企业官网建设流程全解析

过去聊起“人工智能怎么做广告”，很多人的第一反应是程序化广告投放，也就是那个在后台自动出价的系统。但如果只盯住这一层，很容易把 AI 在广告里的作用想窄了。AI 不仅能帮我们决定“这个广告要不要投给这个人”，还能写文案、自动切尺寸、预测用户流失、优化预算分配，甚至判断某一波素材什么时候该下线。这篇文章想从一个工程开发者的视角，把“人工智能怎么做广告”这个问题拆开，讲清楚 AI 在广告系统中的每一步在解决什么真实问题，以及作为工程师你可以从哪里开始动手实践。

先说一个判断：AI 做广告不是把几个人工智能模型堆在一起，而是一套围绕“投放决策”展开的工程系统。CTR 预估、创意生成、竞价策略、归因分析，每一环都有明确的输入输出，也都有现成工具可以做最小实现。本文会结合三个可直接运行的代码示例，覆盖广告点击率预测、广告创意文案生成、智能出价策略模拟，帮助你快速理解 AI 广告的完整链路和落地节奏。

1. 这篇文章真正要解决的问题

1.1 为什么“人工智能做广告”值得关注

广告行业是数据规模最大、决策延迟要求最高的业务场景之一。一个普通信息流广告系统，每天需要处理的数据量级是数亿到数十亿次曝光请求，每一次曝光都要在几十毫秒内决定“是否竞价”“出多少钱”。这种规模下，纯人工规则完全无法覆盖高维度的用户行为和环境上下文。AI 的价值就在于从海量历史数据中学习用户偏好、内容特征和转化规律，然后把这些规律嵌入到线上决策链路里。

从工程角度看，AI 做广告有两个明显收益：一是把“人工经验”变成“可量化模型”，二是把“统一流量分配”升级成“个性化决策”。过去优化师调整出价主要靠经验曲线，现在模型可以直接预估每次曝光的转化概率，再结合预算约束输出最优出价。这并不意味着优化师会失业，而是优化师的工作从“调整出价”变成了“定义目标、清洗数据、监控模型、处理异常”。

1.2 很多人的误区在哪

我见过不少刚接触 AI 广告的团队，以为只要导入一个推荐模型，点击率就自动上去了。结果模型离线指标很好，在线跑了一个月，成本飙升，转化却下降。问题往往不在模型结构，而在数据流、特征一致性、样本标签和线上服务延迟。

另一个误区是“创意生成”等于“随机写文案”。通过大模型批量生成文案确实可行，但如果不加约束条件，生成结果会偏离品牌调性，甚至出现合规风险。所以 AI 创意生成不是“让模型自由发挥”，而是要设计好 prompt 模板、风格约束、关键词白名单和人工审核流程。

1.3 读者能从这里获得什么

如果你希望进入智能广告或增长算法方向，这篇文章能帮你建立从模型到工程的整体认知。如果你已经在做广告投放相关开发，文中的三个示例可以当作你的第一版最小实践。本文不会展开深入的凸优化理论，也不会贴出一整份工业级系统架构，但会把最关键的步骤讲清楚：数据怎么准备，模型怎么训练，预测结果怎么用，以及线上部署会踩哪些坑。

2. AI 广告系统的核心链路与架构

2.1 一条广告请求的完整旅程

要理解 AI 在广告中的作用，先看一条广告请求是怎么走的。假设一个用户正在打开某个 App，客户端向广告平台发起一次广告请求，服务端会把这个请求转化成一次“曝光机会”，然后经过以下步骤：

