标签: 工程实践

平台用 AI 优化匹配，用 Agent 提升你在它后台里的操作效率——但这些智能都长在平台的墙里面。跨出墙头，你得有自己的一层。 作者：zhanbo · 2026-09-09 声明：本文为独立行业观察 / 独立技术实践，基于公开资料整理，不代表任何雇主或客户观点；本工作室不承接游戏（含手游 / 休闲 / 中重度）行业相关咨询。 tl;dr 广告平台的 AI 投入方向一直很清楚：对内，用 AI 优化广告匹配——决定谁看到这条广告；对外，用 Agent 提升广告主在自家后台内的操作效率。这两件事平台都会越做越好，但它们有一个共同边界：只在自家平台的墙内生效，且优化目标天然对齐平台自己的收入。 广告主的真实战场却是跨平台、多渠道的。一个账户同时开着几家媒体，每一家都有自己的"智能投放"，每一家的智能都只对自己平台的钱包负责。于是广告主侧必然要长出自己的一层：聚合投放（一个入口管所有平台的动作和数据）→ 独立归因（跨平台的账算得清）→ 投放策略管理（预算怎么分、何时止损放量，规则在自己手里）→ 智能投放 Agent（这一层自己会感知、提议、执行、学习）。 这不是"要不要做"的选择题，是分工演化的结果：平台越智能，广告主越需要一个跨平台、对齐自己生意目标、且自己可控的智能层。 这套系统从第一天起就按真实广告账户设计、在真实投放中迭代。构建过程中最核心的结论是：它的护城河不在模型，也不在连接器，在"信任结构"——跨平台数据归一、写动作分级审批、动作结果延迟回采、策略只学真实样本。少一样，广告主就不敢把账户交出来，Agent 也学不到真东西。 本文按业务需求 → 痛点 → 概念模型 → 技术架构 → 实现的顺序完整展开，包含十几个具体的工程取舍和理由。适合正在设计或评估"AI + 投放"系统的人收藏慢看。 一、业务需求：平台的智能，和广告主的智能，不是同一种智能 先把一个常见的误会拆掉。 很多人觉得，广告平台已经这么智能了——全托管 campaign、自动出价、自动扩量、自动生成素材——广告主再建一套"智能投放"是不是重复造轮子？ 不是。因为平台的 AI 从来只服务两件事： 对内，优化广告匹配：决定哪条广告展示给哪个人。这是平台收入引擎的核心，eCPM 竞价、点击率/转化率预估、探索与利用机制，全部围绕"平台生态的长期变现效率"设计。 对外，提升广告主在自家后台内的操作效率：自动托管、智能建议、对话式助手、官方 MCP 接口——让你在它的体系里花钱花得更顺、更快、更少摩擦。 注意边界：这两件事都只在单个平台的墙内生效，而且优化目标函数天然对齐平台自己的收入，不是广告主的利润。广告主面对的真实战场是另一个形状： 一个账户同时开着几家媒体，每家都有自己的一套"智能投放"，黑盒程度不一，建议互相矛盾； 预算总量是有限的，真正的决策不是"在 A 平台里怎么投"，而是"这一万元分给 A、B、C 各多少、什么节奏、按什么信号再平衡"； 平台报表里的转化是平台口径，跨平台去重、真实增量、回收周期，平台不会替你算——它们既没有动力，也没有彼此的数据； 投放经验（什么品类什么阶段用什么打法、什么信号可信、什么时候该逆着平台建议操作）散落在投手的脑子里和历史账户里，人一走就带走。 所以广告主侧必然要长出自己的一层。这不是"要不要做"的选择题，是分工演化推出来的，按依赖关系是四级台阶： 聚合投放：一个入口统一管理跨平台的计划、预算、出价、素材和报表，动作和数据先归一，结束"十个后台十套数"的状态； 独立归因与度量：跨平台账算得清——哪个渠道带来的是增量而不是平台自报的转化，LTV 回收按什么口径，这是后面一切策略的事实基础； 投放策略管理：预算分配规则、止损/放量阈值、素材轮换规则、平台建议的采信边界——把投手经验固化成可审计、可迭代、可复用的资产，而不是聊天记录里的手感； 智能投放 Agent：在以上三层之上，系统自己 7×24 感知异动、提出方案、在授权边界内执行、用真实结果复盘并改进策略。 顺序不能反。没有聚合，Agent 只能一个平台一个平台地当外挂；没有独立度量，Agent 学到的全是平台喂给它的自我评价；没有策略管理层，Agent 的每次决策都是一次性的，组织没有积累。Agent 是这层的最终形态，不是起点。 ...