做营销广告的人应该都有同感渠道侧对创意素材的消耗速度早就跑赢了创意团队的生产速度。在我们尝试把大模型用在货拉拉的营销广告场景之前这个问题在公司内部尤其刺眼——货主端和司机端是两套完全不同的用户体系货运、搬家、拉货这些细分场景又各有各的表达逻辑同一个卖点换个城市、换个品类文案基本就得重写。人工不是写不出来而是写不出那么多、那么快更别说每一条都得过合规、不重复、还能在广告平台跑得动量。这篇复盘记录了我们从场景梳理、技术选型到数据生产、模型微调、线上A/B测试的完整路径也把踩过的坑原原本本列了出来。适合正在做营销素材自动化、广告内容生成或者想在大模型落地上找一个高价值切入口的团队参考。没有太多玄乎的架构都是实打实跑过的东西。1. 货拉拉的营销广告究竟卡在哪一环1.1 两端用户、三种触点要求根本不一样货拉拉的营销对象天然分成两块一边是货主/用户需要搬家、拉货、同城配送决策偏理性关心价格、时效、车型靠不靠谱另一边是司机要靠平台接单赚钱关心的核心是单量、收入、提现规则、油卡这类实用权益。这两拨人的语言体系完全不同给用户写一键搬家省心省力的文案放到司机群体里就完全失灵给司机写多接单多赚钱的话术对用户又毫无吸引力。触点也不一样。应用商店、信息流广告这种投放素材要求前3个字就能抓住眼球短信和push这种触达场景对字数、语气、紧迫感的要求又不同还有线下车贴、电梯物料这类偏品牌向的内容需要更稳重、更长期的表达。同一个活动三套触点、两拨人群排列组合下来就是六种基础模板再叠加城市、品类、时段差异素材矩阵直接拉到几十上百个格子。1.2 素材衰退和产能瓶颈是两道死题做过投放的人都知道素材衰退这个词。一条创意上线后曝光量一上来点击率会肉眼可见地往下掉平台给的推荐流量也会收缩。要维持跑量必须持续补充新创意。更现实的是信息流渠道上传素材时往往要求一次提交多组标题和封面做组合测试大促节点全国几十个业务线同时上活动一个运营手里可能同时压着十几套素材需求。我们当时算过一笔账创意同学全职投入一个人一个工作日稳定产出大约十到二十条文案已经是极限。可大促期间单条业务线一天就需要几十条候选整个盘子翻了十倍不止。靠现有团队加班加点只能保重点业务其余活动全部用历史模板顶上效果自然好不了。1.3 之前的自动化方案为什么不够用其实早在大模型之前我们也不是没想过自动化。规则模板、同义替换、关键词组合这些传统NLG手段都试过。核心问题在于它们只能做排列组合不能理解卖点和人群之间的真实关系。比如便宜这个词对价格敏感的用户是核心卖点对注重时效的用户反而是次要信息同一个意思在不同业务线里表达强度、措辞分寸都不一样规则很难穷举这些微妙差异。更麻烦的是规则模板生成的东西大家一眼就能看出这是套路的。用户对模板化文案的免疫力越来越强点击率一路走低。我们需要的不是随机替换几个词而是真正理解业务约束、重新组织语言的生成能力。这也就是为什么最终选择走向大模型这条路。2. 场景选择逻辑先给大模型划定边界再谈应用2.1 一张场景地图决定了先做什么立项的时候团队内部先做了一次完整的场景盘点把所有营销广告环节里可能用到AI的位置都列了出来再按业务价值、技术可行性、人工兜底成本、数据基础四个维度打分。当时列的候选场景大概有这些场景业务价值AI适合度需要人工兜底我们的优先级广告文案/标题生成高高中第一批落地素材创意图片/视频脚本高中高第二批探索用户定向与出价建议高低极高暂缓只做辅助洞察投放复盘总结中高低第一批落地营销客服答疑中高中并行试点这个表的核心作用不是证明大模型能干什么而是反过来划清楚哪些地方我们暂时不碰。事实证明这个边界划得越早后面推进越顺。2.2 为什么内容生产优先级最高理由其实很朴素内容生产是生成式任务天然适合大模型发挥而且生成结果要上线必须经过广告平台审核和运营确认等于自带一个人工兜底环节。