企业官网建设流程全解析

1. 项目背景：营销素材生产跟不上，才想起大模型不是万能药

货拉拉的营销广告业务，说实话比纯电商复杂不少。平台上有三类人：用车发货/搬家的C端用户、有稳定配送需求的B端货主、以及平台上每天接单的司机。同一个“搬家”关键词，对小白用户和搬家公司老板来说，诉求完全不是一回事。所以我们引入大模型做营销广告实践时，一开始就被迫想清楚：不能照搬电商那一套，要先把人群结构拆开。

过去我们做营销广告，靠的是运营同学和外包设计团队按活动页排期手动产出文案、图片、短视频脚本，一个S级大促至少要准备几百套素材，投放的同学再按渠道、人群去做组合。这个模式最大的问题不是产出慢，而是“人群理解”和“内容生产”是断开的：运营拍脑袋定的卖点，和用户真实想省钱、想准时、怕车不够的心里预期经常对不上。

所以当大模型这波浪潮出来的时候，团队内部的第一反应是——终于有机会把“用户洞察”和“素材生成”串起来了。这个项目本质上不是拿大模型写几句广告语，而是用大模型重构一条完整的营销内容生产流水线：先通过语义理解把用户需要弄清楚，再自动生成对应文案和创意，最后用模型辅助人工做合规和质量评估。产品形态上，我们最终落地了一个叫“营销创意中台”的内部系统，从用户意图解析、文案/脚本生成、素材标注、投放人群包挖掘，到最终的属性化质检，全部跑在自建的大模型服务之上。这篇复盘会把这套系统里踩过的坑、验证过的方案、以及哪些地方真的省钱省人力，原原本本写出来，希望对正在做类似“大模型+广告营销”方向的团队有点用。

1.1 先盘一下货拉拉广告的真实家底

要理解后面为什么这么设计，得先知道广告侧的数据长什么样。广告业务里最重要的资产是两类：一类是效果数据，也就是每次曝光、点击、下单背后的用户行为；另一类是内容资产，也就是历史所有渠道跑过的横幅、弹窗、Push文案、短信、短视频脚本、落地页首图。后者往往被低估，但恰恰是大模型项目最容易榨出价值的地方。

我们数过一遍历史素材库，粗算有几十万条线上素材记录，但数据质量其实很一般：字段散落在不同的广告管理后台，有的只有图片没有文案，有的文案是纯卖点堆砌，还有不少已经失效的历史活动素材。更重要的是，这些素材缺乏统一的结构化标签，比如“这个素材针对的是什么人群、什么场景、什么价格敏感度”，这些信息都埋在图片和视频里，没有一个完整可查询的标签体系。

过去这些素材主要靠投放同学凭记忆去翻，经验好的老同学能说出“去年做开学季搬家用的那套浅蓝色调素材跑得不错”。换个人就完全接不上。传统标签体系又指望不上，你让运营在每次上素材时手动打20个标签，根本不现实。于是我们用了最笨的办法起步：先用一个小型多模态模型把历史素材批量扫一遍，自动识别主体、色调、文案主标题、是否含促销框等结构化信息，把几十万条素材清洗成可查询的资产库。这一步做完，后面大模型做创意参考和文案微调的数据基础才算成立。

1.2 用户抱怨集中在哪里，以及为什么智能文案能拆掉这堵墙

这里有一个被很多团队忽略的洞察：广告素材质量好不好，最真实的反馈不是CTR，而是客服侧和用户评价里的高频抱怨。很多用户看了广告进来，发现落地页上的价格和Push里说的不一致，或者“10元搬家券”领完发现只能用在特定车型，立刻就会产生被欺骗感。这类负反馈堆积多了，平台整体信任度会受影响。

