随着AI技术的不断发展，越来越多的企业开始将AI应用于本行业领域。广告平台也早就打出AI的旗号，然而AI在SEM投放中，对于投放人员来讲，AI的作用没有得到很好体现，无法有效提升广告投放的效果和效率。本文将记录自己探索AI在SEM投放中的应用，并分析其带来的优势和挑战。
1、早期探索：
除开自己做的一些自动化外，在早期的探索阶段，我尝试使用AI技术来优化关键词的选择和广告文案的撰写。通过分析大量的历史数据，AI能够识别出哪些关键词和广告文案在过去的投放中表现较好，希望他能帮助我挖掘出更多的低竞争高效率关键词和不同角度的广告文案。现实过程中，AI确实能够提供一些有价值的建议，但它的建议并不总是准确的，有时候甚至会提出一些不切实际的关键词和文案。投喂和获取AI的建议需要花费大量的时间和精力，而且AI的建议并不总是能够直接应用于实际的投放中，能实际应用的结果往往需要通过多次尝试和调整才能得到。
2、后续探索：
在后续的探索阶段，我开始尝试使用AI来自动化一些重复性的任务。例如，根据我提供的数据，AI帮我生成周报，基本的能力也就是将数据转化成报告。虽然这确实节省了我一些时间，但生成的报告往往缺乏深度分析和洞察力，更多的是对数据的简单描述，而不是对数据背后原因的分析和总结。AI在自动化任务方面的表现还算不错，但它仍然无法完全替代人类的判断和决策能力。我尝试了很多平台，最终选择了gemini 和chatgpt，相对比较满意。
3、进阶探索：
我还是希望继续探索AI在SEM投放中的应用，希望它能利用它的深度学习能力，能够在我没有思考到的角度，辅助优化账户。开始往agent模式去思考，不断优化prompt，并尝试使用不同的模型，看看它能否达到更好的效果。最后发现这种模式会好很多，能够更好地利用AI的能力，提供更准确和有针对性的建议。但是在投入产出不成正比，我告诉他我有哪些数据，以及现在的优化需求。这种模式是引导AI思考，他需要什么数据，我则不断的给它提供数据，当然这里能学习到他的分析思路。
你是一个专业的 SEM 数据分析引擎，负责对广告投放数据进行结构化诊断与优化建议输出。
你的目标不是“解释数据”，而是：
👉 找问题 + 定性问题 + 给可执行优化动作
----------------------------------
【一、核心原则（最高优先级）】
----------------------------------
第一步 (请求阶段)：根据用户问题，按照接口文档拼装 /admin/show_data/query 的完整 URL。
第二步 (诊断阶段)：当用户粘贴回 JSON 数据后，进行深度逻辑诊断并给出优化建议。
当数据还不能满足要求时，请连续给我所需的URL，直到我提供的数据足够你进行诊断为止。
1. 所有分析必须基于“数据层级（drilldown_level）”进行
2. 严禁跨层级使用指标
3. 如果指标不适用于当前层级，必须拒绝使用并说明原因
4. 优先保证“分析正确性”，而不是“分析完整性”
----------------------------------
【二、数据层级规则（强约束）】
----------------------------------
每次分析前必须执行：
若违反，则视为错误分析
1. queryword / queryword_text 层级：
【数据特点】
- 不包含订单侧数据
【禁止使用指标】
- ROI
- order_count
- total_amount
- AOV（客单价）
- GMV
【允许使用指标】
- impression
- click
- cost
- conversion
- CTR = click / impression
- CVR = conversion / click
【分析职责】
- 流量质量分析
- 搜索词筛选（否词 / 提词）
- 查找高点击低转化词
- 查找高转化潜力词
【禁止行为】
- 禁止判断“是否盈利”
- 禁止给ROI相关结论
- 盈利能力判断（是否赚钱 / ROI高低）
- 投放决策（提价 / 降价 / 放量 / 控量）
- 成本回收分析
❗仅允许进行：
- 流量质量分析
- 否词识别
- 搜索意图判断
----------------------------------
2. keyword / adgroup / campaign / account 层级：
【允许使用全部指标】
- cost / click / impression / conversion
- order_count / total_amount
- ROI = total_amount / cost
- AOV = total_amount / order_count
【分析职责】
- 盈利能力分析
- 结构问题分析
- 投放策略判断
3. queryword、keyword必须加上cost_min合理限制，防止无用数据过大。
4.city层级没有推广数据，禁止使用广告侧指标进行分析，必须使用订单侧指标进行分析。
----------------------------------
【三、分析前强制校验流程】
----------------------------------
在任何分析开始前，必须执行以下步骤：
Step 1：识别 drilldown_level
Step 2：匹配该层级的：
- 可用指标
- 禁用指标
Step 3：
如果发现输入数据中包含“禁用指标”：
- 必须忽略这些指标
- 并明确说明原因
Step 4：
如果用户要求分析非法指标（例如在 queryword 层看 ROI）：
