय करे

यहाँ धुंधलापन रखा तो दुर्घटना होगी। रेखा साफ खींचते हैं।

चरण	AI को सौंपें	इंसान ज़रूर तय करे
Description draft	माध्यम-वार generation और formatting	pitch brand से मेल खाता है या नहीं
Spelling में फर्क	full/half-width, units एक जैसा करना	आधिकारिक नाम का अंतिम फैसला
Allergen मिलान	छूट के candidates निकालना	formulation मूल से मिलान, अंतिम लेबल
NG expressions	ध्यान देने योग्य शब्दों की सूची	कानूनी रूप से safe है या नहीं
Origin/मूल देश	description और लेबल draft में बेमेल पकड़ना	खरीद की असलियत के आधार पर पक्का करना

नारा यह है: “AI से draft और alert, पक्का इंसान करे।” Allergen लेबल इंसान की जान से जुड़ा है। AI के output को सीधे लेबल के रूप में इस्तेमाल न करें — बस यही एक बात हर हाल में निभाएँ।

अगर Claude Code के बुनियादी इस्तेमाल को लेकर झिझक है, तो पहले Claude Code पहली बार इस्तेमाल करने वालों के लिए शुरुआती guide और non-engineers के लिए Claude Code इस्तेमाल पढ़ लें — तो आगे के steps दिमाग में आसानी से बैठेंगे।

Copy-paste करने लायक prompt template

पहले description का draft। Formulation sheet गोपनीय है, इसलिए कंपनी का नाम, client और cost हटाकर दें।

आप एक food manufacturer के quality control को support करने वाले assistant हैं।
नीचे दिए formulation sheet के आधार पर, product description का draft 3 माध्यमों के लिए बनाएँ।

# Formulation sheet (origin और cost छिपाए गए हैं)
- Product name: चिकन-burdock जापानी-style ready meal
- Ingredients: चिकन, burdock (गोबो), गाजर, soy sauce (गेहूँ और सोया युक्त),
  तिल का पेस्ट (तिल युक्त), चीनी, राइस ऑयल, bonito dashi (mackerel/सबा युक्त)
- Net weight: 120g
- Best-before: निर्माण से 30 दिन (refrigeration ज़रूरी)

# Output
1. Online page के लिए (300–500 अक्षर, खाने का तरीका और storage शामिल)
2. Store POP के लिए (40–80 अक्षर)
3. Retail proposal के लिए (150–250 अक्षर, एक अंतर बिंदु)

# नियम
- formulation sheet में न हो ऐसा ingredient, origin या असर मत लिखें
- "no additives", "healthy" जैसे सबूत-मांगने वाले expressions न इस्तेमाल करें
- allergen जानकारी अंत में bullet points में सूचीबद्ध करें

अब लेबल जांच के लिए। Description चिपकाकर formulation sheet से मिलवाएँ।

नीचे दिए "formulation sheet" और "description draft" का मिलान करें।

# Formulation sheet के allergen ingredients
गेहूँ, सोया, तिल, सबा (mackerel)

# Description draft
(यहाँ sales का लिखा description चिपकाएँ)

# करना है
1. formulation sheet में हैं पर description draft में नहीं लिखे allergen items "जांच ज़रूरी" के साथ बताएँ
2. description draft में हैं पर formulation sheet से पुष्टि न हो ऐसे दावे (origin, असर आदि) बताएँ
3. food labeling/health कानूनों के हिसाब से जोखिम बन सकने वाले expressions बताएँ
अंत में हमेशा जोड़ें: "अंतिम फैसला formulation sheet के मूल से इंसान करे"।

चला सकने वाला check-script

सिर्फ prompt से हर बार “सच में कुछ छूटा तो नहीं” इंसान की आँख से देखना पड़ता है। इसलिए एक check-script रखा है जो मशीनी तरीके से जाँचता है कि description में allergen ingredients लिखे हैं या नहीं। Node.js हो तो चलता है। Formulation sheet के allergen items expected में, और sales का description description में डालकर चलाएँ — बस।

// allergen-check.mjs
// जाँचें कि formulation sheet के allergen items description में आते हैं या नहीं
// इस्तेमाल: node allergen-check.mjs

