夜间转化提升30%，京东把广告决策交给了Agent

凌晨两点到五点，是广告投放的人工盲区。人不可能通宵改出价，但Agent可以。京东广告团队在JDD大会广告技术论坛上披露，山泽在大促期间用京小通做全托管，盯住这个时间段，夜间投放转化效率提升了30%。

这个数字背后，是广告链条上一个更根本的变化：做决定的，正在从「人」变成「人 + AI Agent」。

三个环节的决策者都换了

京东广告团队在题为《Agentic广告营销新范式》的报告中，把这件事拆成三个环节来看。

投放这边，人不再一条条盯计划，开始把投放决策交给Agent。传统产品形态和竞价机制，越来越接不住这种7×24的决策密度。

消费这边，用户不再只是自己点搜索、刷货架，开始跟人加AI一起聊需求。消费决策从「列表里翻」，变成「对话结果里选」。

平台这边，通用大模型很会聊天，但很难直接塞进广告这种专用决策——它要懂经营目标、要调真实工具、还要在几十毫秒里给出动作。

还有一个更本质的矛盾：广告主的Agent要ROI，消费者的Agent要买得值，平台要全局效率。三方目标函数不一样，效果预期就容易出现预期差。

商家只定义WHAT，不定义HOW

落到B端实践，京东打造了京小通Advertising Agent，面向广告商家。

先看商家过去的工作状态：每天十几次查看消耗进度，点开多个页面、筛选计划、手动计算；每天十几次核对创意数据，五六步下载数据，跨渠道找计划；还要花时间下载数据、做Excel透视表日报。大量时间消耗在数据搬运和页面跳转上，真正思考经营策略的时间反而很少。

京小通的模式是：商家只定义WHAT，定义业务目标，不用定义HOW怎么做。

举个例子：商家输入目标——这款新品30天完成冷启动，守住ROI，同时找到放量空间。剩下全部交给Agent Runtime。

Agent内部会做几件关键事情：先建一个业务世界模型，把商品、店铺、人群、账户、行业环境放在一起看；再由规划器把大目标拆开——生成假设、排动态任务、设成功和退出条件；再叠加策略、人群、创意、投放、分析，五类动作都有工具、技能和工作流接进广告API。线上决策不是纯LLM，最后再综合规则、大模型、预测模型、Bandit、因果实验和Memory一起工作。

效果对比很直接：

• 以前每天十几次点进各个产品线看消耗，五步以上下载创意数据，再进Excel做日报
• 现在说一句「看一下全部计划消耗进度」，5秒；「查一下近七天创意」，5秒、准确率近100%；「生成昨天的日报」，2秒

把人从搬数据里解放出来，才有时间想经营。

自主不等于失控

不受限制的自动化工具，谁用起来心里都没底。京东广告团队强调，广告投放Agent的自主，不等于失控，必须把七点做好：

1. 权限隔离
2. 风险分级
3. 执行仿真
4. 关键审批
5. 异常熔断
6. 完整审计
7. 一键回滚

广告主把目标交给Agent，同时把方向盘上的红线留在自己手里。

投放大脑：从概率预测走向逻辑推理

京小通为什么敢替商家做动作？背后是广告主决策推理大模型，也就是投放大脑。

传统广告算法很强，但主业是概率预测：这条创意点不点、这个人转不转。概率很重要，可经营决策不是只猜一个数——它要解释「现在该加预算还是该收，为什么，做错了怎么退」。

整套模型分为三层：基础层、模型层、能力业务层。

基础层融合三类数据：平台广告数据、商家投放行为效果、外部行业热点；模型层是通用大模型基座，做了广告垂直领域知识融合，学习投放决策理解；能力层向上输出投前策略建议、智能诊断、全智能托管。

能力做成三步：

• 动态感知：实时看流量质量、竞争态势、目标有没有在路上，把多维投放数据织成一张动态的竞争关系图
• 推理决策：识别流量洼地，给出预算、出价这些可执行的个性化建议，推动广告主采纳
• 反馈闭环：决策轨迹、推理链、反思和归因，回流训练，模型越跑越懂这个行业

过去一段时间，智能化产品线上后累计，广告主采纳率+15.4%，广告主ROI+8.7%。

70%的模糊意图怎么接

消费侧的变化，比投放还更早被用户感觉到。

一个现实问题：用户访问里，大约70%是模糊意图。不是「iPhone 16 Pro 256G」，而是「又好又便宜」「送长辈的礼物」。短词、场景、情绪——传统关键词广告最怕这种查询，匹配不准，跳失就高，转化就低。