就算AI写出来不及格损失的最大成本也不过是运营多改两稿不会直接影响预算消耗和模型预测权。另一个优势是反馈链路短。一条文案投下去三天之内就能看到点击率、转化率的变化效果好就纳入训练集、效果差就扔掉迭代闭环特别清楚。相比之下定向和出价这类决策任务要看到结果往往需要完整的转化归因周期中间变量又多很难判断是模型的问题还是流量环境的问题。2.3 决策类场景为什么先不做定向、出价、预算分配这些环节本质上是拿真金白银做决策牵涉到一个责任边界问题模型建议错了谁来承担这类场景对可解释性要求极高业务同学如果不知道为什么系统给出某个出价根本不敢采纳。大模型目前的输出机制基本是概率生成即便让它输出理由也可能是事后编造的解释这对决策场景是致命的。所以我们的策略是大模型先做参谋不做决策者。投放复盘总结、人群洞察分析这类辅助工作可以先上真正动预算的决策继续用原有机制等模型能力和业务信任度都积累够了再谈下一步。3. 底座、微调与上下文广告文案生成的技术底座怎么搭3.1 底座模型选择能控、能训、能推理底座选型我们主要看三个维度数据安全可控性、中文表达能力和推理部署成本。货拉拉的用户数据和业务活动数据属于核心资产营销素材又经常涉及价格、优惠、城市等敏感信息直接调外部API在早期阶段不合适。因此我们把主力压在开源底座上以7B到14B量级为主中文能力经过内部测试确认达标后再进入流程闭源API则保留了一套评测通道用于验证效果天花板但没有纳入正式生产链路。7B到14B这个区间是我们权衡之后的选择。更小的模型在长文案和复杂指令上容易丢信息更大的模型虽然效果更好但推理成本和延迟在广告场景下不太划算。营销文案的单条生成不像实时对话那样追求毫秒级响应但也扛不住一次生成几十秒。实测下来量化后的7B-14B模型配合GPU推理服务单条文案生成时间控制在秒级以内成本完全在可接受范围。3.2 微调路线用几千条好文案教会模型像人话底座模型直接用效果已经很不错但离能用还差一段距离。通用模型写出来的文案总带着一股四平八稳的稿子味缺乏广告该有的钩子感而且对货拉拉的业务术语理解不深比如起步价拼车微面中面这些行业词它经常用错。我们走的路线是LoRA/QLoRA微调没有做全参数微调。原因很简单全参微调成本高、周期长而且极容易让模型忘掉原有能力后续想换底座模型重训一遍代价太大。LoRA相当于在底座模型旁边加了一条业务知识旁路训练参数量不到整体的百分之一单卡就能跑版本迭代也非常轻量。数据准备是这里最花时间的环节。我们从历史投放数据里捞出了点击率表现好的文案再叠加上运营和创意同学手工整理的高质量案例清洗掉硬广痕迹太重、合规有问题的样本最终凑出两万条左右的高质量指令数据。每一条都是JSONL格式{instruction: 请为【深圳】搬家业务写5条信息流广告文案目标用户是20-35岁上班族核心卖点价格透明、师傅准时、车辆充足。要求每条不超过25字突出省心。, output: 深圳搬家不用愁一口价透明无套路准时上门现在下单还能锁定今日师傅。}训练参数我直接给一个可复现的参考值LoRA rank设64alpha设128dropout设0.05学习率2e-4训练3个epoch。数据集里故意混入了一批被广告平台拒审的负样本让模型学会避开最高级第一保证这类敏感词。训练框架用的开源工具量化精度4bit一张A100或者两张4090都能跑完。3.3 上下文工程活动规则和用户画像该走哪条路模型微调好之后还有一个关键问题怎么把实时变化的业务信息传进去。活动规则、优惠金额、城市范围这些信息每周都在变不可能每次都微调模型。我们用了RAG加结构化注入的混合方案。