一、议题背景：广告评测的核心痛点
数据与体验的断层：广告主可通过埋点获取流量、转化、成本等理性数据，但缺乏对广告“视觉可见性”的感知，无法解释“用户不点击、不停留、不购买”的感性决策问题，如素材截断、承接页商品不匹配、价格不一致等。
三大核心疑问：
不点击：参竞率与曝光正常，但素材可能被截断/拉伸/填充不足，导致广告主体不明确；
不停留：页面到达率正常，但承接页未还原素材商品，购买流程中断；
不购买：承接页商品还原率正常，但站内价格高于站外素材标注，降低购买意愿。
二、技术方案：数据驱动+真机+AI的全链路解决方案
1. 方案选型：对比与决策
解决目标 | 方案对比 | 最终选择 | 核心原因 |
如何看见广告 | 媒体侧白名单（人工操作、时效短）vs 定制白名单链路（需改代码） | 定制白名单链路 | 裁剪定向逻辑+参竞提价，确保真机稳定透出广告 |
如何记录广告 | 人工巡检（精准但成本高）vs 真机巡检（自动化、规模化） | 真机巡检 | 持久固化广告点位，节约人力，支持截图记录（站外曝光/站内承接/唤端） |
如何判定问题 | OpenCV（成熟但需精准裁切）vs 大模型（泛化强、规则灵活） | 大模型诊断 | 适配80%图片物料，解决复杂场景判定，后续通过多Agent优化幻觉问题 |
2. 核心技术架构：四大模块协同
广告可见性（看见广告）：新建白名单链路，删减人群/时段/设备定向逻辑，参竞提价确保真机竞胜，突破常规定向过滤与竞价排名限制。
真机体验（记录广告）：
路径编排化：通过ADB脚本实现“APP冷启→点击推荐→上滑”等标准化操作，到达已知广告点位；
规则+AI识别：用XPath规则识别广告标题/底部“广告”关键词，无法识别时调用大模型判定广告存在与区域定位；
全链路记录：同步采集站外曝光截图、站内承接截图、唤端链接及上下文信息。
大模型判定（分析问题）：
素材大模型：诊断版位错误、素材截断/过期/替换等视觉问题；
投承大模型：校验承接页与素材的一致性（商品还原、价格匹配、品类对齐）。
自主点位挖掘（拓展覆盖）：搭建手机GUI智能体框架，通过“ADB操作→截图检测（OCR+相似度判断）→大模型决策→遍历探索”，1小时遍历1个APP，累计挖掘34%曝光占比的广告点位，解决人工覆盖不足的小样本困境。
3. 关键优化：多Agent工作流
针对单Agent误判率高的问题，拆解为“类型判断→专项评判→结果汇总”的多Agent流程：先判定承接页类型（如商品页/闪购页），再调用对应Agent按专属规则评判，同时输出token级推理过程，整体正确率提升25%。
三、效果展示：问题识别与效能提升
核心问题挖掘：
素材问题：版位错误、素材过期、素材被替换、素材截断；
投承问题：商品未还原、价格不一致、投承品类不匹配。
效能收益：
人效提升：自动化替代人工巡检，节约大量人日；
大模型赋能：将工程规则转化为自然语言，提升泛用性；
数据反哺：沉淀真机上报数据，驱动素材生产、投放圈选优化。
四、未来展望：体验与业务的深化拓展
数据资产沉淀：基于真机数据构建广告位物理尺寸资产集，优化素材生产与投放准确度；
体验维度延伸：新增唤端性能评测（FCP/FSP口径），评估承接页流畅度；
能力扩展：随业务形态接入更多大模型，覆盖直播、闪购等更多场景的问题挖掘，构建“素材+投承+性能”的全维度评测体系。