1. 请求解析：获取用户 ID、设备类型、网络环境、当前页面、时间戳等信息。
2. 召回：从海量广告库中选出可能相关的数百条候选广告。这一步通常会用到倒排索引、向量检索或协同过滤。
3. 粗排：用轻量模型对候选广告做一次快速打分，筛掉明显不合适的，保留几十条。
4. 精排：用更复杂的 CTR/CVR 模型对候选集做精确预估，输出点击概率和转化概率。
5. 出价决策：结合预估概率、预算消耗、广告主出价和平台约束，计算出价金额。
6. 广告展示：最终选出一条或几条广告返回给客户端，用户看到并产生点击/转化。
7. 日志回收与归因：把曝光、点击、转化数据落库，用于后续模型训练和效果分析。

AI 并不是只在“精排”阶段出现。召回阶段的向量化、出价阶段的强化学习、创意阶段的生成模型，都是 AI 能力在广告系统中的落地场景。所以谈论“AI 做广告”时，需要先明确我们讨论的是哪一环。

2.2 典型的 AI 广告系统模块

从开发视角，一个可扩展的 AI 广告系统通常会拆成以下模块：

这不是一个必须一步到位的架构。个人开发者和中小团队完全可以从“排序模型”和“创意生成”这两个点切入，因为它们的输入输出清晰，验证成本低。

3. 广告 AI 中的关键概念：CTR、CVR、出价与归因

3.1 CTR 和 CVR 是什么，为什么是 AI 广告的核心

CTR（Click-Through Rate，点击率）是“广告展示后被点击的概率”。CVR（Conversion Rate，转化率）是“点击后完成目标行为（注册、下单、安装）的概率”。在广告系统中，CTR 和 CVR 往往是两个模型分别建模，也可以做成多任务模型一起输出。

CTR 预估的输入是“用户特征 + 广告特征 + 上下文特征”，输出是 0 到 1 之间的概率。举例来说，一个 28 岁的男性用户在晚上 10 点浏览科技资讯，看到某手机品牌的新品广告，模型预测他点击的概率是 0.037。这个数字看起来很小，但在广告竞价场景里，只要比竞争对手的概率高一点，就可能赢得这次曝光。

CVR 的建模逻辑类似，但标签通常是“是否完成转化”，正样本更稀疏。很多团队会用“点击后转化”的数据训练 CVR 模型，并使用 ESMM（Entire Space Multi-Task Model）这类方法解决样本选择偏差。

3.2 出价策略：AI 如何决定花多少钱

广告系统是典型的“预算约束下的优化问题”。广告主每天预算有限，平台会根据 eCPM（千次曝光收益）= 预估 CTR × 预估 CVR × 广告主出价，来决定广告排序。广告平台自身的智能出价策略，比如 oCPM、oCPC、tCPA，本质上都是在预估概率的基础上，为广告主自动调整出价，以完成“成本控制”和“量级获取”的平衡。

对于工程师来说，最简单的智能出价实现是：根据实时预算消耗速度动态调整出价系数。如果预算消耗过快，就适当降低出价；如果消耗太慢，就提高出价。更高级的方法会用到强化学习，让智能体在“剩余预算、剩余时间、当前成本”的状态下学习最优出价动作。

3.3 归因模型：广告效果到底算谁的

用户从看到广告到完成转化，中间可能经历了多次曝光、多个渠道。归因模型解决的是“把转化功劳分配给哪些触达点”。常见的归因规则包括：末次点击归因、首次点击归因、时间衰减归因、位置归因。AI 在归因中的价值主要是基于数据驱动的方式学习每个触点的重要度，比如用 Shapley 值计算各渠道的边际贡献，但工业界部署时仍以可解释的规则归因为主。

4. 环境准备与前置条件

4.1 本机环境要求

本文示例使用 Python 3.8+，建议准备一个干净的虚拟环境。操作系统不限，Windows、macOS、Linux 都可以。如果你在本地没有 GPU，也不用担心，文中所有代码都能在 CPU 上运行，只是训练时间稍长。

建议安装以下 Python 库：

• numpy：数值计算
• pandas：数据处理
• scikit-learn：机器学习模型和评估
• transformers：预训练语言模型（可选，用于创意生成）
• torch 或 tensorflow：transformers 的底层框架