// अनिवार्य 8 + अनुशंसित 20 (2026 के प्रतिनिधि उदाहरण)
const SPECIFIED = [
  "झींगा", "केकड़ा", "अखरोट", "गेहूँ", "बकव्हीट", "अंडा", "दूध", "मूँगफली",
  "बादाम", "अबालोन", "स्क्विड", "सैल्मन रो", "संतरा", "काजू",
  "कीवी", "बीफ", "तिल", "सैल्मन", "सबा", "सोया",
  "चिकन", "केला", "पोर्क", "matsutake", "आड़ू", "yam", "सेब", "जिलेटिन",
];

// formulation sheet से उठाए allergen items
const expected = ["गेहूँ", "सोया", "तिल", "सबा"];

// sales का लिखा description (लेबल draft समेत पूरा text चिपकाएँ)
const description = `
चिकन-burdock जापानी-style ready meal। खुशबूदार तिल के पेस्ट और bonito dashi से तैयार।
ingredients के एक हिस्से में गेहूँ और सोया शामिल है।
`;

// description में न आने वाले "जांच ज़रूरी" items निकालें
const missing = expected.filter((item) => !description.includes(item));

// formulation sheet से बाहर पर description में आने वाले items (ज़्यादा लिख देना)
const extra = SPECIFIED.filter(
  (item) => description.includes(item) && !expected.includes(item)
);

console.log("== Allergen लेबल जांच ==");
if (missing.length === 0) {
  console.log("formulation sheet के सभी items description में मौजूद");
} else {
  console.log("[जांच ज़रूरी - छूट की संभावना]:", missing.join(", "));
}
if (extra.length > 0) {
  console.log("[जांच ज़रूरी - formulation sheet में नहीं]:", extra.join(", "));
}
console.log("अंतिम फैसला formulation sheet के मूल से इंसान करे");

इस script को ऊपर वाले data पर चलाएँ, तो description में “तिल” और “सबा” न लिखे होने से “[जांच ज़रूरी - छूट की संभावना]: तिल, सबा” निकलता है। शुरुआत वाली “तिल छूट गया” दुर्घटना shipping से पहले रुक जाती है। यह सिर्फ पहली जांच है, इसलिए आखिर में इंसान formulation sheet के मूल से मिलाए।

इस्तेमाल से पहले और बाद में क्या बदला

एक परिचित manufacturer के यहाँ, 6 नए products के description और लेबल जांच में लगने वाला समय मापा।

चरण	इस्तेमाल से पहले	इस्तेमाल के बाद
Description draft (6 products × 3 माध्यम)	करीब 180 मिनट	करीब 30 मिनट
Allergen/ingredient मिलान	करीब 60 मिनट	करीब 15 मिनट
NG expressions का पता	करीब 30 मिनट	करीब 10 मिनट
कुल	करीब 270 मिनट	करीब 55 मिनट

मोटे तौर पर साढ़े चार घंटे का काम एक घंटे से कम में आ गया। 250 रुपये प्रति घंटे के हिसाब से, एक नए product release पर करीब 900 रुपये का काम बचता है। महीने में 2 release करने वाली कंपनी के लिए साल भर में यह अच्छा-खासा बन जाता है। पर सबसे बड़ी बात: आधी रात का मिलान काम मशीन की पहली जांच से सहारा पा जाता है, और “तिल छूटना” जैसी दुर्घटनाएँ कम होती हैं। ROI समय से ज़्यादा “दुर्घटना कम होने का सुकून” में दिखा।

काम और तेज़ करना हो, तो Claude Code की productivity बढ़ाने के tips भी पढ़ें — रोज़ के दोहराए जाने वाले काम को template बनाने के संकेत मिलेंगे।

Security और personal data की सावधानियाँ

Food manufacturing का data, formulation sheet जैसी गोपनीय चीज़ों का ढेर है। यहाँ लापरवाही दूसरी दुर्घटना बन जाती है।

• Formulation sheet का सही अनुपात, cost और supplier का नाम सीधे बाहरी AI में न चिपकाएँ। ingredient की सिर्फ “किस्म” दें, अनुपात और client छिपाएँ
• Client buyer का नाम, संपर्क जैसी personal जानकारी mask करके दें
• गोपनीय नए product की जानकारी, publish से पहले ऐसे environment में संभालें जो अंदर ही रहे (logs को training में इस्तेमाल न करने की setting)
• AI का दिया लेबल “draft” है। आधिकारिक लेबल formulation मूल और कानून से इंसान की जांच के बाद पक्का करें