具体来说活动规则、商品库存、运力信息这类事实性内容会先经过检索把相关文档切片后拼接到上下文里模型根据检索结果生成从源头避免瞎编。但这里有个很容易踩的坑广告文案生成不能做成纯RAG模式。创意写作是需要发散的如果检索结果把模型框得太死生成出来的候选全是同一个模板的微调多样性会差到没法用。我们的做法是分层事实性内容用检索和结构化字段严格约束比如优惠金额、活动时间、适用城市直接以键值对的形式注入模型不允许自由发挥但表达形式、切入角度、语气风格这些创意空间完全交给模型自由探索。这样既保证了合规准确又留足了创意空间属于提示词工程里最值得琢磨的部分。4. 从需求到上线一条广告文案的完整生产链路4.1 运营端的入口长什么样整套系统落在内部营销中台上运营同学不需要懂任何模型知识。入口是一个生成表单字段包括业务线、活动名称、目标城市、目标人群、核心卖点、字数限制、语气风格、需要生成的条数。系统拿到这些输入之后会自动完成用户画像特征的拼接、活动规则的检索以及最新合规词表的加载最后组装成prompt发送给推理服务。这里特别强调一下画像特征的接入。广告文案不能脱离人群空谈同一个搬家卖点对独居租房的年轻人要强调省心不用自己搬对家庭用户要强调大件也能搬、价格透明对个体商户要强调速度快不耽误营业。这些画像判断不是让模型自己猜的而是由系统从用户分群数据里拉取作为结构化字段直接写进prompt。4.2 Prompt设计把约束全部显式化Prompt设计是整个链路里迭代最多次的部分。早期版本的prompt只有一个笼统要求写得好一点结果模型输出的东西五花八门有的像新闻通稿有的像小说开头完全没法用。后来我们把所有约束全部显式化稳定成下面这种结构你是货拉拉资深营销文案专家熟悉同城货运、搬家、拉货等业务场景。 【活动信息】 活动名称新用户搬家立减券 适用城市深圳、广州 优惠内容首单立减30元需绑定支付方式 活动时间6月1日-6月30日 【目标人群】 22-30岁一线城市租房的上班族搬家频率较高注重价格透明和省心服务 【核心卖点】 1. 价格透明无隐形收费 2. 师傅准时上门时间可预约 3. 车辆充足小型搬家当天约当天到 【生成要求】 1. 生成5条信息流广告文案每条不超过25个字 2. 前8个字必须包含吸引点可以使用问句、数字、对比 3. 禁止出现最第一保证等极限词 4. 禁止编造活动信息优惠金额只能使用【活动信息】中的内容 5. 每条文案风格可以有差异直接利益型、场景共鸣型、效率优先型各占一定比例 6. 直接输出文案列表不要解释过程 【输出格式】 [ 文案1, 文案2, 文案3 ]这个结构看起来不复杂但每一行都有讲究。禁止编造活动信息配合结构化字段是为了治幻觉风格可以有差异是为了解决多样性输出JSON列表是为了下游可以直接解析不需要再让运营手工整理。prompt里所有规范都必须可被程序校验否则就相当于没写。4.3 生成采样、后处理与人工抽检推理阶段我们会同时发起多个并行请求每个请求用不同的采样参数让模型在同一个prompt下产出多组候选。temperature一般设置在0.85到0.95之间top_p设为0.9这样既不会太保守导致所有候选几乎一样也不会太发散导致文案偏离业务主题。一次生成大概产出八到十条候选进入后处理管道。后处理是整个链路里最容易被低估的部分。流程大致是先做长度校验和格式检查不符合要求的直接丢弃再做违禁词和敏感词扫描除了通用广告法词表还接了货拉拉业务侧的定制词表最后用本地embedding模型计算候选之间的语义相似度相似度过高的只保留一条防止运营拿到视觉上不同、语义上一模一样的假多样性。经过这三道关卡最后剩下的候选才有资格推给运营人工确认。人工抽检的比例按风险动态调整。普通文案抽检三成涉及价格、优惠、活动时间等敏感信息的必须全量确认。