在快手的商业AI体系中，从投前的素材生产、策略制定，到投中的广告投放、实时调控，再到投后的诊断复盘，每个决策节点都有AI在场。 它的变量密度高、环节之间强依赖、实时性要求严苛，加上不同营销场景的业务逻辑各异，导致同样是投放，却对AI能力的偏重点完全不同。 例如，品牌营销在意曝光和心智渗透，电商营销盯着的是GMV和转化率，线索营销的核心指标是留资成本，本地营销需要把线上流量导进线下门店…… 策略制定是一个多步骤的信息整合任务，适合用多Agent协作来分解和串联；素材生产需要把模糊的“好内容”判断转化为可计算的结构，适合用大模型做特征提取；投放执行对延迟极度敏感，需要实时信号接入和毫秒级响应。 投前生产的素材，需要被投放系统读懂；投中积累的用户行为数据，需要能反哺下一轮的素材方向和人群策略；投后的复盘结论，需要能直接转化为下一次投放的输入参数。 针对各营销场景在素材生产、策略制定、广告投放、诊断复盘等环节的具体矛盾，设计对应的工程解法；同时，让各节点的能力在同一套数据体系里协同运转，保证链路不断。 虽然各个营销场景，有着迥异的需求，但万变不离其宗的是，投放这件事本身都要过相同的几道关：素材生产、策略制定、广告投放、诊断复盘…… 因此，快手选择对历史投放数据和行业热门内容进行结构化拆解，识别出共性特征，将这些特征转化为可量化的生产参数。 这样，原本只存在于少数人脑海中的经验判断，变成了可以被系统调用的输入条件。 素材生产变得有章可循，从单条优化变成规模化复制。 AI持续读取互动率、转化率等多维度数据流，在信号出现变化的瞬间自动触发对应的投放动作，追投、调价、素材切换，不需要人工介入。 广告投放完并不意味着工作结束，接下来还有诊断复盘环节，也是链路里最容易被敷衍的一环，但根本原因，其实是它太难做。 而且，分析结论还能自动转化为可读文档，并直接衔接至下一轮的策略建议，让投后分析从链路的终点，变成下一次投前的输入。 素材生产提效了，但投放系统读不懂这条素材在说什么；投放优化了，但复盘看不到跨环节的归因；每个环节各自跑得更快，但环节之间的损耗依然存在。 而这个结果，是整条链路共同决定的。 素材、策略、投放、复盘，每个节点都会影响最终数字，任何一段掉链子，前面积累的提效都会被部分抵消。 持久观察各行业真实的投放场景，理解每个环节卡在哪、为什么卡，再针对具体问题设计对应的技术解法，最终回到行业里去验证和迭代。