我们拉过客服对话记录和用户评价文本，用大模型做意图分类和情绪归因之后，发现负面原因最集中在前三：价格歧义、车型匹配错误、服务时效表述太满。这三条，全都可以通过优化广告文案里的信息确定性来解决。比如车型匹配，用户说“我有10件行李，面包车够不够”，我们以前只能靠用户自己去猜车型，后来我们基于历史用车数据训练了一个车型推荐模块，广告文案里直接明确“面包车可装15件标准纸箱”，转化率数据确实起来了。

这就是大模型在营销广告里最能发力的地方。不是说它写出来的话术多有文采，而是它能从海量到底的反馈里找出最影响用户决策的关键因子，然后把这些信息原子化地塞进广告文案和落地页里，让每一分钱花在消除用户疑虑上，而不是花在自我感动式创意上。

1.3 项目边界：我们没碰的东西，和为什么没碰

这类项目启动的时候，最怕的是业务方上来就要“全自动写创意、全自动投放、全自动客服”。我们一开始就划定的边界是：大模型负责生成“候选集”和“信息结构化”，最终决策和上线审核必须有人。原因很简单，营销广告直接触达真实用户，一旦生成内容里有价格错误、违规极限词、错别字，处理成本会远高于节省下来的人力成本。

所以系统里始终保留了一个人工在环的质检环节，文案生成出来先落到草稿箱，经过模型合规校验和运营同学的一键确认后，才允许流入投放后台。这套流程上线后，运营同学不再需要从零写文案，而是从模型给出的10个候选中改一两条，整体素材生产周期从平均3天缩短到半天以内。这个边界划定帮我们在公司内部少吵了很多架，也避免了“AI背锅”这类组织层面的破事。

2. 方案设计：从一个“会写文案的模型”到一个“广告内容工厂”

很多团队拿到大模型第一件事就是翻各种微调教程，急着把模型调成“广告语生成器”。我们一开始也差点走这条路，做了一轮POC之后发现，单纯让模型输出一句好听的话，根本解决不了投放侧的规模化问题。真实瓶颈在于：不同流量位、不同人群、不同转化目标需要的素材形态完全不一样，信息流广告要标题+描述+封面图，Push要短文案，短信要强促销感，落地页要长说明。一个只优化单句文案的模型，压根覆盖不了这些场景。

2.1 单点替代 vs 全链路重构，我劝你先想清楚要哪条路

这是我们踩过的最大的一个坑。第一个内部Demo只做了一个功能：输入活动信息，输出三条广告语。当时Demo展示效果确实惊到不少同事，但真推到线上之后，CTR只提升了不到2%，而且同质化严重，三条广告语换个人群定向就失灵。后来复盘发现，我们把大模型的能力压强用在了最简单、最同质化的环节，而真正值钱的——用户语义理解、素材与人群的匹配、投放后的归因分析——全都没有动。

重新做架构时，我们把整条广告内容生产链路拆成四个环节：第一是理解用户，第二是生成创意，第三是匹配投放，第四是反馈归因。每个环节里都塞了不同类型的模型能力，但核心不是某一个“生成式模型”，而是一套以LLM为调度核心的小模型+大模型混合架构。比如用户意图解析用大模型做零样本分类，同时用小规模向量模型做embedding召回；创意生成用文本生成模型；合规检测则用规则+小模型兜底，不让LLM成为唯一的判官。

这个架构跑了一段时间后，我们最大的感受是：大模型在系统里的定位应该是“中枢”而不是“包工头”。它负责理解、拆解、协调和生成候选，但具体到每个子任务，该用规则用规则，该用便宜的小模型就用小模型。这样既保住了生成质量，又控制住了成本和不确定性。

2.2 模块化：让“大模型”成为中台里的一个普通服务

现在很多文章喜欢强调“用大模型替代XX系统”，但在真实业务里，更稳妥的落地方式是把大模型嵌入到已有系统，而不是推翻重来。我们最终做的是一个叫“创意工厂”的内部服务，它向外只暴露三个接口：意图解析、创意生成、素材评价。投放后台、客服系统、运营后台都通过标准HTTP接口调用它，不关心背后是商业模型还是开源模型，也不关心模型版本什么时候升级。