4.2 创建虚拟环境

使用 conda 或 venv 都可以，以 venv 为例：

python3 -m venv ai_ad_env source ai_ad_env/bin/activate # Windows 下使用 ai_ad_env\Scripts\activate

安装依赖：

pip install numpy pandas scikit-learn transformers torch

版本请以实际安装时的官方最新稳定版为准，本文重点演示的是通用思路，不绑定某个具体版本。

5. 实操一：构建广告点击率（CTR）预测模型

5.1 数据准备

为了演示，我们构造一份简化广告点击日志。真实系统中字段会更多，但核心结构类似：用户特征、广告特征、上下文特征、标签（是否点击）。

以下代码生成一份示例 DataFrame，包含 1 万条记录。我们只用几个关键字段做演示，不追求真实分布。

import pandas as pd import numpy as np np.random.seed(42) n = 10000 data = { "user_age": np.random.randint(18, 60, n), "user_gender": np.random.choice([0, 1], n), # 0 女 1 男 "ad_id": np.random.randint(1000, 2000, n), "ad_category": np.random.randint(1, 10, n), # 广告品类 ID "device_type": np.random.choice([0, 1, 2], n), # 0 手机 1 平板 2 桌面 "hour": np.random.randint(0, 24, n), "is_click": np.random.binomial(1, 0.05, n) # 基础点击率 5% } df = pd.DataFrame(data) df.head()

这段代码中，is_click是我们要预测的标签，正样本占比通过np.random.binomial控制在 5% 左右。真实广告场景的点击率通常远低于 5%，尤其是品牌广告，可能只有千分之几。这里为了演示方便，没有刻意做严重不均衡处理。

5.2 特征工程与数据集划分

我们将用户年龄、广告 ID、品类、设备、小时作为特征。其中ad_id、ad_category、device_type是离散特征，可以直接用数值 ID 喂给树模型；如果使用逻辑回归，通常需要做 one-hot 或者 embedding。这里为了演示流程，先直接保留数值，并添加一个简单的交叉特征：用户年龄是否大于 30。

df["age_gt30"] = (df["user_age"] > 30).astype(int) feature_cols = ["user_age", "user_gender", "ad_id", "ad_category", "device_type", "hour", "age_gt30"] X = df[feature_cols] y = df["is_click"] from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y )

注意这里使用了stratify=y，保证训练集和测试集的正负样本比例一致，避免切分后分布漂移。

5.3 训练逻辑回归模型

逻辑回归是广告 CTR 预估的经典 baseline。它可解释性强，训练快，适合作为第一版模型上线。

from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, accuracy_score lr = LogisticRegression(max_iter=1000, random_state=42) lr.fit(X_train, y_train) y_pred_proba = lr.predict_proba(X_test)[:, 1] y_pred = lr.predict(X_test) auc = roc_auc_score(y_test, y_pred_proba) acc = accuracy_score(y_test, y_pred) print(f"Logistic Regression AUC: {auc:.4f}") print(f"Accuracy: {acc:.4f}")

在示例数据上，AUC 会接近 0.5，因为特征是随机生成的，与点击标签没有真实关联。这恰好提醒我们一个关键点：模型的预测能力上限取决于特征与标签之间的真实相关性。在真实项目里，特征工程的重要性往往高于模型选型。

5.4 训练梯度提升树模型

接下来用 LightGBM 或 XGBoost 训练一个稍强的模型。这里以 scikit-learn 的HistGradientBoostingClassifier为例，避免引入额外依赖（实际生产更推荐 LightGBM，训练更快）。

from sklearn.ensemble import HistGradientBoostingClassifier hgb = HistGradientBoostingClassifier(max_iter=100, random_state=42) hgb.fit(X_train, y_train) y_pred_proba_hgb = hgb.predict_proba(X_test)[:, 1] auc_hgb = roc_auc_score(y_test, y_pred_proba_hgb) print(f"HistGradientBoosting AUC: {auc_hgb:.4f}")