刚需很清楚：要有多轮对话导购智能体，把模糊需求翻译成商品画像。

商业化必须放在体验约束之下。导购可以变现，GEO也可以探索，但前提是用户体验优先——用户聊得不顺，任何变现都是损伤。

对广告主，这意味着：以前你买的是关键词；以后你要出现在用户「正在把需求说清楚」的那几轮对话里。意图接不住，广告就没有下一跳。

京东APP现在是搜推广传统模型加AI模型Hybrid双轮驱动混合模式。不论传统货架场域还是AI导购场域，用户输入模糊需求，都需要更强的意图推理，把模糊需求翻译成清晰商品画像，完成需求承接，同时完成商业化。

先想清楚，再进生产

如何「先想清楚」？这是京东在WWW 2026发表的工作：Think Then Recommend。

举个最简单的例子。用户说「我想要双鞋」，传统系统可能只抓住「鞋」这个词，推一排热销。可他上周刚看过球拍和运动服，这双鞋大概率是球场上要穿的。不先把意图想清楚，广告就是在碰运气。

传统对话推荐有两个老毛病：一看当轮短词，不看这个人长期买什么；二是黑盒，用户不知道为什么推这个，广告主更没法调。

TTR把它拆成三个Agent：

• 基础意图抽取——把多轮对话和当前这一问放在一起，先判断此刻要什么
• 细粒度意图生成——用历史行为补全，冷启动用热度兜底，让「我想要双鞋」长成带品牌、品类、价位的结构化意图
• 偏好对齐推荐——先向量召回，再语义对齐、重排，给出结果和理由

TTR解决了「想清楚用户要什么」，但想清楚之后，还要把理解到的需求真正注入到广告召回链路里——这就是RIGER做的事，发表于SIGIR 2026。一句话：把潜在需求的推理结果注入生成式广告召回。

一方面更好地理解用户的历史，另一方面将「春节、礼赠、特产」映射成商品体系认得的Intent SID；在线时，意图SID和行为SID融合，既探索潜在需求，又保住原有偏好。

最终用户理解能力提升+227%；在线点击+1.6%，消耗+1.3%，严格冷启动的新品+4.08%。服务1.9亿用户。

对广告投放而言，这组数字很直接：原来行为里看不见的需求，现在能被召回；冷启商品有了更多机会。

开放架构与算力底座

B端C端业务能力跑通，离不开平台底层系统架构。Agentic时代更讲求专业性和开放性，京东在广告场景上不是又做了一套API，而是提供一套完整智能体运行环境，允许外部Agent和平台Agent互相通信协作，也就是Agent-to-Agent交互。

三层开放设计：

• 客户接入层：A2A网关，完成鉴权、限流、路由，外部智能体可以对接广告平台
• 专属运行时Runtime：KA大客户可以拿到隔离专属Runtime，支持版本管理、回滚，保障业务稳定性
• 能力开放层：平台广告核心能力封装成Skills、A2A工具集，严格授权边界访问

算力层面，这些Agent既要持续保持记忆、又要飞快地进行多轮对话推理，核心痛点是极低时延、KVCache、海量缓存。

京东在过去一年系统性地引入了通算加智算超节点系统，实现几个关键指标：跨节点通信时延降低90%，缓存池扩展到300TB以上，支持千节点百TB级KVCache共享缓存。

背后三大核心技术：

• URMA，跨节点高速传输，解决大块KVCache对象跨机器传输瓶颈
• OS异构融合池化内存管理，把HBM、本地内存、SSD多级缓存打通
• 超节点通信能力，百万级RPC，免序列化拷贝

通俗来讲就是：反应够快，脑子够大，吞吐更强。没有这套算力底座，大规模广告Agent只能停留在Demo，无法线上大规模落地。

跟聊天机器人不同，商机瞬息万变，广告的决策往往在毫秒级别，Agent再聪明，晚几十毫秒，出价窗口就没了。除了超节点作为硬件底座，还需要从上到下全栈优化，才能做到广告业务几十毫秒级推理。

广告Agent既要做LLM推理，又要做向量检索，还要做大量业务逻辑。性能不是靠单点硬件堆出来，是算法、编译器、操作系统、芯片全栈协同调优的结果。京东跟国内外技术团队一起，从底层芯片、通信开始优化，再到操作系统定制、AI编译器定制，甚至到检索算法上都按0.5毫秒粒度在优化，最终实现最上层的广告Agent决策速度达到几十毫秒级别。

不是大模型加广告

Agentic投放并不是简单大模型加广告，而是从B端广告主提升、到C端消费者理解，以及背后一套完整的算力能力支撑起的新范式。

从夜间30%的转化提升，到70%模糊意图的承接，再到300TB缓存池和90%的时延降低，这条链条上的每一环，都在回答同一个问题：当决策者变成「人 + AI Agent」，广告平台该长成什么样。