模块化带来了两个显而易见的好处。一是故障隔离，大模型服务偶发超时不会拖垮整个投放链路，网关层有降级缓存，超时直接走历史最优素材兜底。二是模型迭代非常快，今天把文案生成的模型从7B换成14B，或者调整了温度参数，只要接口契约不变，业务方完全无感。我们每两周就能发一版模型，业务同学已经习惯每周五看到新的创意质量周报，团队协作上比原来“一个活动排期一个版本”要舒服太多。

2.3 基座模型选型，我踩过的最纠结的坎

基座模型的选择，我把内部吵了很久的结论分享一下，不一定适合所有团队，但提供了一个可复用的决策框架。我们的选择维度有四条：开源协议是否允许商用、中长文本和中文效果、部署成本、社区活跃度。一开始我们考虑过直接用API调用商业模型，但广告内容属于平台核心策略，素材库和用户标签必须留在内网，数据合规上不允许把原始素材传到外部服务，所以自建私有化推理成了唯一选项。

最终我们选了7B到14B规模的开源基座做主力，几台8卡推理机器就能扛住所有业务流量。跑下来的经验是：中文广告文案场景，7B模型在Prompt结构清晰、有充足Few-shot示例的情况下，已经能达到可用的上屏标准；但涉及长文案、复杂政策解释、多条件组合生成时，14B模型明显更稳。所以团队里实际上部署了大小两个模型，按请求类型分流，而不是拿着一个模型硬扛所有场景。这个“大小模型分治”的经验，后来省下了不少GPU成本。

实操心得：基座模型参数不是越大越好。广告文案任务的信息密度其实不高，7B模型一旦把Prompt写到位，效果和14B的差距远小于GPU成本差距。真正需要大参数的是长文本理解和复杂多条件约束场景。

3. 核心实现细节，每一环都有人踩过的坑和可复用的解法

下面进入硬核部分。我会按真实落地的顺序来讲：先做用户与语义理解，再做创意生成，然后做素材评价，最后是人群挖掘。这几个环节咬得很紧，跳过哪一个，整体效果都会大打折扣。

3.1 先把人群看懂了，文案才有意义：意图解析怎么做

广告文案要“千人千面”，前提是系统知道每个流量位上进来的人大概是什么意图。货拉拉的场景里，用户意图可以拆成三层：首要任务层（搬家、拉货、送货、买二手车、租车）、物品属性层（行李多不多、是否需要搬运、有没有易碎品）、决策敏感层（价格敏感还是时效敏感）。过去这些信息分布在用户的搜索词、APP浏览页面、历史订单里，零零散散，很难归纳。

我们用LLM做意图解析的方案是，把用户过去7天的行为日志转成文本序列，做成一个动态提示词模板。比如“该用户过去7天搜索了搬家价格、浏览了面包车车型介绍、收藏了一张10元优惠券，但未下单”，让模型输出一个JSON结构，包含任务类别、物品描述、价格敏感度、预计车型、推荐话术方向。这套方法的准确率实测在89%左右，相比原来基于关键词规则的用户分桶，覆盖率和准确率都有明显提升。更重要的是，你能为每个用户输出一段“用户情况说明”，投放同学看到后能立刻理解为什么这样定向。

这里要提醒一句：文本序列不能太长，超过上下文窗口后会丢失关键信息。我们实测下来，7天行为日志浓缩成400字以内的自然语言摘要，性价比最高。超出这个长度，信息增益微乎其微，反而推理时延涨得厉害。所以现在系统是先用规则和统计从原始日志里抽信号，再让LLM做语义归纳，而不是一股脑把所有原始行为喂给模型。