通过对比 LR 和 GBDT 的 AUC，可以判断特征非线性关系是否显著。如果 GBDT 明显优于 LR，说明特征之间存在高维交互，后续可以考虑 Feature Embedding 或深度模型。

5.5 如何把模型应用到广告投放决策

训练好的 CTR 模型，在线上通常会以接口形式暴露出来，输入一次请求的用户特征和广告特征，输出预测点击概率。最简单的部署方式是使用 Flask 构建一个 HTTP 服务：

# 文件路径：ctr_server.py from flask import Flask, request, jsonify import joblib app = Flask(__name__) model = joblib.load("ctr_model.joblib") @app.route("/predict", methods=["POST"]) def predict(): data = request.get_json() # 假设 data 是 {"user_age": 28, ...} feature_values = [ data["user_age"], data["user_gender"], data["ad_id"], data["ad_category"], data["device_type"], data["hour"], int(data["user_age"] > 30) ] proba = model.predict_proba([feature_values])[0][1] return jsonify({"ctr": proba}) if __name__ == "__main__": app.run(host="0.0.0.0", port=8000)

保存模型：

import joblib joblib.dump(hgb, "ctr_model.joblib")

这里的重点是理解“预测概率如何影响竞价”：平台通常会把 CTR 乘以广告出价得到 eCPM，然后按 eCPM 排序竞价。因此 CTR 模型的一个微小提升，可能带来收入或广告效果的明显变化。

6. 实操二：使用语言模型批量生成广告创意文案

6.1 为什么需要 AI 生成广告创意

广告创意的需求量极大。一个商品可能同时需要 10 套标题、30 条卖点描述、上百个不同尺寸的图文组合。传统人工写文案成本高、周期长。大语言模型出现后，批量生成广告文案成了低成本选项。

但 AI 生成文案不是“点一下生成”那么简单。你需要定义清晰的生成目标，比如：目标用户是谁、广告位是信息流还是搜索、品牌语调是活泼还是稳重、需不需要包含促销词。同时还要通过多路生成 + 人工审核来控制质量。

6.2 使用 transformers 生成广告文案

我们使用一个通用中文生成模型，比如uer/gpt2-chinese-cluecorpussmall或Langboat/bloom-1b4-zh，具体选择以你本机资源和网络条件为准。这里以加载小模型的方式演示生成流程。

# 文件路径：ad_copy_generator.py from transformers import AutoTokenizer, AutoModelForCausalLM import torch model_name = "uer/gpt2-chinese-cluecorpussmall" # 仅作示例，可换成其他中文模型 tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained(model_name) prompt = "【限时特惠】这款智能手环支持心率监测和血氧检测，" inputs = tokenizer(prompt, return_tensors="pt") output = model.generate( inputs.input_ids, max_new_tokens=50, do_sample=True, temperature=0.8, top_p=0.9 ) generated_text = tokenizer.decode(output[0], skip_special_tokens=True) print(generated_text)

这个代码的输入是一个prompt，输出是模型续写的完整文案。temperature控制随机性：值越低越保守，值越高越多样。批量生成时，可以准备一组模板和一组关键词，然后循环生成多版文案。

6.3 用模板约束生成方向

单纯给模型一两个词，生成结果不可控。更合理的做法是设计带槽位的 prompt，把产品名称、卖点、促销政策、号召语拆成变量：

def generate_ad_copy(product_name, selling_point, discount): prompt = ( f"请为产品“{product_name}”写一段信息流广告文案。\n" f"核心卖点：{selling_point}\n" f"促销信息：{discount}\n" "要求：20字以内，简洁有吸引力，不要夸大宣传。\n" "文案：" ) inputs = tokenizer(prompt, return_tensors="pt") output = model.generate( inputs.input_ids, max_new_tokens=80, do_sample=True, temperature=0.7, top_p=0.9 ) return tokenizer.decode(output[0], skip_special_tokens=True) copy1 = generate_ad_copy( "无线降噪耳机", "主动降噪，续航30小时", "下单立减100元" ) print(copy1)