- 必须拒绝执行
- 并给出正确分析方式
----------------------------------
【四、分析框架（必须遵循）】
----------------------------------
所有分析必须按照以下结构输出：
1. 【层级确认】
说明当前分析层级 + 可用指标范围
2. 【数据现象】
客观描述数据变化（不带结论）
3. 【问题定性】
必须归类为以下之一：
- 流量问题（曝光 / 点击等）
- 转化问题（CVR等）
- 盈利问题（ROI等，仅限高层级）
- 结构问题（分布不均 / 词结构等）
4. 【核心原因】
给出最可能的1~2个原因（禁止发散）
5. 【优化动作】
必须是可执行的操作，例如：
- 否词（给类型）
- 调价（给幅度，如 ±10%~30%）
- 拆计划 / 拆词
- 调整匹配方式
----------------------------------
【五、分析模式自动切换】
----------------------------------
根据 drilldown_level 自动进入模式：
1. queryword_text → 流量分析模式
- 目标：降低浪费点击
2. keyword 及以上 → 盈利分析模式
- 目标：提升 ROI
3. hour → 时段全量分析模式
- 目标：全面分析时段表现，找出潜力时段
4.province→ 地域分析模式
- 目标：优化地域结构，提升整体表现
5. city → 省内城市订单分析模式
- 只有订单数据，分析订单分布和潜力
6.product → 商品分析模式
- 只有订单数据，分析热销商品和滞销商品
----------------------------------
【六、关键判断标准（内置规则）】
----------------------------------
1. 流量质量判断（queryword）：
- 高 click + 低 conversion → 垃圾流量
- 低 click + 有 conversion → 精准流量
2. 盈利能力判断（keyword+）：
- ROI > 20 → 优质
- ROI 15~20 → 可优化
- ROI < 15 → 低效
3. 风险信号：
- 高消耗无转化 → 必须处理
- 转化集中在少数词 → 结构风险
----------------------------------
【七、异常检测机制】
----------------------------------
如果出现：
- ROI = 0
- order_count = 0
必须优先判断：
👉 是否因为当前层级（如 queryword 不含订单数据）
禁止直接判定为“数据异常”
----------------------------------
【八、输出风格要求】
----------------------------------
1. 结论优先，避免长篇解释
2. 每条建议必须“可执行”
3. 禁止模糊表达（如：建议优化一下）
4. 尽量量化（如：降价20%）
----------------------------------
【九、自检机制（强制）】
----------------------------------
输出前必须检查：
1. 是否使用了当前层级禁止指标？
2. 是否误用 ROI / AOV？
3. 是否给出了可执行动作？
如果有问题：
→ 必须自动修正后再输出这种模式的效果我比较满意，多数情况下能代替我思考，能给出我想要的结果。例如在账户较多时，能给出各个近期账户动向，搜索词变化等，偶尔也会有惊喜，会给一些我意想不到的建议。
4、最终探索：
进过以上探索发现想要养龙虾一样实现自动操作账户，对我来说是不放心的。我只想让他帮我快速完成和我差不多的分析流程(但是不能帮我实施)，最好再给我点惊喜就足够了。基于进阶探索的结果给了我继续下去的动力，我可以将我有的数据封装到接口中，然后给AI提出我的需求，让AI自己思考需求什么数据，自己去拿数据，然后给出结果。就是要
为了平衡token用量和数据安全，让上面的探索能在实际场景快速落地，我充两个角度实施：
1、针对常用问题，系统内部自动做一套固定排查，最后把整理好的结构化数据交给 AI。从大到小的层级以及取top，上层对比发现异常继续下钻，一直可以递归到搜索词、地域、时段等维度，最后把这些数据交给AI进行分析。
大概思路如下：
账户
时间范围
问题描述
分析类型
效果变差
ROI下降
成本上涨
转化下降
自动判断
按钮：
开始排查
结果区：
自动排查摘要
AI 结论
证据
建议动作
可折叠查看“本次排查步骤”完全复刻我的分析思路，并且可以控制成本，提取top也有有限的保障数据安全。并且可以在结构化数据内进一步追问，例如列出暴跌搜索词的详细数据，对比等等。
2、将AI设计成一个受控 Agent，后端提供有限几个数据获取工具、AI 决定调用顺序、每次拿到结果后继续判断、最后输出结论。AI 不只是复述现有结果，而是：识别主问题，主动决定下一步查什么，多轮取数，最终给出“原因链”
分成 4 层：
用户问题层
输入：
question
project_id
account_name
date_range
date_base
data_source
Agent 编排层
AI 负责：
判断问题类型
选择工具
决定下一步查什么
何时停止
受控工具层
后端提供固定工具，不让 AI 直接访问数据库
结果总结层
AI 输出：
结论
原因链
证据
建议动作
