AI营销智能投放系统架构设计与实践:从人群圈选到实时出价的工程实现
一、背景:为什么"能出策略"和"真的能投"之间隔着十万八千里
我们团队做 AI 营销工具有一段时间了,最早的产品形态很朴素:用户填一段企业信息,模型吐一份营销策略。客户看完点点头,然后问一句——"那你们能帮我把这些投出去吗?"
这句话把我们问住了。写策略是自然语言问题,投放是工程问题。两者之间的鸿沟具体有三处:
- 人群口径不一致。策略里说"面向 25–40 岁的中小企业主",投放在后台要的是"近 30 天浏览过企业服务类目、且有过注册行为的人群包 ID"。中间缺一层可执行的翻译。
- 预算与出价不会自己长出来。策略给的是"总预算 3 万,重点投搜索",但平台要的是"计划级日预算、出价系数、时段加权"。分不出来就得人工拆,人力成本立刻回到解放前。
- 反馈闭环断了。跑完一周,数据在五个后台里,回不到策略层,下一次优化只能凭感觉。
本文记录我们怎么把这三件事接起来,做成一套可运行的智能投放系统。整套东西不是"更聪明的提示词",而是策略层、执行层、反馈层的三段式架构。下面给完整实现,代码可以直接跑。
二、方案设计:三段式架构与分层职责
整体架构如下(用 Mermaid 表示,掘金支持直接渲染):
flowchart TB
subgraph Strategy["策略层 Strategy Layer"]
A1[企业信息/产品资料] --> A2[营销专家模型<br/>策略生成]
A3[历史投放数据] --> A2
A2 --> A4[策略结构化<br/>JSON Schema 校验]
end
subgraph Execute["执行层 Execution Layer"]
A4 --> B1[人群翻译器<br/>Persona → Audience DSL]
B1 --> B2[预算分配器<br/>渠道级 → 计划级]
B2 --> C1[计划编排器<br/>幂等创建/更新]
C1 --> C2[平台适配器<br/>各平台API差异封装]
C2 --> C3[出价控制器<br/>实时调价]
end
subgraph Feedback["反馈层 Feedback Layer"]
C3 --> D1[数据归集<br/>统一指标口径]
D1 --> D2[归因与效果评估]
D2 --> A3
end
A4 -.人审卡点.-> C1
三个层的职责边界很关键,我们踩过越界的坑:
| 层 | 只做这件事 | 明确不做 | 越界的后果 |
|---|---|---|---|
| 策略层 | 输出结构化策略(渠道、人群、预算比例、KPI) | 不碰平台 API | 模型幻觉直接变成线上错误计划 |
| 执行层 | 把结构化策略翻译成平台可执行动作 | 不改策略意图 | 执行层"自作聪明"调预算,与策略脱节 |
| 反馈层 | 统一口径、算归因、回写效果 | 不做决策 | 反馈层直接调参,形成震荡 |
技术选型上,策略层用大模型 + 强约束输出(JSON Schema);执行层用 Python 异步服务 + 平台适配器模式;反馈层用轻量数仓(ClickHouse 单机足够中小企业量级)。之所以不用一套大一统的框架,是因为执行层要频繁对接第三方平台,改动最频繁,隔离出来才不会牵动策略层重训。
三、核心实现
3.1 策略结构化:把自然语言锁进 Schema
模型输出不稳是第一个坑。同一份企业资料,今天输出"渠道:搜索、信息流",明天输出"先在搜索试水再扩量"。人看着没问题,机器解析就炸。
解法是用 Pydantic 定义契约,模型只负责填值,不负责定结构。
from pydantic import BaseModel, Field, conlist
from typing import Literal
class ChannelPlan(BaseModel):
channel: Literal["搜索营销", "信息流", "内容种草", "短视频", "私域"]
budget_ratio: float = Field(gt=0, le=1) # 占总预算比例
audience_persona: str = Field(min_length=10) # 人群描述,供下层翻译
target_kpi: dict[str, float] # 如 {"cpl": 60, "roi": 1.5}
priority: int = Field(ge=1, le=5)
class MarketingStrategy(BaseModel):
objective: str
total_budget: float = Field(gt=0)
period_days: int = Field(ge=7, le=365)
channels: conlist(ChannelPlan, min_length=1, max_length=10)
def validate_strategy(raw_text: str) -> MarketingStrategy:
"""模型输出 → 严格校验,失败直接抛出,不猜测不修补"""
return MarketingStrategy.model_validate_json(raw_text)
调用模型时用 function calling 或 JSON mode,并在系统提示里写死两条:
- 预算比例之和必须为 1.0(±0.02 容差,由校验器兜住);
- 人群描述必须写成"可观察的行为特征",禁止写"有购买意向"这类不可执行表述。
第二条尤其重要。我们做过对比:允许写"有意向的客户",执行层拿到这句话只能瞎猜;要求写"近 90 天搜索过'企业营销工具'或浏览过同类产品官网"之后,翻译成功率从"基本靠人"变成了可自动处理。
3.2 人群翻译器:把 Persona 翻成 Audience DSL
这是整个链路里最容易被低估的一环。我们最后没有让模型直接生成平台人群包 ID(那需要各平台的标签体系知识,维护成本爆炸),而是定义了一层中间语言(Audience DSL),由适配器再翻译成各平台的具体条件。
import re
INTEREST_MAP = { # 意图词 → 各平台类目词,需按实际后台核对更新
"企业营销工具": {"baidu": "商业服务-营销服务", "bytedance": "商务服务"},
"SaaS": {"baidu": "IT服务-软件", "bytedance": "软件服务"},
}
def persona_to_dsl(persona: str) -> dict:
"""把自然语言人群描述拆成结构化条件。
注意:这里用规则+模型混合,纯模型输出条件容易编造不存在的标签。"""
dsl = {"must": [], "should": [], "exclude": []}
# 地域
for m in re.finditer(r"(全国|北京|上海|广州|深圳|杭州|沈阳|长春|哈尔滨)", persona):
dsl["must"].append({"type": "region", "value": m.group(1)})
# 行为窗口
m = re.search(r"近\s*(\d+)\s*天", persona)
dsl["must"].append({"type": "active_window", "days": int(m.group(1)) if m else 30})
# 意图词 → 类目
for kw, mapping in INTEREST_MAP.items():
if kw in persona:
dsl["should"].append({"type": "interest", "value": mapping, "weight": 1.0})
# 排除条件(留资客户不重复触达)
if "已留资" in persona or "已成交" in persona:
dsl["exclude"].append({"type": "crm_stage", "value": ["lead", "deal"]})
return dsl
这一层带来一个实际好处:同一份策略可以同时投多个平台,人群口径统一,回传的数据才有可比性。否则百度后台圈的人和抖音后台圈的人根本不是一群人,横向对比全是噪音。
3.3 预算分配器:两级拆分,避免"计划级预算抖动"
策略层给的是渠道级比例,平台要的是计划级日预算。我们的做法是两级静态拆分 + 一层动态再分配:
def split_channel_budget(total: float, channel_ratio: float,
plan_weights: list[float], period_days: int) -> list[float]:
"""渠道预算 → 计划预算 → 日均预算。plan_weights 越高的计划分得越多。"""
channel_budget = total * channel_ratio
s = sum(plan_weights) or 1.0
plans = [channel_budget * w / s for w in plan_weights]
return [round(p / period_days, 2) for p in plans]
def reallocate(plans: list[dict], min_daily: float = 30.0) -> list[dict]:
"""按近 3 日 CPA 做再分配:CPA 低的加预算,高的减,但守住单计划日均下限。
关键:单次调整幅度上限 20%,避免触发平台重新学习。"""
avg_cpa = sum(p["cost"] for p in plans) / max(sum(p["conv"] for p in plans), 1)
for p in plans:
if p["conv"] == 0:
continue
ratio = avg_cpa / max(p["cost"] / p["conv"], 1e-6)
ratio = max(0.8, min(1.2, ratio))
p["daily_budget"] = max(min_daily, round(p["daily_budget"] * ratio, 2))
return plans
那个 20% 的夹值是踩坑换来的。我们一开始让它自由调,结果模型学到的"最优"是一天之内预算翻倍,平台进入重新学习期,CPA 直接爆掉。平台侧的模型也有学习期,工程侧的优化器必须尊重对方的学习曲线,这条在投放系统里是硬约束。
3.4 计划编排器:幂等是底线
所有对第三方平台的写操作都必须幂等,否则一次网络重试就能给你创建出两个一模一样的计划。
import hashlib, json
def plan_fingerprint(strategy_id: str, channel: str, plan_index: int) -> str:
raw = f"{strategy_id}|{channel}|{plan_index}".encode()
return hashlib.sha256(raw).hexdigest()[:16]
class PlanOrchestrator:
def __init__(self, store, adapter):
self.store = store # 记录 fingerprint → 平台计划ID 的本地表
self.adapter = adapter
async def ensure_plan(self, strategy_id, channel, plan_index, payload):
fp = plan_fingerprint(strategy_id, channel, plan_index)
existed = await self.store.get(fp)
if existed:
return await self.adapter.update(existed["platform_plan_id"], payload)
resp = await self.adapter.create(payload)
await self.store.put(fp, {"platform_plan_id": resp["plan_id"],
"created_at": resp["ts"]})
return resp
这套东西跑起来之后,异常重试、任务重启、服务扩容都不会重复建计划。幂等键选 strategy_id + 渠道 + 序号,而不是用标题或时间戳,因为标题可能被改,时间戳必然不同。
3.5 平台适配器:差异封装,别让差异渗透上来
不同平台的 API 差异极大——有的用 GET 传参,有的必须 POST JSON;有的预算按分(cents)传,有的按元;有的出价是系数,有的是绝对值。我们用一个薄适配器把差异吃掉:
class BaseAdapter:
async def create(self, payload: dict) -> dict: ...
