广告投放 × AI：四条线构建你的半自动化投放系统

打开Claude，一句话：”拉一下昨天各 campaign 的表现，按花费排序。”数据直接出来。发现异常，追问两句定位到具体素材，该关的顺手关掉——全程在一个对话窗口里完成。

这件事成立的技术前提，是 Claude 通过 MCP 直接连上了 Meta 广告后台——读数据、建广告、改状态，都能做。

这篇文章把我正在跑的这套系统完整讲一遍。不是概念推演，每一条线都在实际运转，坑也都是真踩过的。

总架构：四条线，一个闭环

四条线之间有一个核心闭环：

首先是提出假设制定投放计划 → 做成素材 → 广告上线测试 → 再用数据验证真假 → 然后是沉淀有效经验 → 进入新一轮。

一句话：假设驱动，数据验证，经验沉淀，持续迭代。

下面逐条拆。

一、数据分析

最高频的一条线，每天跑。

还原一段典型的日常对话（数据已脱敏）：

我：拉一下最近 7 天各 campaign 的花费、ROAS、CPR，按花费排序。

Claude：（输出表格）……其中 C 系列花费 $410，ROAS 1.4，低于你设的 2.0 目标线，且连续 4 天下滑。

我：把它下面的 ad set 拆开看。

Claude：问题集中在其中一个 ad set：CPM 从 $18 涨到 $31，CTR 从 1.2% 掉到 0.7%，频次 3.8——比较典型的素材疲劳信号。

我：这个 ad set 里 CTR 低于 0.8%、花费超过 $30 的 ad 暂停掉。

Claude：已暂停两条。另外这个结构里表现最好的角度是”安装简便”，补素材可以优先考虑这个方向。

从发现问题到执行动作，三轮对话。以前几百行数据，人工看一上午；现在几分钟出诊断，而且诊断完不用切窗口，直接动手。

这条线的关键不是工具，是你的判断标准

● 花费超过 3 倍目标 CPA 仍无转化 → 关

● ROAS 稳定高于目标且频次低于 3 → 加预算

● CTR 高但 CVR 低 → 先查落地页，不动素材

标准越清晰，诊断越准。标准模糊，AI 只能还你一堆正确的废话。

历史数据积累

对话不是数据库。周对比、月对比需要存档。我的做法：每周让 Claude 把关键数据写入 Google Sheet，Google Sheet 再通过飞书多维表格的数据源关联自动同步。

二、素材生产与广告半自动化创建

数据分析告诉你缺什么素材，第二板块就需要chatgpt来解决怎么快速生产并上线。

素材生产

以前：写 brief → 发设计师 → 等 1-3 天 → 看稿 → 改。

现在简单素材的链路：从线 1 的数据里确定要补的方向 → Claude 生成作图提示词 → AI 出图，半小时几个版本 → 本地按标准规则命名。

复杂的产品细节图、实拍，还是设计师和摄影的活。AI 缩短的是”从 0 到初稿”，不是全部。

半自动上广告

用自然语言描述需求：

“在 X campaign 下建一个 ad set：受众美国，兴趣 RV camping + boating，日预算 $30，优化目标 purchase，转化事件对到主 Pixel。”

Claude 直接在后台搭好，默认暂停状态。我按检查清单过一遍——预算、受众、优化事件、版位、命名，五项——确认无误手动激活。

原则：AI 搭建，人工审核，手动发布。 发布按钮永远是人按的。

命名系统：整个系统的接口层

这段可能是全文最不性感但最重要的部分。

命名规则：

● Ad 名继承素材文件名： 品牌_产品_角度_素材类型_尺寸_日期_版本_文案版本

● Ad Set 名含受众信息

● Campaign 名含国家、目标、阶段

命名就是编码。解析 Ad 名，就能还原这条广告的完整变量组合。这意味着”角度 × 素材类型 × 受众”的透视分析可以完全自动化，不需要人工逐条标注。

配套一个受控词表：角度、素材类型必须从固定枚举取值（比如 Gift / DailyWear / Outdoor / Price / Trust），不能自由发挥。词表存在飞书 SOP 库，测试的新角度、素材命名、数据的透视数据，三条线共用同一套词。

命名断了，归因就断了。

三、知识复盘沉淀线

前两条线解决效率和 ROI，这条线解决方法论和商业资产。

没有沉淀的投放是一次性消耗：跑了一年，除了账户里的数字什么也没留下，换人换品类一切归零。有沉淀的投放是复利：测试结论有记录，赢的素材成案例，重复流程成 SOP。

我用飞书建了四个库：

● 周复盘库： 每周核心数据 + 关键判断 + 下周计划

● 素材案例库： 每周人工精选 3-5 条（截图 + 数据 + 判断），是精选不是流水

● SOP 库： 受控词表、命名规范、上广告检查清单、数据分析标准

● 内容课程库： 把投放经验转成文章、课程的素材池

分工：Google Sheet 存数据流水，飞书存知识判断。机器每天写数据，人每周写判断。

四、深度研究洞察线

不是每天跑的线。节奏：每周轻量收集，每月一次专题，新项目必做。

它的产出是高质量假设。比如通过抓取竞品差评和社区讨论，发现目标用户最大的顾虑不是容量而是安装复杂度——那么下一批素材的角度就不该讲参数，该讲”15 分钟自己装好”。

假设喂给chatgpt变成素材，数据分析验证真假，结论。没有第四步，前三条线就是在已有认知里打转。

工具分工：Manus 负责广度采集（竞品广告、用户评论、社媒讨论），ChatGPT 负责深度分析和策略推演，Claude 负责提炼成可执行的角度和文案方向。

五、踩过的坑

系统听起来顺，实际落地这几个坑我都结结实实踩过。

坑一：数据口径对不上。

AI 拉出来的数字和 Ads Manager 里看到的可能有出入——广告账户时区和北京时间的差异、归因窗口的设置，都会造成偏差。我的做法是第一周先做校验：AI 拉的每个关键数字都和后台核对一遍，确认口径一致再放手。先校准，再放权。

坑二：AI 建广告的细节错误。

出现过优化目标和转化事件配对不对的情况，也要留意预算单位这种低级但致命的细节。这就是为什么”人工审核”不是姿态而是流程——五项检查清单每次必过，不熟的阶段一项都别省。

坑三：命名断链。

Meta 后台复制广告会自动在名称后面加 “- Copy”，一不注意，归因表里就多出一堆解析不了的行。解法写进 SOP：发布前校验 Ad 名 = 素材文件名，必查项。

坑四：把 AI 的自信当成正确。

AI 的诊断永远流畅、自信、有条理——哪怕它错了。它说”素材疲劳”的时候，真实原因可能是竞品大促把 CPM 抬起来了。它给的是候选解释，不是最终答案。关键决策之前，自己再看一眼原始数据。

六、系统的真正壁垒

有人会想：工具我也能用，系统我也能搭。

对，工具没有壁垒。壁垒在三个地方：

一，你的品类经验被结构化了。 “3 倍 CPA 无转化就关”不是 AI 教你的，是多年投放蒸馏出来的。判断标准越多越清晰，AI 的诊断才越准。

二，你的命名和词表让数据可追溯。 不性感，但没有它，上层的自动化分析全塌。

三，你的闭环让每一轮投放都在学习。 单次用 AI 写文案、看报表，谁都会。但假设 → 测试 → 验证 → 沉淀这个循环持续转一年，积累下来的案例库和判断标准，是别人拿不走的。

AI 放大能力，不替代判断。先会手动，才配得上自动化——否则 AI 只是帮你把错误自动化了。

七、从哪里开始