企业官网建设流程全解析

1. 为什么先拿营销广告场景试水大模型

货拉拉这个盘子，核心运力是司机，核心流量是用户，但真正让平台跑得转的，是供需两端的高效匹配。我在这边负责增长侧的技术工作，前两年一个很直观的感受是：预算没少花，但物料生产效率跟不上了。过去做一个广告投放活动，从运营提需求、文案写标题、设计出素材到审核上线，一个周期至少三到五天，碰上大促节点，需求堆积，文案组和设计组加班到凌晨是常态。而广告投放这行有个铁律——素材的时效性直接决定冷启动效果，晚一天上线，同样的预算可能就多烧出一倍的试错成本。

所以当大模型浪潮起来的时候，我们的第一个判断是：不用它去重构什么惊天动地的业务逻辑，先杀进营销广告这个“脏活累活”最多的场景。这个方向有两个天然优势：第一，营销物料是文本和图片密集型内容，恰好是大模型的看家本领；第二，效果可以量化——CTR、CVR、素材消耗速度、审核通过率，这些指标不会骗人。更重要的是，营销广告场景的容错率高，文案生成错了改一版就行，不会影响核心交易链路，非常适合作为大模型落地的第一块试验田。

这里要提前说明一下，下文所有技术细节和参数配置，都是我在实际项目中基于通用工程实践的沉淀，具体数值各家业务不同会有差异，但整体思路和踩坑路径是可以复用的。我们最终跑通的方案，覆盖了从文案生成、素材生产、人群策略到投放归因的完整闭环。

2. 广告物料的规模化生产，大模型解决的第一个痛点是“数量”而不是“质量”

广告投放最怕什么？最怕的是测试素材不够。信息流广告平台的推荐引擎是很残酷的，你给他 1 套素材，他就给你 1 次探索机会；你给他 100 套素材，他才能在大量探索中找到最适合目标人群的那几套。我们内部统计过，同一活动的素材数量从 5 套提升到 50 套，整体 CTR 可以提升 30% 以上——前提是这 50 套素材不是简单复制粘贴，而是有差异化的卖点和表达方式。

但人工生产 50 套素材的成本是不可接受的。我们的解法是把生产流程拆成三段：卖点抽取 → 文案生成 → 视觉渲染，每一段交给不同的模型和处理模块去做。

2.1 卖点抽取：从业务数据库中建立结构化的“广告知识库”

以前文案写卖点，靠的是翻需求文档、问运营、看历史素材，每个人的理解还不一样。我们做了一件事情：把货拉拉平台的历史投放物料、用户评价文本、司机端服务数据、活动规则文档全部捞出来，用大模型做了一次系统性的知识抽取。比如“24 小时响应”这个卖点，可以关联到“夜里搬家没人接单”“周末叫车秒接”这些用户原声，也可以关联到后台真实的响应时长分布数据。

这个抽取过程用的是经典的 prompt 工程加结构化输出：让模型阅读一段文档或用户评论，输出固定 schema 的 JSON，包含卖点主体、适用场景、情绪标签、话术风格等字段。跑完之后经过一轮人工抽检和清洗，就形成了一个结构化的广告知识库。后续所有的文案生成、素材制作都从这个库里调取卖点，保证了内容不飘、不脱离货拉拉的实际情况。

2.2 文案生成：用“卖点 + 场景 + 风格”三要素做可控生成

有了知识库，文案生成就顺理成章了。我们的生成框架不是简单地丢给大模型一句“帮我写 10 条拉货广告文案”，而是把生成的约束拆成了三个维度：

• 卖点维度：指定使用哪些卖点，比如“随叫随到”“明码标价”“车型丰富”
• 场景维度：指定目标用户的场景，比如“搬家”“货运”“商户补货”
• 风格维度：指定文案的语感和形式，比如“悬疑体”“口语化”“利益点前置”

这背后的逻辑是：大模型对内容风格的控制力已经很强了，但对业务事实的控制力很弱。如果我们不约束卖点，它会生成一堆“品质卓越”“服务一流”的废话——这对品牌宣传可以，对效果广告是灾难。效果广告需要的是具体、可信、有行动指令的内容。

实际操作中，我们用的是 prompt 模板加少量 few-shot 示例的方式，底层模型是开源的中英文基座模型做了指令微调。一个批次可以生成 200 条候选文案，经过一个基于规则的预筛（查重、字数限制、敏感词过滤），再配合一个打分模型做质量排序，最后人工选出一批进入素材制作环节。整套流程下来，一个运营配置好卖点和场景，20 分钟可以得到 50 条可用的差异化文案，而以前这个流程需要文案组干一天。