这个环节我们没有尝试完全去掉人工因为广告合规的责任最终得有人来扛模型只能把需要人看的东西尽量压缩到最精炼的层面。4.4 线上数据回流形成闭环生产链路跑通之后最重要的一件事是把数据接回来。凡是AI生成的素材上线时都会打上特殊标记系统每天自动拉取点击率、转化率、完单率数据和同计划下的人工素材做对比。每周汇总一次表现好的AI素材会被重新清洗、标注进入下一轮微调数据集表现差的则拆解原因看是文案问题还是产品匹配问题。这个闭环跑起来之后模型的能力不是靠一次微调固定的而是随着业务数据不断进化。我们现在大概每个月做一次增量微调每次只加入近一个月的新增优质样本训练量不大但效果提升非常稳定。5. 效果评估与回流点击率不是唯一KPI5.1 离线先过三关相关性、合规、多样性模型上线之前先得过离线评测这一关。当时我们内部建了一个评测集从真实业务中抽了几百条任务覆盖不同业务线、不同人群、不同字数要求。评测维度定成三观相关性——文案有没有围绕给定的卖点合规性——有没有敏感词、编造信息、极限词多样性——同一批候选之间有没有重复套路。过程中我们试过很多自动指标比如BLEU、ROUGE但很快发现它们不适合创意文案场景。文案只要换一个表达方式字面重叠度就很低但语义完全没变反过来说有些候选跟参考文案字面很像实际上却是个不合规的低质改写。所以最终的离线评测以人工打分为主自动指标只做初筛。内部标注员按1到5分打四个维度全部达到4分以上才允许进在线测试。5.2 在线指标短期点击和长期转化都不能丢在线A/B测试我们搭在广告投放平台上同一个业务线、同一批用户随机分配AI素材和老素材观察同一个投放周期内的表现。核心指标包括点击率、次留转化率、下单转化率、完单率以及一个容易被忽视的负向指标投诉率和退订率。货运和搬家都是低频消费场景用户可能这一次看完不点但两周后要搬家时又搜到同一个品牌。如果只看点击率做即时决策很容易把一些品牌调性强、但短期点击一般的文案误杀。所以我们给不同业务线设置了不同的评估周期短决策链路的业务可以只看三天数据长决策链路至少观察两周。从实际结果看不同业务线的提升幅度差异很大。有一类业务线效果特别明显决策周期短、用户价格敏感、文案竞争激烈——AI生成的素材在点击率上相对人工素材有稳定提升但偏品牌向、调性向的业务线提升就没有那么显著甚至有的打平。这个结果本身也很有价值它告诉我们大模型更适合解决量和快的问题短期内解决不了质的上限。5.3 产能效率是另一个隐藏KPI除了投放效果产能提升是这套系统最直接的收益。原来创意同学写一条合格文案从构思到过审平均要十几分钟现在AI先生成候选运营做一些微调就能提交单条素材的制作时间压缩到原来的三分之一以下。更关键的是素材采纳率——运营真正愿意拿去投放的比例从最初的百分之三十几提升到接近六成意味着系统的产出越来越贴近真实需求。我们内部还有个有意思的指标叫有效刺激率AI生成的高分候选里有多少比例是运营自己完全没想到的角度。这个指标不需要很大哪怕十个候选里有一个角度让人眼前一亮这套系统的价值就已经回本了。因为创意行业最贵的就是开脑洞AI可以把这个成本压到接近于零。6. 实测踩坑清单幻觉、同质化、成本失控6.1 幻觉问题模型真的会编造优惠上线初期遇到的最大问题就是幻觉。模型在生成文案时经常把优惠金额写错明明活动里是满100减20它写出来变成首单立减50更有甚者直接编出一个活动完全没提过的权益比如赠送事故无忧险。这种文案一旦投出去用户进来发现不是这么回事投诉是小事品牌信誉损失才是大事。根因在于底座模型在预训练阶段见过大量电商促销语料形成了促销文案就该有优惠信息的统计惯性只要上下文里出现价格、立减这类词它就会本能地往里填数字。