不只是行业 Know-How，营销类 Agent 工程化落地难题有何解？｜对话瓴羊副总裁、友盟+总经理毛波

作者 | 木子、赵钰莹

策划 | 赵钰莹

审校 | 赵钰莹

今年可谓“AI Agent 元年”，在五花八门、脑洞大开的 Agent 应用中，一个特别特别热闹的领域就是营销。

其实，AI 营销已经不是新鲜话题。在当下的营销系统里，AI 不仅仅是一个听话的零件，而更像一位导演，能在幕后指挥场景、人群、创意和预算，让整个投放按它的“剧本”精准上演。

目前，营销 Agent（Marketing Agent）算是最成熟、商业化很不错的 Agent 之一，也是跨行业应用最成熟的方向；顶级咨询公司麦肯锡今年发布的一份研究报告，也清晰地证明了这一点。

• 图源：麦肯锡《The State of AI 2025》，展现了各行业中，“营销与销售”都是最普遍使用 GenAI 的职能。*

不过别看营销 Agent 那么火那么卷，一些真正的难题还没有解开：“比如精准人群识别、长期 ROI、私域数据利用等问题，依然让众多广告主和数据服务商很头疼。而对于普通用户，广告体验往往很糟糕——试想你追剧正上头，结果手滑了跳进广告页，这时你（很可能）是不是不仅没被种草，反而只想立刻关掉甚至想拉黑品牌？”

InfoQ想来探讨一下这些问题，也顺便聊聊：在这波 Agent 浪潮里，究竟什么才是长久的护城河，哪些方向还有机会可挖？基于此，我们有幸采访到了阿里巴巴出身的数据专家毛波，他曾参与过、在阿里主导设计了多款里程碑式的数据产品，现任瓴羊智能科技有限公司副总裁，友盟同欣（北京）科技有限公司总经理。

1 大热的营销 Agent 是否无懈可击？

用一句来概括，营销 Agent 虽然很热，但仍缺少能真正解决“精准 + 长期 + 体验”的系统性方案。

首先，在营销圈里有一个很扎心的现实：

很多投放的效果就像短跑冲刺，企业今天砸钱拉来一波新用户，下载量和注册数一时猛涨；可一旦停止“氪金”，往往几天之内留存就迅速下滑，复购、转化、口碑几乎跟不上；企业被迫不断加大预算来维持表面上的增长，陷入恶性循环。毛波指出，其根源在于衡量体系过于短视，广告主的投入看起来一时很有效，但并不一定创造真正有价值的用户资产。

目前，很多广告平台和投放系统只关注下载量、点击率、CPI（每次安装成本）等短期指标，却很少把更能反映长期价值的因素纳入 ROI 评估，比如 1/2/7/15/30 日留存率，以及后续的复购、退货率、用户满意度和品牌口碑等。

毛波认为，要摆脱这种“砸钱求流量”的困境，营销 Agent 不能只顾着拉新，还得跟踪用户后续的留存、复购和价值变化，用数据和算法去优化整个生命周期，而不是只看一时的转化。这也是友盟 + 试图在系统中引入的新 ROI 框架——从短期拉新转向“长期可持续增长”，让广告主不再被流量绑架。

第二点，是眼下常见的营销生态更像一个个孤岛：很多平台都有自己的一套投放逻辑和接口，互不兼容。广告主如果想在多平台铺开投放，就得一遍遍去配置、训练、调优，今天做一套人群包给 A 平台，明天换一套给 B 平台。结果就是，广告主如果想在多平台同时投放，就得一遍遍地配置、训练和调试，既费钱又低效，要真正“找对人”费用极高。

毛波打了个很形象的比喻，现在的营销系统，有点像智能手机普及前的充电线时代——各家接口各不相同，谁也不兼容谁，用户出门得带一堆线。后来随着各家逐渐统一成 USB 或 Type-C 接口，其实用户和商家都从中获益。

对于现状，友盟 + 正在积极推动A2A 协议和MCP 协议的落地——可以将其理解成 Agent 世界里的 USB 或 Type-C 标准。通过这些标准化接口，不同平台的 Agent 可以互相沟通、协同工作；广告主或开发者只要对接一次，就能在多个平台上统一调度 Agent，减少重复开发和数据割裂。

毛波形容，这一步就像当年手机充电口从五花八门归为统一似的：“标准化能让生态繁荣，开发者不再被迫做重复适配，Agent 之间也能真正形成网络效应。”