2.3 视觉渲染：文生图是“可用但不可控”，真正落地靠的是模板合成

最开始我们天真地想用文生图模型直接生成投放素材的底图，试了十几款开源模型之后发现一个很现实的问题：文生图的画面质量和业务相关性是两个维度的东西。模型能生成一个很漂亮的搬家场景，但货车上的 logo 是错的、车身的颜色不是货拉拉的品牌色、画面里的电话号码是乱码。这在品牌广告里是不可接受的。

所以我们的视觉方案改成了“文生图出元素，模板系统出成品”：用文生图模型生成纯背景素材（比如不同场景的插画风背景、不同情绪的人物剪影），然后由前端模板引擎把文案、按钮、logo、活动信息等确定性元素合成上去。这样既保持了素材的多样性和审美水准，又保证了品牌元素的准确性和信息结构的稳定性。这条路径我建议所有做营销素材自动化的团队都考虑一下——纯文生图直接出图，至少在效果广告这个领域，还不成熟。

3. 投放人群策略，大模型不是用来“算命”，而是用来做语义级别的用户分层

素材问题解决了，下一个核心问题是：这些素材投给谁？传统做法有两种：一种是基于规则的人群包，比如按城市、按注册时长、按历史订单金额圈人；另一种是基于行为特征的推荐模型，找高转化概率的用户。这两种做法各有一个盲区：规则圈人太粗，容易把“最近一个月叫过 3 次车的高频用户”和“半年才叫过一次的沉默用户”圈进同一个包；行为推荐太依赖历史数据，冷启动用户和跨场景用户基本无力。

大模型在这里能派上用场的地方很独特——它可以把用户的行为序列“翻译”成语义画像。我们做了一件事：把一个用户最近 60 天的核心行为（定位变化、订单时间、车型选择、支付方式、访问时段）拼成一段伪自然语言，比如“用户坐标从 A 区移动到 B 区，深夜 11 点下单小面车型，选择线下支付，次日再次访问但未下单”，然后让大模型从这段描述里抽取用户的场景意图标签。

3.1 场景意图标签替代传统人群包

这个思路的价值在于，它把用户从一个静态的“属性集合”变成了一个动态的“意图序列”。比如一个用户从没下过单，但他连续三天深夜浏览搬家相关的车型介绍页，传统模型很难判断他要不要转化，但语义级画像可以打出“潜在搬家需求”的标签，进而匹配对应的素材和出价策略。

这套标签体系上线之后，我们做了一个对比实验：同一个活动，一组用传统规则人群包，一组用大模型语义人群包，预算相同，跑一周。结果语义人群包的 CTR 提升了 18%，CVR 提升了 11%，单用户获取成本下降了约 15%。这组数据在项目汇报中非常关键——它不是模型自说自话的“看起来很准”，而是真实投放指标验证过的提升。

3.2 投放文案与人群的匹配不再靠拍脑袋

人群分了层，文案还得能对上。我们做了一个文案标签和人群标签的匹配层：每条文案在生成的时候就自动带上了场景标签（搬家、货运、家电、建材等），投放系统直接把对应标签的文案展示给对应意图的人群。这个看似很简单的映射，实际上把以前“一个活动一套话术打天下”的模式彻底改掉了。现在一个活动下面有上百条文案，系统根据实时人群特征动态调配展示策略。这个机制我们内部叫“素材 × 人群的语义联调”，也是整个项目里性价比最高的一个模块。

4. 效果归因与模型迭代，投放数据闭环是大模型落地成败的关键

模型生成文案、素材、人群策略，最终这一切都要回到投放数据里验证。很多时候我们看一些公司的 AI 赋能案例，讲了一堆模型多聪明、生成多高效，一问他怎么衡量效果，就哑火了。我们没有回避这个问题，直接做了一个归因链路：每条生成的文案、每张生成的素材都带唯一 ID，投放系统回传曝光、点击、转化数据，后端实时归因到这个素材和文案的“生产参数”上。