3.2 广告文案生成的提示词工程，不是“请写一句广告语”就完事

简简单单让大模型“写一句广告语”，它大概率会生成“货拉拉，拉货搬家快人一步”这种四平八稳的套话。我们真正可用的文案生成系统是一个完整的Few-shot流水线，包含四个部分：活动信息结构化输入、目标人群画像摘要、历史同场景优秀素材参考（从素材库RAG检索Top3）、以及输出格式约束。

下面是一个精简版的提示词模板，实际线上版本更长，但骨架就是这样的：

你是货拉拉平台资深营销文案专家。 活动背景：{活动名称}，优惠力度：{满减规则}，覆盖城市：{城市列表}。 目标用户：{用户画像摘要}。 用户核心顾虑：{意图解析输出的价格/时效/车型敏感点}。 参考历史优质素材： {来自素材库的Top3同场景文案} 请生成 5 条信息流广告标题，要求： 1. 每条不超过 20 个中文字符； 2. 必须包含明确的优惠信息或利益点； 3. 避免夸张表述，不使用“第一”“国家”“最”等极限词； 4. 语气真诚，优先解决 {用户核心顾虑}。 输出格式：JSON 数组，每个元素包含 title 和 explanation。

这里最关键的两个设计是：把“用户核心顾虑”单独拎出来，并用RAG召回历史优秀素材做参照。加上这两点之后，文案的CTR提升幅度明显高于单纯加大模型参数或者多跑几轮微调。原因也好理解，广告文案本质上是一个约束满足问题，你给模型的上下文里少了一个关键约束，它就只能靠自由发挥补全，而自由发挥的空间越大，踩中用户真实诉求的概率就越低。

还有一个细节容易被忽略：温度参数的设置。做创意生成时我们把温度调到了0.9到1.2之间，保证同一套输入能产生多样化的候选；但做结构化信息抽取和合规判断时，温度必须压到0.1以下，甚至用贪心解码。同一个模型，在不同子任务上要用不同的推理参数，这点务必写进工程配置里，不能一把梭。

3.3 多模态素材：文生图不是主菜，图片理解和标注才是

最早我们对外宣传的时候，也想过用文生图模型直接做广告封面，后来发现商品和物流场景对真实感要求太高，AI生成的车、金杯、司机面孔一旦出现畸变，用户会立刻产生不信任感。所以文生图做探索性的背景图可以，不能做主打素材。真正吃掉我们硬需求的是多模态理解模型：对历史素材图片做自动标签、识别图片上的文字、判断画面主色调和人物/车型，以及给短视频脚本配的封面图做质量打分。

这里有个特别实用的功能：广告图片上通常有促销文案，比如“首单一折”“满100减20”，这些文字往往被画在图片上，而不是放在文案栏里。以前这些促销信息跟结构化标签完全割裂，投放同学没法按促销力度去筛选图片素材。我们用一个OCR能力较强的多模态模型把这些图片里的文字抽出来，和活动库里的大促规则做匹配，自动纠正图片文字和线上配置是否一致。这个“图文一致性”校验上线之后，因为“图便宜点进来发现不是这价”导致的客诉量下降了明显一个档次，CTR的虚高水分也被挤掉了一部分。

3.4 人群包挖掘：用大模型的语义相似度，让老客召回和新客拓展一起动起来

广告投放里最粗放的玩法是拿历史高转化用户ID做人群包。问题在于人和人之间只有ID关系，没有语义关系，高转化人群再拓展时，只能按性别、地域这些粗标签去扩。我们用大模型做了一个语义化人群挖掘的能力：先把每一个历史高转化用户的画像摘要和消费偏好编码成向量，放进向量数据库，然后基于“这个用户为什么转化”的语义，去找同语义的潜在用户。

