Agent 营销：先把受众、素材和实验闭环串起来，再谈自动增长

很多关于营销 Agent 的文章，开头就会讲：

• •自动生成爆款文案
• •自动跑投放
• •自动调预算
• •自动做用户画像

这些方向都很诱人，但真实营销团队真正难的地方，通常不是“字写得够不够会卖”，而是：

• •目标受众和业务目标有没有被定义清楚
• •素材、卖点和案例是否真实可用
• •渠道规则、品牌口径和合规边界有没有被遵守
• •发布后能不能形成实验和复盘闭环

所以营销 Agent 更适合被设计成“增长流程协作者”，而不是直接替代投放平台和营销负责人做自动增长决策。

如果第一版就想同时覆盖用户研究、内容生成、广告投放、社群运营和归因分析，项目很快就会因为数据和边界过多而失控。

更现实的切入点通常是：

• •活动 brief 整理
• •素材资产盘点
• •多版本文案草稿
• •实验计划与复盘摘要

以“活动运营助手”为例，一个可交付的第一版通常已经很有价值：

• •读取活动目标、受众和已有素材
• •生成多种文案和版本策略
• •标记需要品牌、法务或负责人确认的说法
• •汇总实验计划和投放复盘
• •不直接绕过广告平台和审批链去改预算或发布

这类链路比“全自动增长引擎”更适合真实团队。

1. 目标与受众事实层

这一层至少要回答：

• •这次活动的目标是什么
• •目标受众是谁
• •目标渠道有哪些
• •当前周期、预算和 KPI 是什么

如果这些输入没被结构化下来，后面的内容和投放建议通常都会飘。

2. 素材与约束层

营销输出不是纯创意问题，还要受很多约束：

• •现有文案、案例和品牌资产
• •合规禁语和品牌口径
• •渠道格式限制
• •预算和审批规则

Agent 在这里更适合整合素材和约束，而不是自己编造卖点。

3. 版本生成与实验层

这一层最适合模型承担：

• •生成不同受众、渠道和风格的版本草稿
• •生成实验矩阵
• •解释不同版本的侧重点
• •汇总表现数据并形成复盘摘要

4. 发布与人工审核层

下面这些动作通常都不适合让 Agent 直接拍板：

• •批量发布
• •调整预算
• •对外作出效果承诺
• •放行高风险文案和案例描述

这些动作必须留在平台权限和人工审批链里。

在营销场景里，一个更稳的职责拆分通常是：

更适合模型处理的部分

• •理解活动 brief
• •生成多版本文案和实验建议
• •汇总调研、评论和反馈
• •把复盘整理成可执行建议

更适合系统处理的部分

• •提供真实受众和转化数据
• •控制预算、投放和发布权限
• •管理品牌规则和审批流程
• •维护实验结果和归因数据

如果让模型同时负责“出主意 + 发内容 + 花预算 + 判结果”，最容易出问题的就是执行边界和事实准确性。

更稳的方式，是先把营销任务收敛成受限计划。

from typing import Literal
from pydantic import BaseModel, Field


class MarketingPlan(BaseModel):
    lane: Literal["brief_refine", "asset_review", "experiment_setup", "handoff"]
    audiences: list[str] = Field(default_factory=list)
    channels: list[str] = Field(default_factory=list)
    required_approvals: list[str] = Field(default_factory=list)
    budget_guardrails: list[str] = Field(default_factory=list)


def run_marketing_workflow(plan: MarketingPlan, tools):
    facts = tools.load_campaign_context(plan.audiences, plan.channels)
    assets = tools.search_brand_assets(plan.channels)
    draft = tools.generate_marketing_package(plan.lane, facts, assets, plan.budget_guardrails)
    checks = tools.validate_claims_and_channel_rules(draft, plan.required_approvals)

    if checks.has_blockers:
        return tools.route_to_reviewer(draft=draft, checks=checks)

    return tools.prepare_publish_ready_assets(draft=draft, checks=checks)

这个模式的价值在于：

• •先区分当前是在整理 brief、盘素材还是设计实验
• •预算和审批要求可以显式记录
• •高风险版本默认进入人工审核

营销团队经常已经有大量可复用资产：

• •历史 campaign brief
• •过往投放素材
• •品牌词典和禁语列表
• •评论区和销售反馈
• •周报和实验数据

把这些资料接入检索和分析层，通常比单纯调整 prompt 更能稳定输出质量。

营销 Agent 的评估，更应该围绕这些问题：

• •brief 是否被正确理解
• •多版本文案是否真的覆盖不同受众
• •人工审核最常改动哪些表达
• •实验计划是否更容易被执行和复盘
• •有没有出现错误承诺或不合规发布风险

这些指标比“文案读起来够不够聪明”更有工程价值。

1. 用模型生成的假想画像代替真实数据

没有用户事实支撑的“画像”，很容易让营销策略越写越像想象题。

2. 让模型直接花预算和发内容

发布和投放属于高风险动作，不适合绕过人工审批链。

3. 只做内容生成，不做实验和复盘

没有实验闭环，营销 Agent 最终只会停留在“写文案更快”，很难真正帮助增长。

营销 Agent 真正可交付的价值，不是做一个“自动增长大脑”，而是把原本分散在 brief、素材、版本、发布和复盘里的工作组织成一条更稳的增长链路：

• •先把目标、受众和约束讲清楚
• •让模型承担版本生成和信息整理
• •把预算、发布和高风险承诺留给系统与人工审批
• •用实验效率和复盘质量，而不是口号来评估系统

只要把这些边界守住，Agent 才能成为营销团队的加速器，而不是新的品牌和合规风险源。

• •OpenAI File Search
• •OpenAI Code Interpreter
• •OpenAI Structured Outputs
• •OpenAI Conversation State
• •OpenAI Working with Evals