4.1 用回收数据反过来纠正生成策略

这一步是真正让系统“越用越聪明”的关键。比如我们发现某类风格文案（比如“悬念体”）CTR 很高但 CVR 很低，说明这类文案吸引点击的能力强但带来了不精准的流量；而“直白利益点前置”风格的文案 CVR 高但 CTR 稳定。我们把这两类表现差异作为标注数据，反馈到文案打分模型的训练集里，每两周迭代一次，让打分模型越来越清楚“货拉拉的目标用户到底会被什么话术打动”。这里需要强调一句：大模型生成的内容，如果接入不了投放归因数据，就永远只能是“看起来很智能的玩具”。我们代码库里最核心的模块，不是调用大模型的 prompt 封装，而是那张把文案 ID、素材 ID、投放计划 ID、转化数据关联起来的归因表。

4.2 效果指标的度量口径不能照搬行业标准

做归因的过程中有个很容易踩的坑：直接套用行业标准的广告效果指标，比如只看 CTR 和 CVR。但货拉拉的业务有自己的特殊性——用户从看到广告到完成下单，中间可能有几天甚至几周的决策周期（比如搬家这种低频需求，用户可能先收藏以后再约）。如果只看 24 小时内的转化，会严重低估素材的真实价值，也会误导生成策略的迭代方向。

我们调整后的归因口径是：单一素材的曝光后 7 日内下单率、加购率、以及首次访问到下单的时长分布。这几个指标构成了一个“长周期效果视图”，也让我们在迭代模型的时候不被短时波动带偏。这一点说出来可能不觉得多高深，但实际做的时候，你会发现团队内部所有关于“这个素材好不好”的争论，最后都会归结到指标口径上。口径定义清楚，争论就少了一半。

4.3 数据回流中的隐私合规与脱敏处理

既然涉及用户行为数据的归因，必须提一下合规边界。我们做语义画像用的行为数据，全部是脱敏后的聚合特征（比如“深夜访问”“跨城区移动”），不涉及任何个人身份信息和通信内容。数据流转链路也做了严格的权限隔离，模型训练和推理环境中没有原始用户 ID，只保留加密后的匿名标识。这块虽然没有技术含量，但它决定了一个项目能不能长期跑下去。合规是底线，这一点我在所有内部分享里都会提醒。

5. 大模型工程化落地中的几个关键选型和避坑记录

写到这里，我觉得有必要把工程落地层面的具体选型和踩坑记录单独列出来。这些经验不是看论文能得到的，都是真金白银堆出来的。

5.1 模型选型：基座模型 + 指令微调，而不是上来就折腾预训练

团队里一开始有人提议自己从零预训练一个模型，我当时直接否决了。原因不复杂：营销广告场景需要的是对业务语义的理解和遵循指令的能力，而不是生成全新知识的能力。预训练的成本（数据、算力、时间）和收益完全不成正比。我们最终选了基于开源基座模型做指令微调的路线，训练数据是从历史优质素材中整理的数万条“输入输出对”，每次微调成本控制在几小时内，整个项目期的模型版本迭代超过 30 次。

5.2 部署方案：私有化部署 + 量化压缩

出于数据安全考虑，我们没有调用公网的大模型 API，而是私有化部署。这里有一个部署细节想分享：推理阶段的量化精度对生成质量的影响，远小于数据质量和 prompt 质量的影响。我们的文案生成模型从 FP16 量化到 INT8 后，人工盲评的文案质量分只下降了约 3%，但推理成本降低了接近一半。对于生成类任务，我真的建议先从量化开始优化成本，别一上来就堆多张显卡。

5.3 推理性能优化：响应时间和并发决定了产品形态

投放系统调用文案生成的场景很特殊：有些是离线批量生成（一天跑一次，生成几百条备选），有些是在线实时生成（用户触发特定场景，需要秒级返回）。前者对性能要求不高，后者对延迟极其敏感。我们做了两个优化：第一，在线实时生成的场景里，模型蒸馏成一个小参数版本，专门负责少数几种固定格式的文案生成，延迟控制在 200 毫秒以内；第二，大量使用语义缓存——用户看到的 90% 的文案其实是从历史生成结果里直接复用，真正需要实时推理的只有一小部分冷启动场景。

5.4 提示词攻击与内容安全审核环节

营销素材是要过审的。不管是平台内部的审核系统还是外部广告平台的审核机制，对虚假宣传、绝对化用语、诱导性内容都极其敏感。我们的文案生成 pipeline 里专门加了两道防线：第一道是大模型自身的系统提示约束，明确告知模型“不能使用夸张承诺，不能使用‘最’、‘第一’等极限用词”；第二道是独立的审核模型做二次过滤，一旦发现疑似违规内容直接拦截。实际跑下来，这套双重审核的拦截率约 99.2%，剩余不到 1% 的情况靠人工抽检兜底。另外还要防止用户或恶意竞对通过构造特殊输入来诱导模型生成违规内容，所以所有外部输入都要做一轮基础清洗。