只靠prompt里写不要编造根本拦不住。最后的解决方案是双层保险第一层所有涉钱、涉权益、涉时间的字段一律不允许模型自由生成而是由系统用占位符比如【优惠金额】代替生成完成后统一替换成活动配置里的真实值第二层加一道强校验扫描如果最终文案里出现了不在白名单里的金额数字整条直接打回重写。这套机制跑通之后因为幻觉导致的合规事故基本清零了。6.2 同质化问题文案越来越AI腔另一个高频问题是同质化。微调之后模型生成文案的质量是提升了但运营反馈看起来十条里有八条味道一样。我们排查了一圈问题出在三个地方训练集里的优质文案本身就集中在少数几种写法上模型学偏了推理时temperature设置偏低多样性不够后处理的语义去重阈值设得太高把看起来不同、语义近似的候选全留下了。解法也是三管齐下训练集里增加了风格维度的标注强制不同风格的样本在数据里的配比均衡推理时并行请求的不同节点使用差异化采样参数一部分偏保守、一部分偏发散语义去重的阈值从0.85降到0.95左右宁可多留一些语义相近但文字差异明显的候选让运营做最后判断。调整完之后运营反馈能选出不同感觉的素材了。6.3 成本与延迟失控风险成本控制是另一个必须提前算清楚的账。初期我们只用了7B模型直接生成高峰期几十路并发同时打过来推理服务CPU和GPU都顶不住延迟直接拉到十几秒运营在页面干等。后来做了几件事模型量化从FP16降到INT4单卡并发能力提升明显高频类似的请求加了缓存同一个业务线同一批画像特征短时间内重复请求直接命中缓存还把生成任务拆成异步队列运营提交后先去干别的活结果好了再通知。成本这块我们没有只算推理成本而是算了总账模型训练花费、推理资源、运营人工复核成本对比原来纯人工创作的人力投入。结论是就算把推理资源放宽到比较充裕的规格整套系统的总成本也远低于多招几名创意同学而且产能天花板完全不在一个量级。6.4 合规与平台规则的隐形成本广告行业有个绕不开的坎各广告平台对文案的审核规则一直在变而且很多规定不在公开文档里只能靠试错。大模型生成速度快意味着踩雷的速度也快。我们建了一个拒审Case库凡是广告平台驳回的素材都会被记录下来分析是哪句话触发了审核再抽象成规则加入本地词表和prompt约束。这类经验很难从技术文档里学到只能是踩一次坑填一个坑。比如有些业务词在不同平台有不同含义同一个词在A平台没问题在B平台可能被判断成诱导点击。这类词库我们到现在还在维护已经成为系统非常重要的一部分资产。6.5 冷启动阶段的评测数据从哪来最后一个坑是冷启动。新业务线第一次接入系统时历史优质文案往往很少模型没有足够样本学生成质量会明显低于成熟业务线。我们的做法是用成熟业务线训练好的模型作为起点先在新业务线上跑一段时间把运营手动修改过的文案收集起来攒够几百条之后再单独做一个小规模LoRA适配。如果连类似业务线的历史数据都没有还有一个备选方案把生成任务从直接写文案降级成改写和扩写让运营先提供少量参考素材模型基于这些素材做变体扩充。改写任务比从零生成容易的多对模型的要求更低客户运营也更容易接受等效果验证后再逐步放开到完全生成。最后说一点个人的体会。做这个项目最大的收获不是把CTR提升了多少而是想明白了一件事大模型在业务里的价值边界从来不是模型本身决定的而是由数据闭环、人工兜底、合规机制共同决定的。技术底座半年就会换代但先划边界、再做闭环、最后扩张这个节奏放在任何一个AI落地场景里都通用。我们已经在两个方向上继续往下走了一是多模态素材生成把文案和配图、封面联动起来二是投放复盘的智能体化让大模型从写东西进化到分析和建议。这两件事的共同前提还是先把内容和数据的基础打牢。如果你也在做类似的事情建议千万别一上来就追求端到端的全自动化先把单点价值跑透后面的事情会自然顺着长出来。