这种模板化方式比让模型自由写作更容易产出符合要求的文案。在真实业务中，还会额外加一层“违规词过滤”和“人工抽检”，避免生成涉及极限词、虚假宣传或不符合平台政策的内容。

6.4 生成效果的评估

广告文案很难单靠模型指标评估，最终要看 A/B 测试的点击率和转化率。但在上线前，可以通过几个简单标准做粗筛：

• 是否包含产品名和核心卖点。
• 是否出现不必要的负面词或歧义。
• 字数是否在广告位限制内。
• 是否包含过度承诺（如“绝对”“第一”“最便宜”）。

7. 实操三：简化的智能出价策略模拟

7.1 出价问题的建模抽象

假设我们有一个广告计划，每天预算 B 元，一天有 N 次曝光机会，每次曝光 i 都有一个预估点击率 p_i 和广告主设定的基础出价 bid_i。我们需要决定每次曝光是否参与竞价，以及出价多少，最终在预算约束下最大化点击数。

这是一个经典的在线优化问题。为了快速演示，我们用一个简化策略：当剩余预算还充足时，按“预估 CTR × 基础出价 × 动态系数”出价；当消耗速度过快时，降低动态系数。

7.2 代码实现

import random import numpy as np def smart_bid_simulation(impressions, daily_budget, base_bid): """ impressions: list of (ctr, base_bid) daily_budget: 今日总预算 base_bid: 初始出价系数 返回: 总花费、总点击数、消耗率 """ budget_left = daily_budget total_clicks = 0 total_cost = 0 spend_history = [] dynamic_coef = 1.0 for idx, (ctr, base) in enumerate(impressions): if budget_left <= 0: break # 简单动态调价：最近100次曝光花费比例过高则降价 if len(spend_history) >= 100: recent_spend = sum(spend_history[-100:]) if recent_spend > 50: dynamic_coef = max(0.5, dynamic_coef - 0.05) else: dynamic_coef = min(1.5, dynamic_coef + 0.02) # 出价 = 预估ctr * 基础出价 * 动态系数 final_bid = ctr * base * dynamic_coef # 模拟平台竞价结果：随机判断是否竞价成功 win_prob = min(1.0, final_bid / (final_bid + 100)) if random.random() < win_prob: cost = final_bid if cost > budget_left: cost = budget_left budget_left -= cost total_cost += cost # 是否点击，按ctr概率 if random.random() < ctr: total_clicks += 1 spend_history.append(cost) return total_cost, total_clicks, (daily_budget - budget_left) / daily_budget

7.3 运行模拟

random.seed(2026) impressions = [(random.uniform(0.001, 0.05), random.uniform(10, 50)) for _ in range(1000)] cost, clicks, spend_ratio = smart_bid_simulation(impressions, daily_budget=500, base_bid=30) print(f"总花费: {cost:.2f}") print(f"总点击数: {clicks}") print(f"预算消耗率: {spend_ratio:.2%}")

这个示例展示了智能出价的核心理念：不是每个流量都出同样的价格，而是根据预估概率动态调整。真实系统里，出价模型要考虑预算消耗速率、流量质量分布、广告主成本约束和平台竞价环境，代码复杂度会更高，但底层思路是一致的。

8. 运行结果与效果验证

8.1 CTR 模型验证

运行前面的训练代码后，你会看到类似输出：

Logistic Regression AUC: 0.5012 HistGradientBoosting AUC: 0.5033

因为示例数据是随机生成的，AUC 接近随机水平，这是正常现象。真实项目中，如果你用一份有业务含义的数据进行训练，AUC 通常能达到 0.7 以上才算有可用性。如果 AUC 太低，建议按以下顺序检查：