举个例子，高转化人群里有这样一类用户：住在老小区、家里有大型家具、搜索过“搬家公司价格”、对价格敏感且近期有多次收藏行为。我们不再是用“老小区+大型家具”这种标签去冷冰冰地扩，而是让大模型把这类用户总结成一段语义画像，再用embedding召回相似行为的用户，叠加在广告计划的定向条件里。实测下来，这轮lookalike扩展的定向人群包，整体转化率比传统人群包高出约15%，原因在于语义画像能连到更多“表面行为不同、底层诉求相同”的异质用户，而传统标签像粘在纸面上的贴纸，撕不下来也贴不上去。

3.5 合规与品牌安全：大模型不能当唯一的法官

营销广告内容合规是红线，极限词、虚假优惠、不实功效，任何一个都不能放过。大模型生成内容确实有创造力，但也确实会一本正经地输出违规文案。我们的做法是建一个多层质检系统：第一层是正则和敏感词规则库，专门拦极限词和价格违规；第二层是一个专门的合规小模型，做包含关系判断，比如“首单一折”是否真的和活动配置一致；第三层才是LLM做语义层面的合理性检查，例如“10kg的行李说成1吨重”这种规则库很难覆盖的数值幻觉。

这套多层质检上线后，我们的素材审过通过率从90.2%提升到98.5%，同时把人工复审的工作量降了七成。重要经验是：不要让大模型当那个“一票否决”的法官。LLM适合做召回可疑内容，不适合做最终放行。因为它输出概率不具备严格的统计学保证，在合规场景下你宁可靠确定性规则，也不能赌模型的稳定性。

4. 实操过程：从数据清洗到线上A/B的完整路径

这一节是给想在团队里复现同样项目的人看的。我尽量按时间顺序，把每一步做什么、怎么做、用什么工具比较省心写清楚。项目从立项到核心功能上线大概花了两个月，中间有两条线并行：一条是数据和模型评测线，一条是工程和业务集成线。

4.1 数据准备：没有标注团队的情况下，怎么构建训练和评测集

做这类项目最容易被卡住的就是没有标注数据。我们的目标不是做高精度专有模型，而是让通用模型在广告场景下更听话，所以不需要几十万条标注数据。具体拆成两个用途：一是评测集，二是微调集。评测集用了约1000条历史真实素材，每条素材指派两个方向体现“好素材”和“坏素材”；每次模型迭代后让新模型在这1000条上打分，和人工分数做相关度分析，用这个来代替漫无边际的在线A/B。

微调集是从历史高点击素材里蒸馏出来的，每条约200字，包含输入活动信息和输出优质标题。数据格式是标准的JSONL，字段包括：system提示词、用户输入、理想输出、以及一段“为什么这条素材好”的说明。最开始只有不到300条，但因为我们每次只做LoRA小步微调，300条高质量数据的效果已经比3000条人工编造的样本好得多。想让模型学会业务语境，质量永远大于数量。

{"system": "你是货拉拉平台资深营销文案专家。", "user": "活动：新人首单立减20元。目标用户：25-35岁城市白领，近期搜索过搬家。", "output": "搬家公司报价太乱？货拉拉新人首单立减20元，透明计价。", "rationale": "明确了价格敏感点，用‘透明计价’解决用户怕被宰的顾虑。"}

4.2 微调与对齐：LoRA小步快跑，别一上来就全参微调

我们的微调主要在开源基座上做。第一版用的是LoRA，rank设成32，训练两三个epoch就停。这里要解释一个为什么：广告文案任务的基座模型已经掌握了通用语言能力，我们不需要推翻重学，只需要让它更懂货拉拉式的表达。LoRA在低数据量下能明显降低过拟合风险——尤其当你的训练数据只有几百条时，全参微调一跑起来，模型没过几轮就开始复读训练集里的句子，LoRA因为冻结了基座参数，鲁棒性好得多。

微调完之后的评测也不能只看损失值。我们搞了一个“人工双盲打分+自动指标”的混合验证体系。自动指标用BLEU和重复率看表面质量，但真正的判断标准是一个五维人工打分：有效性、相关性、合规性、辨识度、信息密度。每个维度1到5分，找5个业务同学盲打，取均值。五维得分比单一CTR更能告诉我们模型的进步方向。这个评测体系直到现在还在用，已经积累了几万条打分样本，反过来又成为下一轮微调的监督信号。