在这个理念下，友盟 + 推出了AppWin和AddWin两款核心平台产品：AppWin面向媒体方（流量方），帮助他们在投放前就做好人群识别与筛选，让广告只展示给真正匹配的用户。AddWin则面向广告主，负责把创意精准地投给目标人群，非目标人群则不浪费展示。两者像一对“双向车道”，一边帮助流量方更高效变现，一边帮助品牌方更精准投放，再通过标准化接口把多平台串联起来。

第三点是，很多 APP 或者品牌现在难以用好他们的私域数据，比如注册信息、浏览和购买记录、活跃度等。理论上私域数据非常有价值，如果能把这些数据用好，就能精准找到和现有优质用户特征相似的新用户，也能针对老用户做更聪明的运营和投放。

但现实中，这些数据往往“躺在仓库里吃灰”。

主要有几个原因：一是安全和合规风险高，数据涉及用户隐私，一旦处理方式不合规，就可能触碰法律红线。二是数据格式分散、质量参差，不同系统采集的字段不统一，很多数据无法直接被算法使用。三是缺乏算法和算力，中小开发者自己很难有团队去做特征分析、相似人群挖掘和实时投放优化。

结果就是，开发者有宝藏，但不会、也不敢去挖，投放时只能依赖广告平台的“公域数据”，成本高且效果难控制。据毛波介绍，友盟 + 要做的事情就是帮开发者把私域数据“激活”并安全使用，而且不需要开发者自己搭一整套数据团队。

核心思路主要有两步：一是识别优质用户。友盟 + 基于多年的数据分析经验（DAU、WAU、MAU 等活跃指标），先预测哪些用户是健康、高价值的。比如去分析哪些用户每天访问，预测付费可能性高、留存好；哪些用户只是一次性来注册，价值低；这样可以帮开发者从庞杂的用户池中“捞出”值得重点去扩展的样本。二是Lookalike 放大 + 上下游权益链路。也就是用算法去更大的数据池里，寻找和现有优质用户“长得像”的潜在新客群。而上下游权益链路，就是友盟 + 还能帮品牌和上下游伙伴（如装备商、旅游平台）安全对接数据，把本来割裂的用户线索串起来，进一步扩大触达范围。

整个过程都在合规框架下进行，开发者既能保护用户隐私，又能低成本地挖掘到更精准的新客群。

2 AI 曾经的工程化落地难题是否会在 Agent 时代重演？

对于AI agent 的发展现状，毛波指出，其实算法已经成熟，最大瓶颈是工程化和数据生态。

所谓工程化，简单来说就是把 Agent 从实验室的“炫酷 Demo”，变成能稳定上线、规模使用的产品。因为“一个模型在论文里跑通≠能在真实业务里用”，工程化要解决数据处理、接口设计、系统架构、算力调度、监控、容错、安全、版本管理等一系列实际问题。

毛波认为，这波“Agent 热”和 2016、2017 年前后 AlphaGo、Transformer 等的爆火很不一样；早年是算法惊艳，但工程化没跟上，限制了落地；但这一次，算法和工程化深度融合。比如 Meta 的Advantage+广告引擎中，除了用户匹配算法，还做了检索索引、并行架构、硬件调度和实时监控，让广告投放真正自动化。谷歌的PMax已能用生成式 AI 自动写广告素材、测试效果、动态调整预算，这背后是对投放系统、预算优化、跨渠道分发的深度工程整合。

而在打造自家 Agent 时，瓴羊友盟 +在精进算法的同时也修炼了“工程力”；在毛波看来，营销 Agent 要真正落地，不能只靠“聪明的大脑”，还得有能支撑全链路的大工程架构。友盟 + 的做法，是先把底座打牢，再在其上叠加智能化。他们把十多年积累的数据和工具体系拆成三块关键“基建”：

一是数据底盘。友盟 + 的一大“看家本领”就是 SDK（一种给开发者用的工具包），App 只要集成它，就能做用户数据分析或接入营销功能。据毛波介绍，国内已经累计有 291 万 APP 都接入过友盟的 SDK，这意味着友盟 + 能用真实、广泛的行业样本数据做画像分析、效果对比和基准参考，为营销 Agent 的精准决策提供基础数据。