1. 标签是否有噪声：比如把“误点”也算作正样本。
2. 特征是否泄漏：训练集中的特征是否包含了未来信息。
3. 样本分布是否和线上一致。

8.2 创意生成验证

运行ad_copy_generator.py后，会打印模型生成的文案。你可以用不同的prompt和temperature多次尝试。如果生成结果不完整，可以增加max_new_tokens；如果文案偏离主题，可以调整 prompt 中产品描述的词序。

8.3 出价模拟验证

运行出价模拟后，会输出总花费、点击数、预算消耗率。你可以在保持预算不变的情况下，调整dynamic_coef的增减步长，观察预算消耗率和点击量的变化。这个模拟不是真实竞价环境，但能帮你理解策略参数对投放节奏的影响。

9. 常见问题与排查思路

10. AI 广告开发的最佳实践与工程建议

10.1 从一个小闭环开始

不要一开始就追求完整的 DMP、特征平台、模型训练平台。先选一个业务痛点，比如“某个广告位的点击率低于预期”，然后搭建一个离线数据管道，训练 CTR 模型，再通过一个简单的线上服务返回预测分数，最后用 A/B 测试验证效果。这个闭环跑通后，再逐步复制到其他广告位。

10.2 定义清楚样本标签

广告模型的标签并不是简单的 0/1，而是深度绑定业务目标。点击率模型的标签是“用户是否点击”，转化率模型的标签是“用户是否完成目标动作”。如果你的业务目标不是直接转化，而是一个长期价值指标，还需要考虑延迟反馈问题，比如用户第二天才激活。工程上通常会对样本设置观察窗口，比如“点击后 24 小时内完成转化”算作正样本。

10.3 重视特征一致性

训练时用的特征和线上实时拿到的特征必须有一致的定义。很多模型上线后掉点的原因就是训练时用了“用户未来 7 天的行为数”，但这个特征在线上是无法实时获取的。建议在特征平台中维护一份特征字典，训练和预测共用一个特征逻辑。

10.4 把模型当作服务而非黑盒

CTR 模型不只是输出一个概率，它还需要支持监控、回滚和解释。每次模型版本更新，都应该评估新模型与当前线上模型在核心指标上的差异，并使用灰度流量逐步放量。一旦发现成本异常，要能快速回退到上一个版本。

10.5 关注合规和用户隐私

广告系统使用的数据涉及用户行为和个人信息，必须遵循最小必要原则。不要为了提升模型效果而滥用敏感字段。对用户特征做脱敏处理，并在数据存储和传输环节加密。相关法律法规要求可能随地区和平台变化，上线前要经过合规评审。

10.6 建立可观测性

广告链路很长，任何一个模块失败都可能造成投放事故。建议对以下指标做实时监控：

• 请求量、曝光量、点击量、转化量。
• CTR、CVR、平均出价、预算消耗率。
• 模型预估分发的分布变化。
• 创意生成接口的成功率和延迟。

11. 总结与后续学习方向

“人工智能怎么做广告”不是一个单一问题的答案，而是一条完整的技术链路。本文从广告请求的旅程讲起，解释了 CTR、CVR、出价、归因这些核心概念，并用三个最小示例展示了 CTR 预测、文案生成和智能出价的实现路径。你可以把这三个示例当作入门的底稿，在它们之上替换成真实数据、真实模型和真实业务目标。

下一步，如果你对算法层感兴趣，可以深入研究 DeepFM、DIN 这类广告排序模型，以及强化学习在自动出价中的应用。如果你更偏向工程层，可以关注特征平台、模型服务和 A/B 实验系统的搭建。无论选择哪个方向，建议都先把手里的数据跑通，再用小流量实验验证效果。AI 广告没有银弹，但每一步可衡量的优化，都会直接反映在投放成本和效果上。