高德 Marketing AutoResearch：营销增长 AI Native 经营托管框架¶

Ch04.078 高德 Marketing AutoResearch：营销增长 AI Native 经营托管框架¶

📊 Level ⭐⭐ | 17.9KB | entities/gaode-marketing-autoresearch-ai-native-practice.md

-> 原文存档

高德 Marketing AutoResearch：营销增长 AI Native 经营托管框架¶

一句话¶

高德信息业务中心 2026-06-09 发布的 Marketing AutoResearch——面向"长期经营研究问题"的 AI Native 经营托管框架，由人定义目标/约束/可行动空间/治理边界，Agent Team 在业务协议边界内持续假设→小步实验→真实反馈→经验沉淀循环迭代。3 层技术架构 + 5 层解耦工程实现，5 个真实脱敏案例验证：年度化利润增量千万级，7 小时 5 次自主决策，零人工介入。

核心问题：营销系统的"结构性断层"¶

算法模型已经能预测用户转化、补贴弹性、策略收益，但真实经营决策仍大量依赖人工看盘/解释/调参/复盘。模型给出"局部信号"，业务需要"连续决策"；系统能算一次策略，但很难长期回答：哪里加力、哪里收缩、哪里是噪声、哪里值得继续试。

核心场景：营销发券 / 补贴分配 / 城市策略 / 人群分层 / 节假日节奏。反馈每天更新、风险每天重评——一次性分析/报告/调参无法支撑长期经营优化。

三大技术架构¶

1. 业务协议 (Business Protocol) — 给 Agent 一块可安全研究的实验场¶

第一层不是 prompt，而是业务协议——把过去依赖人工经验判断的运营规则转化为机器可执行、可审计、可版本化的生产边界。

核心价值： - 不把 Agent 绑死 - 给 Agent 安全、可控、可验证的研究空间 - 没有协议 → Agent "自治"变成越权 - 有了协议 → Agent 能在明确授权内持续探索

2. Agent Team — 多角色协作¶

经营决策不是单点动作，而是一条生产链路：

看见现象 → 解释变化 → 生成动作 → 通过安全门 → 小流量执行 → 读取反馈 → 沉淀经验 → 下一轮继续

关键原则：LLM 不直接承担修改线上参数的风险角色，而是承担研究员 / 审稿人 / 复盘者角色；确定性工具负责计算 / 求解 / 安全 / 发布。

架构价值：发挥大模型在推理/解释/假设生成上的能力，同时避免模型直接越过生产系统风险边界。

3. 真实反馈 — 让策略接受业务验证¶

AutoResearch 与普通 Agent 最大区别：不以"生成答案"为终点，而以"真实反馈"为下一轮起点。

• 系统持续读取实验桶 / 对照桶 / 归因窗口 / 长期指标
• 有效策略 → 经验沉淀
• 无效策略 → 记录失败原因
• 高风险策略 → 安全门拦截或降级

核心论断："这让 Marketing AutoResearch 从'会生成策略'升级为'能研究策略'。"

五层解耦工程实现¶

解耦价值：新增行业、新增策略动作、新增 Agent 角色都无需重写整套系统。

可视化中枢（7 大模块展示）¶

"在增长系统里，AI 最大的问题不是'不够聪明'，而是'聪明但说不清'"

展示内容：当前观察、风险判断、动作生成、安全门通过、实验执行、反馈读取、经验沉淀——让 AI 的每一次判断都能被观察、被追溯、被复盘。

协作入口（5 类追问）¶

业务和算法同学可追问：当前为什么这个判断？风险信号是什么？实验执行情况？复盘结论？策略调整建议？让 AutoResearch 成为组织协作的一部分，而不仅是后台能力。

实践验证（5 个真实脱敏案例）¶

整体结果：在真实托管场景中实现规模、效率、用户侧核心指标同时胜出，年度化利润增量预期达到千万级。收益不是来自一次性大促加码，而是 Agent Team 在安全边界内持续做小步判断 + 小流量验证 + 资源再分配——把多个维度的边际改进累积成整体收益。

Case 1: 极端波动下的自动修复¶

某次业务波动中，核心利润指标快速下探接近预设防线。系统在 7 小时内自主完成 5 次决策，零人工介入：

1. 识别风险 → 进入防守策略
2. 风险继续扩大 → 进一步收缩低效补贴
3. 边际指标开始改善 → 停止过度防守
4. 继续收缩可能伤害有效交易 → 转向温和恢复

核心论断："系统能在两个目标之间做动态仲裁：该防守时防守，该停止过度防守时也能停下来。"

Case 2: 外部事件不等于盲目加码¶

某大型线下活动 + 异常天气 → 系统识别到核心区域自然需求可能上升。传统直觉"热点来了就加补"，Agent Team 判断: 当自然需求足够强时，继续加补可能只是补贴本来就会来的需求而非创造新增需求。

决策：核心区域维持保守水位，预算转向更具弹性的周边区域。

核心论断："AutoResearch 要判断的不是哪里热，而是哪里补了才真正有边际收益。"

Case 3: 节假日前的前置布局¶

长假前系统通过搜索热度 / 日历信息 / 历史弹性先验识别到出行需求进入提前预订窗口。前置三阶段布局：

1. 假期前 → 高弹性区域小步探索，锁定早鸟需求
2. 假期期间 → 自然需求增强后逐步收缩低弹性补贴
3. 低弹性区域 → 维持基准或小步观察，避免"节日一刀切"