二是算法与模型调度。简单来说，就是友盟 + 不把自己完全绑在某一个大模型上，而是做了一个“模型中台”，能根据任务需要去调用不同厂商的 AI 模型。当一个营销 Agent 要完成任务时，平台会自动判断用哪家的模型最合适，甚至可以在一次任务中混用多种模型，把它们各自的优势组合起来。他们既能接入阿里自家的通义系列（如千问、百炼、万象等），也能调用 DeepSeek 等第三方模型，帮助客户根据不同场景自由选择和组合模型，形成多云、多模型的灵活方案。

三是全域数据融合能力。友盟 + 会将 App 私域数据和更大范围的互联网数据拼接在一起，形成一个更完整的“分析地图”。这样，营销 Agent 不仅能理解现有用户，还能找到和他们很像、但尚未触达的人群。也就是说，广告商们不再局限于自己的一小撮用户，还能 “挖掘出潜在的新客群”，能更精准地投放广告，不用再费力又不讨好地广撒网。

毛波给我们分享了一个有趣的例子：“假设你运营一个滑雪装备 App，手里只有现有用户的分析数据：比如谁买了雪板、谁常看滑雪攻略。友盟 + 的系统会用算法去分析这些用户群体的特征，再去更广的全域数据里找“相似人群”。通过分析，友盟发现：很多爱滑雪的人，也在关注 SUV 汽车的后备箱空间，因为他们要放雪板；或者他们更在意四驱和防滑性能。于是，系统就能自动把“滑雪人群”和“汽车消费人群”连接起来，告诉广告主：这两群人天然重合，可以交叉投放。”

未来 Agent 护城河不只有行业 Know-How

此外，谈及未来 Agent 的“护城河”，毛波认为这主要取决于两件事——能否掌握独有的私域数据与行业 Know-How，以及能否把多个 Agent 串成一个可协同工作的完整链路。他指出，通用型 Agent 或单一功能的 Agent 已经没有门槛，因为大模型本身就能快速学会这些通用能力。而真正的差异化，在于谁掌握了独有的、外部学不到的私域数据和行业知识。

因为大模型的训练主要依赖公开数据，它一般不会去学那些零散、深度且没有公共价值的行业小知识，否则投入产出比不划算。如果某家公司在特定领域长期积累了高质量的专有数据和实践 know-how（别人看起来像“天书”），那就是它的护城河。

另一个挺有门槛的事情，就是多 Agent 协作。举个例子，如果单一 Agent 的成功率有 90%（其实已经很高了），但两件事要同时做对成功率就只有 81%，三件事就只有 73%，而六件事还要一起做对，成功率就已掉到了 50%。而现实中的营销往往不止六个环节，包括场景设计、产品卖点分析、人群定位、创意生成、投放时机、渠道选择、出价优化等等，任何一个环节做错都可能导致整个投放失效。

所以即使单个 Agent 的成功率已经很高了，但要把多个 Agent 串成实时协作的闭环还是极难，尤其还要结合 C 端用户的反馈不断优化。

那么，谁能解决这个多 Agent 协同问题，谁就能构建真正的技术壁垒。

3 面向未来：在 Agent 泛滥的时代，机会不在“再做一个 Agent”

谈到 Agent 对未来的影响和改变，毛波从他作为一个“数据人”的视角，分享了一些看法和预判：

“未来“10 人独角兽”不再是梦，只有 5～10 个人的小团队，也可能靠智能化的协同，干出过去千人公司才能完成的事。”因为十几个人的创业公司，通过成熟的大模型底座和标准化的多 Agent 框架，就能调度上百个 Agent，实现“以一敌百”的效果。

毛波认为，未来 AI 和 Agent 会让“先进生产力”更多出现在初创公司里，有些大公司反而会显得笨重。

而友盟 + 的愿景，就是帮助那些专注用户体验、脚踏实地的、“小而美的”开发者，降低营销投放的高门槛，让他们不必被流量和投放巨头裹挟，也能以低成本找到真正有价值的用户。

如果这个生态跑通，营销将从今天的“砸钱求流量”走向数据驱动、智能协同、长期可持续，广告主不必再被短期点击和下载量绑架，用户也可以少被粗暴广告打扰。真正有价值的内容和产品可以被精准匹配到对的人里。

这或许也能引发许多创业者的共鸣：在一个 Agent 泛滥的时代，机会不在“再做一个 Agent”，而在如何利用数据和协同，把它们真正用好。