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。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。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。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。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。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。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模块主要职责典型 AI 技术数据接入收集曝光、点击、转化、用户行为日志消息队列、流式处理特征平台加工用户画像、内容标签、上下文特征特征工程、Embedding召回系统从海量广告中找候选向量检索、多路召回排序模型预估点击率/转化率LR、GBDT、DeepFM出价策略在预算约束下优化投放效果强化学习、PID控制创意生产生成/优化广告文案和素材语言模型、图像生成归因分析把转化归到正确的广告触点规则归因、Shapley值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CTRClick-Through Rate点击率是“广告展示后被点击的概率”。CVRConversion 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 ESMMEntire 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 tensorflowtransformers 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_size0.2, random_state42, stratifyy )注意这里使用了stratifyy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_iter1000, random_state42) 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(fLogistic Regression AUC: {auc:.4f}) print(fAccuracy: {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_iter100, random_state42) 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(fHistGradientBoosting 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(host0.0.0.0, port8000)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_tensorspt) output model.generate( inputs.input_ids, max_new_tokens50, do_sampleTrue, temperature0.8, top_p0.9 ) generated_text tokenizer.decode(output[0], skip_special_tokensTrue) 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_tensorspt) output model.generate( inputs.input_ids, max_new_tokens80, do_sampleTrue, temperature0.7, top_p0.9 ) return tokenizer.decode(output[0], skip_special_tokensTrue) 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_budget7.3 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_budget500, base_bid30) 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标签是否有噪声比如把“误点”也算作正样本。特征是否泄漏训练集中的特征是否包含了未来信息。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问题现象可能原因排查方式解决方案CTR 模型 AUC 接近 0.5特征与标签无关或标签噪声大查看特征的分布和相关性检查正样本定义重新做特征工程清洗标签模型训练时特征维度爆炸对高基数离散特征直接 one-hot查看特征列数量和内存占用改用 embedding 或 hash 技巧线上预测耗时太高模型复杂或特征拼接过于耗时压测接口 p99 延迟模型剪枝、特征缓存、使用模型服务框架创意生成文案包含违规词prompt 约束不足检查生成输出中的具体词增加违规词过滤和白名单提示出价策略导致预算过早花完动态系数下降太慢查看分时消耗曲线提高降价幅度增加实时消耗监控AB 测试效果不一致分流不均匀或假设检验时间不足检查分组样本量计算置信区间使用 AA 测试预检验延长实验周期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。