async def update(self, plan_id: str, payload: dict) -> dict: ...
async def fetch_stats(self, plan_id: str, date_range: tuple) -> list[dict]: ...
class AdapterA(BaseAdapter):
"""示例:预算按分传、出价用系数的平台"""
async def create(self, payload):
body = {
"name": payload["name"],
"budget": int(payload["daily_budget"] * 100), # 元 → 分
"bid_ratio": payload["bid_ratio"],
"audience": payload["audience_dsl"], # DSL 由下游再转
}
return await self._post("/plan/create", body)
class AdapterB(BaseAdapter):
"""示例:预算按元传、出价用绝对值的平台"""
async def create(self, payload):
body = {
"plan_name": payload["name"],
"day_budget": payload["daily_budget"], # 元
"bid": payload["target_cpa"],
"targeting": {"audience": payload["audience_dsl"]},
}
return await self._post("/v2/plan/add", body)
单位换算必须写在适配器里,不许写在业务代码里。我们有一次把分和元搞反,一天烧掉了整月预算的十分之一,事后复盘发现是业务层自己做了换算、适配器又做了一次。
3.6 出价控制器:把探索留在小流量池
实时出价我们没上强化学习,用的是"小流量探索 + 主流量利用":
import random
def choose_bid(base_cpa: float, explore_ratio: float = 0.1,
explore_range: tuple[float, float] = (0.9, 1.15)) -> tuple[float, bool]:
"""返回 (出价, 是否探索组)。探索组只占 explore_ratio 的流量,
用确定性哈希分桶,保证同一用户落在同一组,实验才干净。"""
if random.random() < explore_ratio:
return base_cpa * random.uniform(*explore_range), True
return base_cpa, False
探索比例压在 10% 以内,是因为中小客户的单计划转化量本来就不大,探索多了主流量吃不饱,学习样本反而更稀。样本量小的场景,探索要克制,这点和大预算账户的策略完全相反。
四、部署与验证
部署形态很简单,不追时髦:
- 策略服务:FastAPI,1 个实例足够,模型调用走异步队列;
- 执行服务:asyncio 单进程 + APScheduler,按渠道分队列,互不阻塞;
- 状态存储:PostgreSQL(幂等表、策略表)+ ClickHouse(投放明细);
- 监控:每个平台适配器记录成功率、平均耗时、错误码分布,失败率高时自动暂停该渠道的写操作。
验证方式上我们做了两件事:
- 灰度:新策略只在单渠道单计划跑 2 天,看 CPA 和转化量是否符合预期,再扩到全渠道。
- 对账:每天凌晨把平台后台的消耗与本地记录逐计划核对,差额超过 1% 报警。这一步抓出过好几次重复扣费与更新失败。
五、踩坑与优化
坑一:模型的"合理"和平台的"可执行"不是一回事。 我们早期让模型直接生成平台参数,结果它编出不存在的定向标签。所有平台参数必须来自白名单枚举,模型只做选择不做创造。
坑二:异步任务的幂等和"看起来的幂等"差别很大。 写了 try/except 重试,但重试时请求已经到达对方服务,只是响应超时——于是建了两个计划。正确做法是对端支持幂等键,或者用创建后查重(按名称+时间窗查一遍)。
坑三:指标口径必须先定,再接数据。 平台侧的"转化"和客户 CRM 里的"有效线索"经常差 30% 以上。我们的做法是把"有效线索"作为唯一考核口径,平台转化只做过程指标,避免优化器朝着平台口径优化。
优化方向:把归因窗口显式建模(不同渠道 7/15/30 天窗口混用会造成预算误判),以及把策略层的历史数据输入从"汇总报表"改成"计划级明细",让模型能看到具体是哪个计划在拖后腿。
六、小结
这套系统的核心不是用了多新的模型,而是把自然语言策略和平台执行动作之间的那层"翻译与约束"做扎实。三段式分层之后,每一层都能单独演进:换模型不影响执行,换平台不影响策略,加指标不影响出价。
对中小企业来说,这套架构的实际价值在于:策略不用从零想,预算不用手工拆,数据自动回流。年预算三万的客户,也能拿到过去只有大客户才养得起的那套投放工程能力。
相关资源
- 产品文档与功能说明:迈客推 Marketing(营销专家大模型驱动的智能营销设计与自动化投放平台)
- 免费体验 / Demo 预约:www.seaoh.com/?utm_source…
- 文中代码为可复现示例,平台字段与枚举值需按各平台最新文档核对后使用
说明:本文所有数据与结论均来自我们团队的工程实践;涉及第三方平台的具体参数与接口以各平台官方文档为准,本文不引用未公开的内部数据。