AI Agent 实战：让代码替你跑业务

2023 年，我开始基于 Claude 构建 AI Agent 来托管广告业务。这篇文章聊一聊实战经验——不是 demo，是线上跑了大半年的生产级 Agent。

为什么广告业务适合 Agent？

广告运营有一类非常典型的工作流：

监控数据 → 发现异常 → 分析原因 → 调整策略 → 验证效果 → 循环

这个循环里，每一步都有明确的输入、输出和判断标准。这正是 Agent 的甜区：结构化、有规则、重复性高。

Agent 架构

┌─────────────────────────────────────┐
│                Orchestrator          │
│  "检查医疗行业行业的 CTR 是否有异常"      │
└─────────────────────────────────────┘
         │           │           │
    ┌────▼────┐ ┌───▼────┐ ┌───▼────┐
    │ 数据工具 │ │ 分析工具│ │ 操作工具│
    │ SQL查询  │ │ 趋势分析│ │ 调整出价│
    │ 指标拉取 │ │ 归因分析│ │ 暂停广告│
    └─────────┘ └────────┘ └────────┘

Orchestrator 用 Claude 做推理和决策，工具层封装了所有业务操作 API。Agent 不直接操作数据库，而是调用预定义的 API。

三个核心设计

1. Tool Calling 的粒度

工具设计太粗，Agent 完成不了精细化操作；太细，token 消耗爆炸。

我们的经验：工具的粒度 = “一个人能独立完成的动作”。比如：

✅ get_ctr_by_industry(industry, time_range) — 恰到好处
❌ get_all_metrics() — 太粗，Agent 要自己解析
❌ get_click_count(ad_id, hour) — 太细，Agent 会调用几百次

2. 安全边界

Agent 有修改出价、暂停广告的能力——这是真金白银。所以必须有安全边界：

出价调整上限：单次不超过 ±30%，日累计不超过 ±50%
暂停广告：仅限效果极差（CTR < 行业均值 20%）且消费 > 100 元
所有操作记录审计日志，每日自动生成操作报告

3. 人机协同

Agent 不是替代人，而是放大人的效率。

我们做了分级：

L1 自动执行：常规优化（如预算微调）Agent 自己决策
L2 建议+确认：重要调整 Agent 生成建议，人工确认后执行
L3 仅告警：异常事件 Agent 检测到但只提醒，由人判断

效果

指标	之前	之后
某业务线季度现金	—	可观规模
无效线索率	—	稳定在 30%
运营人力	6 人	2 人

最大的价值不是省钱，而是让运营从“盯盘”中解放出来，去做策略层面的思考。