大模型在货拉拉营销广告的应用实践
货拉拉广告运营传统模式效率低、成本高，大模型驱动的广告AI助手实现范式跃迁，破解全链路痛点。 核心内容： 1. 传统广告运营三大痛点（效率、优化、人力成本） 2. 大模型破局思路：从“被动工具”到“数字员工”的跃迁 3. 广告AI助手功能设计（多模态输入、全生命周期计划管理）
背景
货拉拉作为领先的互联网物流平台，其广告资源位遍布用户端、司机端、搬家端等多个触点，形态涵盖弹窗、Banner、活动页等。广告系统日均管理数千条计划，需要实现多城市、多人群、多时段的精细化投放。从素材准备、定向配置、流量设置到效果复盘，全链路高度依赖运营人员手动操作广告平台。
传统模式的三大痛点
1
效率瓶颈：批量创建、修改广告计划需逐项填写表单，复杂定向参数组合耗时费力，跨城市复制计划尤为繁琐
2
优化滞后：效果评估依赖人工导出报表、Excel 透视分析，洞察产出周期以天计，极易错失最佳调优窗口。
3
人力成本高：广告基础数据拉取、重复性报告撰写占用了运营人员大量精力，难以聚焦于高价值的策略创新。
二、破局思路与功能设计
2.1 范式跃迁：从"被动工具"到"数字员工"
大模型已从单纯的“文本工具”进化为具备理解、推理和自主执行能力的 AI 智能体（Agent）。利用大模型对传统广告平台进行改造，核心思想是将系统从“人适应机器”的被动操作工具，升级为“机器适应人”的数字员工。
2.2 功能设计
当前与大模型的主流交互方式是通过对话框进行自然语言交互。广告 AI 助手的整体功能设计基于此模式：用户在对话框中输入自然语言提示词（Prompt），大模型根据输入进行意图识别，并调用相关工具以满足用户需求。
✦
2.2.1 对话框输入
✦
2.2.2 广告AI助手智能体
广告计划管理
数据分析洞察
三、技术架构与实现
3.1 整体技术架构
广告 AI 助手智能体的整体架构分为五层：
3.2 详细技术实现
3.2.1 广告计划管理
✦
3.2.2 数据分析洞察
自然语言转 API 调用（NL2API）
语义理解与 API 路由 (Intent & API Routing)
实体抽取与参数填充 (Entity Extraction & Slot Filling)
四、工程化挑战与最佳实践
4.1 幻觉控制与准确性保障
✦
4.1.1 事前预防
我们在系统设计时，采用多种预防措施尽量避开大模型易出错场景，尽可能提升agent数据处理准确性。
结构化提示词
工程提示词采用“角色 → 工具 → 规则 → 流程 → 示例”的五层架构，通过“穷举式工具描述 + 场景化流程编排 + Few-shot 示例引导”，构建完整的 Agent 行为约束体系。
主从智能体
智能体职责单一化
✦
4.1.2 事中确认
在数据写入场景中，由于大模型固有的不确定性，其处理后的数据可能与用户预期存在偏差。为此，我们在提交前引入了数据确认机制。
如何保证“所见即所得”：大模型处理后的数据提交至后端生成 batch ID（数据标识ID）。在确认环节，前端通过 batch ID 直接获取后端存储的原始数据进行渲染，数据从获取到呈现绝不经过大模型二次处理，确保确认数据的绝对真实
✦
4.1.3 事后校验
4.2 数据安全与权限管控
✦
4.2.1 数据隔离机制
在数据写入场景中，若 Agent 直接操作底层系统，存在较高风险（如严重幻觉或遭遇提示词注入攻击）。为此，我们在工程实现上禁止大模型与广告底层系统直接交互。大模型仅生成中间态数据（变更指令），这些中间数据必须经过后端严格的业务逻辑审核后，才能最终落库应用。
✦
4.2.2 权限校验机制
为防止越权操作，在所有数据查询和写入接口中，均强制增加了权限校验逻辑，严格拦截无权限的访问与操作。
五、总结与展望
5.1 落地效果总览
✦
5.1.1 落地效果
异常广告数据分析
分析异常广告未投放原因（上图所示）
广告指标数据查询和分析
广告位指标数据进行查询分析（上图所示）
广告计划创建
根据运营计划文档创建广告计划（上图所示）
广告计划修改
自然语言快速修改广告计划（上图所示）
✦
5.1.2 落地收益
上线后，批量修改广告配置耗时缩短 75%，批量创建广告配置耗时缩短 75%，广告日报/周报数据分析时长缩短 75%，广告异常数据分析排查时长缩短 50%。
5.2 核心经验沉淀
展望未来
我们基于大模型能力，对广告系统管理流程及数据查询分析流程进行了深度改造，打造了交互更高效、功能更强大的广告 AI 助手。实践表明，将大模型能力与工程化手段深度结合，能够为以广告系统为代表的营销后台业务显著提质提效。
目前企业内部存在大量类似的营销子系统，各系统由不同团队维护，存在数据与操作割裂。而运营人员在多数场景下需跨系统操作，一次完整的营销动作往往涉及多个系统的联动，费时费力。
未来，我们计划构建一个营销域全局智能体，打通各营销子系统。用户只需在一个统一的 Agent 入口进行交互，借助大模型的理解、推理、流程引导及工具调用能力，即可完成一次完整营销活动的全链路配置，真正实现营销业务的“一站式”智能化
END
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们