4.3 部署与上线：GPU推理的不那么优雅但很管用的那些事

部署层面，我们用了主流的自建推理框架，具体点说就是vLLM那一套。为什么选它而不是直接用HuggingFace原生的transformers？因为广告素材生成有比较强的并发突发性，运营同学可能在每天上午10点集中批量生成素材，如果每次生成都启动一个推理进程，显存直接炸。vLLM的Continuous Batching机制能把并发请求尽量塞进同一个显存批次，实测8卡机器可以同时承载几十路生成请求，单条标题的平均生成时延控制在1.5秒以内，基本能做到运营同学“点一下，等一秒，出十条”的体验。

延迟优化上还有两个小技巧。第一是给短文本生成单独开一个小模型，比如7B，别让所有流量都挤到14B上。第二是结果缓存：同一次活动配置和同人群摘要，如果已经生成过一组候选，短时间内直接命中缓存，不需要重复推理。这两条加在一起，让我们的GPU成本比初版架构降低了大概三成。对于没有充足GPU预算的团队，先做缓存降级和大小模型分流，一定比纠结用哪个基座模型更省成本。

4.4 线上的A/B测试与指标复盘：别只盯着CTR看

我们把系统上线分成了三段灰度。第一段只灰度“文案生成”功能，在固定人群和固定广告计划里，用老素材作为对照组，用模型生成素材作为实验组，观察CTR、CVR、人工审核通过率。第二段灰度“人群包扩展”功能，因为人群定向变化本身会影响后续数据回流，我们把实验组人群范围放得更宽，对照组保持原定向。这两个功能分开测，避免混淆归因。

复盘时最重要的一点是：不要只用CTR评价素材好坏。CTR高，可能是标题党，也可能是“8.8元搬全城”这种看起来极度诱人但实际门槛很高的夸张信息，用户点进来了但后面的CVR和客诉数据一定不答应。我们后来建了一个综合指标，叫“有效点击率”，等于点击且落地页浏览超过3秒且产生下单意向的比例。这个指标把标题党和真实有效创意隔离开来。第一轮A/B跑下来，实验组的有效点击率比对照组高了22%，但CTR只高了6%。如果只盯着CTR，会觉得项目效果平平，实际上用户匹配质量已经有了质的变化。这给我们的启示是：大模型广告项目的ROI评估，一定要围绕业务真实闭环指标来建，不能拿着平台侧某个中间指标自嗨。

5. 常见问题与排查技巧：这些坑，基本每个团队都会踩一遍

项目做完以后，陆陆续续帮其他团队补习了很多相关知识，这里把问得最多、踩得最实的几类问题集中写下来，算是一份踩坑速查表。先放一张速查表，后面再展开讲各自的处理思路。

5.1 模型生成的内容同质化严重，翻来覆去都是“搬家实惠”“极速送达”

这是刚上线时被业务同学吐槽最多的问题。排查下来有两个原因：一是温度设低了，生成多样性不足；二是提示词里的参考素材太相似，RAG召回的Top3都是同款风格，模型被“锚定”住了。解决办法是调整采样参数的同时，给RAG召回加上多样性约束——比如要求召回的三条素材分别来自不同投放渠道、不同卖点方向、不同文案长度。如果已经在线上跑，还可以专门维护一个“风格黑名单”和“卖点轮换池”，强制模型绕开近几天的高频表达。

这里需要提醒的是，多样性不是越低越好。你要的是“同一用户群体下有差异的候选”，不是“不同人群之间风格打架”。我们后来在候选集生成阶段做了一次聚类过滤，先生成20条候选，再按卖点方向聚成5组，从每组挑一条Top，这样最终到运营手里的10条候选既覆盖不同角度，又不会过于跳脱。