核心论断："AutoResearch 不只是事后复盘，也能把外部信号转成提前布局。它开始具备经营节奏感。"

Case 4: 从失败维度中重新发现机会¶

某分层维度早期实验表现不佳（人工直觉会判断"不值得继续投"），但系统在后续模型更新中发现真实弹性可能被低估 → 调整投资分数并重新分配资源。

核心论断："AutoResearch 的强项不是一次判断永远正确，而是发现自己可能判断错了以后，能用新数据修正。"

Case 5: 多区域并行学习¶

(节选可见) —— 系统支持多区域并行实验，每区域独立判断 + 全局经验沉淀。

深度分析¶

与现有 AutoResearch 实体的差异化定位¶

现有 AutoResearch entities 全部聚焦科研 / 软件开发域：

高德 Marketing AutoResearch 是第四个独立 AutoResearch 范式：

与 多 Agent 软件开发 的方法论共鸣： - 同样强调多 Agent 角色分工（研究员 / 审稿人 / 复盘者 ≈ Planner / Reviewer / Reflector） - 同样重视真实反馈（业务结果 ≈ 单元测试 / Linter / 编译） - 同样需要安全门/边界（业务协议 ≈ CI/CD Pipeline） - 区别：营销域的"实验桶/对照桶"是更复杂 A/B 测试基础设施（不同城市/分层/时段），软件开发域的"测试"更结构化

与高德 AI Native 系列的内部一致性¶

高德"超级应用的 AI 原生研发模式"系列已有：

两条线的并列： - 研发生产线：人定义规则和边界 → AI 在规则内自主决策 → 7×24 永动 (CI/CD 自闭环) - 营销增长线：人定义目标和边界 → Agent Team 在边界内持续实验 → 经营托管 (实验/反馈闭环)

核心思想一致："人定义规则和边界，AI 在规则内自主决策和执行"——研发线强调"操作执行→决策审查"，营销线强调"工具调优→决策智能"。

与 高德 AI Companion Agent 架构 的层级关系¶

• AI Companion Agent：C 端用户交互（智能助手）
• AI Native 生产线：B 端研发提效（CI/CD 自愈）
• Marketing AutoResearch：B 端业务提效（营销托管）

高德 AI 战略的三层落地：C 端用户助手 / 内部研发工具 / 业务决策托管——形成完整的"AI Native 业务操作系统"。

与 Harness Engineering 的深度共鸣¶

业务协议 = Harness 在业务域的具象化： - Harness 提供环境治理（CI/CD、Review、Test） - 业务协议提供经营治理（合规、预算、风险边界）

真实反馈 = Harness 反馈循环的业务版： - Harness 反馈来自 CI 流水线 - 业务反馈来自业务结果（GMV / 利润 / 转化率）

Agent Team = Harness 内的多 Agent Runtime： - Harness Runtime 调度多个 Agent - 业务协议约束 Agent 行为边界

"决策智能" vs "工具调优"的范式跃迁¶

从工具调优到决策智能是本文核心论断——这一范式跃迁体现在：

1. 目标变化：从"模型预测准确率" → "经营结果（GMV/利润）"
2. 决策变化：从"一次性输出" → "连续决策仲裁"
3. 反馈变化：从"离线评估" → "线上实时反馈"
4. 责任变化：从"工具辅助" → "业务托管"

这是 高德 SDD Harness 团队 AI 编码范式 的业务侧对应——SDD 关注"代码的正确性"，AutoResearch 关注"决策的正确性"。

实践启示¶

1. 业务协议优先：在 Agent 上线前先把"什么能做、什么不能做、如何判断好坏、出现风险如何停止"定义清楚（业务协议第一，不是 prompt 第一）
2. 风险角色交给确定性工具：LLM 只承担研究员/审稿人/复盘者，发布/计算/安全交给工具
3. 可视化中枢是组织采纳前提：AI 必须"可被观察、被追溯、被复盘"才能被业务信任
4. 实验桶/对照桶是关键基础设施：没有 A/B 实验基础设施就无法做"真实反馈"循环
5. 失败维度值得重新投资：早期失败的分层维度，如果后续模型更新发现真实弹性被低估，应重新分配资源

与已有实体的差异化定位¶

• vs AI 科研 L0-L4 — 科学发现域，本文是营销业务域
• vs 多 Agent 软件开发 — 软件开发域，本文是营销业务域
• vs 高德 7x24 Self-Healing Pipeline — 同公司研发线，本文是营销业务线
• vs 高德 AI Companion Agent — C 端用户交互，本文是 B 端业务托管
• vs 天猫营销 AI 工作流 — 营销自动化，本文是营销研究（研究 + 实验 + 反馈循环）
• vs 火山引擎营销策略 Agent — 营销决策支持，本文是业务托管（Agent 直接调整预算）

上线状态¶

• 发布: 2026-06-09 17:45（高德技术公众号）
• 作者: 高德信息业务中心（业务 + 算法联合作战）
• 业务结果: 年度化利润增量预期千万级

原文链接¶

相关实体¶

• Autoresearch Marketing Growth Amap Ai Native

→ 原文存档（高德技术 2026-06-09）