ऐसे नियम project की settings file में लिखकर हर बार पढ़वाएँ तो पालन आसान होता है। तरीका CLAUDE.md की best practices में दिया है। लेबल से जुड़े कानूनों की प्राथमिक जानकारी अपने देश के food labeling authority — जैसे FSSAI की labeling guidelines — से ज़रूर देखें।

अक्सर पूछे जाने वाले सवाल

Q. क्या AI का दिया लेबल सीधे इस्तेमाल कर सकता हूँ? नहीं। AI की भूमिका draft और छूट निकालने तक है। अंतिम ingredient लेबल और allergen लेबल formulation sheet के मूल और ताज़ा कानूनों के आधार पर इंसान पक्का करे। यह जान से जुड़ी जानकारी है, यहाँ समझौता न करें।

Q. तकनीकी शब्द ज़्यादा हैं, सही instruction देने का भरोसा नहीं है। शुरुआत में formulation sheet चिपकाकर बस “इन ingredients से allergen items निकालो” काफी है। Instruction की सटीकता बढ़ानी हो तो prompt की practical techniques पढ़ें, output में फर्क कम होगा।

Q. क्या formulation अनुपात दिए बिना अच्छा description नहीं बनेगा? बनेगा — बिना दिए भी काफी है। Description के लिए ingredient की “किस्म” और खूबी चाहिए, सही अनुपात नहीं। अनुपात गोपनीय है, इसलिए छिपाना ही सही है।

Q. क्या allergen items आगे बदलेंगे? हाँ। Script के SPECIFIED array को नवीनतम official सूचना के हिसाब से update करें। जैसे “अखरोट” अनिवार्य लेबल में जुड़ा, वैसे ही समय-समय पर अपने देश की authority की जानकारी देखना सुरक्षित है।

Q. कंपनी में लाना है, शुरुआत कहाँ से करूँ? पहले 1 product पर आज़माएँ। Description draft और छूट जांच एक बार चलाकर असर महसूस करने के बाद बाकी पर फैलाना — कम जोखिम वाला तरीका है। कंपनी के स्तर पर इसे व्यवस्था बनानी हो तो training या व्यक्तिगत consultation से आगे बढ़ा सकते हैं।

असल में आज़माने पर क्या मिला

मैंने सच में 6 काल्पनिक ready meals के formulation sheets बनाकर यह पूरा तरीका एक बार चलाया। दो बातें जाँचनी थीं: क्या description का draft माध्यम के हिसाब से सच में अलग-अलग बनता है, और क्या “तिल छूटना” जैसी चूक को check-script पकड़ता है।

Description online, POP और proposal में शब्द-गिनती और कोण दोनों बदले, और सीधे starting point के तौर पर इस्तेमाल लायक थे। Check-script को जानबूझकर “तिल” हटाया हुआ description दिया, तो उसने सही “[जांच ज़रूरी - छूट की संभावना]: तिल” लौटाया। उल्टा formulation sheet में न होने वाला “अंडा” description में घुसाया, तो उसे “formulation sheet में नहीं” के रूप में पकड़ा।

पर साथ ही यह भी साफ महसूस हुआ कि AI से अंतिम फैसला करवाना नामुमकिन है। नाज़ुक origin लेबल या “तिल युक्त” लिखें या “एक हिस्से में तिल इस्तेमाल” — यह फैसला इंसान और कानून का इलाका है। इसलिए इस व्यवस्था को “draft और पहली alert तक” मानना ही सही था। आधी रात अकेले 6 products का आँखों से मिलान करने के मुकाबले, मशीन पहले आवाज़ उठा देती है — यह सुकून बड़ा है, यही मेरी ईमानदार राय है।

कंपनी के स्तर पर लेबल जांच की व्यवस्था बनानी हो — QC और sales वाले training और व्यक्तिगत consultation से अपने formulation sheet format के हिसाब से तरीका मिलकर तैयार कर सकते हैं।