6. 反直觉的经验：大模型项目失败的原因往往不在模型

项目做到后期，我们复盘了几条很有价值的经验，写在这里给准备入场的团队参考。

6.1 团队配置里必须有一个“离业务最近的人”

我们团队刚开始的时候全是算法工程师，大家把模型调得挺热闹，但生成出来的文案总有股“大模型味”——听起来通顺、逻辑完整，就是不像一个真正懂货拉拉的运营会写的文案。后来我们招了一个做过三年投放运营的同学加入，她给模型标注数据、挑错、纠正风格方向，整个生成质量上了一个台阶。大模型落地的关键是找到那个能把业务直觉翻译成模型需求的人，这个角色比任何一个算法岗位都重要。

6.2 效果不稳定不是模型的问题，往往是输入规范没定好

早期我们的生成效果时好时坏，一度怀疑是模型收敛问题，后来一查才发现是运营在配置卖点的时候写法千奇百怪——“随叫随到”和“随约随到”被当成两个卖点；“价格实惠”和“价格便宜”被当成同一个卖点。我们后来做了一个卖点配置的规范校验层：运营在系统里只能从知识库里选标签，不能自由输入。这个改动让生成效果的稳定性提升了一大截，也说明了一个道理：大模型的下游效果，上限由 prompt 和输入数据决定，模型只是把上限逼近而已。

6.3 别低估“评估标注”的工作量

很多团队跑通 demo 之后就卡住了，因为不知道该怎么衡量生成结果好不好。我们早期也踩过坑——让运营每天人工看一眼生成结果，凭感觉打个分，后来发现打分支离破碎，今天觉得好的明天觉得不行。最终我们自建了一套评估标注系统：每周随机抽 100 条生成文案，由三名标注员分别从“相关性、吸引力、合规性、风格一致性”四个维度打 1 到 5 分，再用平均分作为模型迭代的验收指标。过程很朴素，效果很扎实。

7. 从营销广告出发，大模型还能往哪些业务线延伸

营销广告这一仗打完，我们内部总结出了一个可复用的方法论：先梳理业务场景里有哪些内容是重复生产的，再把重复生产过程拆解成“可枚举的输入变量 + 固定输出格式”，最后用大模型来拟合这个映射关系。

顺着这个思路，货拉拉内部的几个方向都已经被验证可行。

第一个是智能客服应答辅助。平台每天有大量司机和用户的咨询，很多问题是重复且标准化的。我们用类似的方法，把历史优质客服会话整理成指令数据集，做了一个客服应答建议模型。客服人员只需要选择用户的问题类型，系统会推荐回答要点和标准话术，省去了大量翻阅知识库的时间。这个方向比广告素材更容易落地，因为客服会话有极强的模式和答案边界。

第二个是司机侧经营报告生成。以前给司机推送的月度数据总结都是固定模板，数字填进去就行，阅读率很低。我们现在用大模型把司机的接单行为数据翻译成自然语言的“经营报告”，比如“您本月的接单时长环比提升 15%，但夜间订单占比偏低，建议关注晚间高峰时段”。这种生成式反馈对司机的引导作用比冷冰冰的数字表强得多。

第三个是商户侧的商品卖点提炼。货拉拉有很多商户型用户，他们的商品需要在平台内展示和推广。大模型可以从商户上传的商品图片和简单描述中，自动提炼卖点、生成推荐语和推广文案。这也是广告场景的自然延伸，底层复用我们已建好的知识库和生成框架。

这些方向不需要重新发明技术，只需要把营销广告场景沉淀下来的工程框架复制过去：数据抽取建立领域知识库 → 指令微调适配输出格式 → 归因闭环验证效果。团队协作和基础设施都可以复用。这一点我觉得可能是做这类项目最有价值的隐性收益——场景会换，但工程框架是通用的。

最后再说一个我的体会：做这种大模型落地项目，定方向的时候不要被“AI 驱动一切”的幻想冲昏头脑，也不要被“模型一定会产生幻觉所以不可用”的悲观拖住后腿。把业务场景拆细，把数据闭环走通，把预期效果量化成指标，剩下的交给时间里的一次次迭代就够了。货拉拉的营销广告只是一个开始，但这条路的方向已经被验证过了——大模型在产业场景里的价值，确实是从最不起眼的重复劳动里挖出来的。