5.2 模型一本正经地胡说八道，把“可以搬”写成“一定搬”

大模型的幻觉在营销场景里会被无限放大，尤其在涉及价格、重量、时效和车辆载重时。我们遇到过最离谱的一次，模型生成文案写“任何车辆均可搬运钢琴”，但实际平台上钢琴属于特殊物品，需要单独预约专业车辆，如果这条素材直接放出，后面的客诉和赔付大概率是逃不掉的。解决思路前面说过：合规层用规则和小模型兜底，生成层把关键数值改成动态插槽。现在所有涉及车型、价格、重量的描述，模型生成时一律输出占位符，比如“{车型}可搬运{件数}件标准纸箱”，由投放系统从真实配置中心取值填充，从源头上掐断数值幻觉。

这个方案的代价是文案的“灵动感”会弱一些，毕竟模型不能自由发挥数字了。但相比那点灵动感，业务确定性和信任度更重要。广告文案一旦涉及事实性承诺，宁可保守，不可放飞。

5.3 大模型服务不稳定，高峰期偶发超时，运营同学开喷

自建大模型服务最怕的就是并发尖峰。广告素材生成往往是运营同学一上班就集中操作，平时很稳，一到上午10点就超时。我们把超时分为两种处理：一种是生成类请求，超过2.5秒就直接级联降级，返回历史同场景素材，不让用户干等；另一种是意图解析类请求，走异步任务，先返回一个“处理中”状态，回头回调通知。后来我们也加了动态并发控制，把请求分级排队，重活走大模型的单独pool，轻活走小模型pool，彻底把互相影响的链路分开。稳定性的核心不是把单点做到99.99%，而是设计好降级路径，让最差情况也不至于把业务堵死。

5.4 业务方不认“大模型”三个字，只问“然后呢，数据涨了吗”

这是最容易被忽略但杀伤力最大的问题。很多算法同学冲进会场说“我们用大模型重构了营销链路”，换来的是业务方一个冷漠的“哦”。我们的经验是，对外汇报务必说人话，永远用业务指标开场：素材生产周期从3天缩短到0.5天、有效点击率提升22%、人工审核工作量下降70%。这些数字摆出来，业务方自然愿意继续投入。同时在系统里要把“大模型”藏在产品后面，业务同学不关心你用的是LLM还是规则，只关心能不能一键生成更好用的素材。这套“去AI化”的心法，实际上帮助项目在公司内部赢得了更多耐心和资源。

6. 一些没写进周报的体会

这个项目做到后面，我发现真正难的地方早就不是模型精度了，而是怎么让一个以人脑拍脑袋为主的营销团队，平稳迁移到“机器生成候选+人来决策”的工作方式。在推进过程中，我们像是给团队换了一台发动机，但驾驶习惯、仪表盘、甚至车身的螺丝都得跟着调。想让模型生成的素材被业务方真心采纳，最重要的不是把模型调得多么聪明，而是让业务方听懂“为什么这条文案会生成成这样”，并给他们足够方便的修改入口。

如果让我给后来者一句最实在的建议，那就是：先把你要解决的问题定义成一个“信息流转”问题，而不是“模型能力”问题。大模型在营销广告里的价值，不在于它能写出一句惊艳的话，而在于它能把用户反馈、优惠策略、素材表现这些原本散落在不同系统里的信息，低成本地汇聚到同一条流水线上。信息通了，转化率提升是水到渠成的事，哪怕你用的只是几个月前被讨论过无数次的Prompt工程和LoRA。

最后再分享一个小操作上的细节：上线这类系统，不要一上来就让模型全自动接管所有流量。先把它当成“副驾”，给运营同学提供候选和建议，观察他们的修改率、采纳率和一句一句的反馈。当业务方自己开始说“这破模型怎么把我改的文案也学会了”的时候，你才算是真正把大模型嵌进了业务里。