根據(jù)麥肯錫2023的最新報告，生成式AI在經(jīng)濟價值中的75%主要集中在四個領(lǐng)域：客戶運營、營銷和銷售、軟件工程和產(chǎn)品研發(fā)。營銷領(lǐng)域是AIGC的重要使用場景。

目前，許多國內(nèi)外公司已經(jīng)開始在營銷領(lǐng)域布局或應(yīng)用大模型，以提升營銷效率。

在貨拉拉我們也積極推進大模型的建設(shè)，進行企業(yè)內(nèi)部業(yè)務(wù)應(yīng)用賦能，將其應(yīng)用到營銷場景中(包括外呼、邀約、補貼、觸達、廣告、抽獎、積分等)。通過這種方式，不僅提高了運營效率，也為用戶提供了更好的體驗。

在貨拉拉，我們將大模型營銷能力拆分為8個基礎(chǔ)能力。這8個基礎(chǔ)能力是我們公司所有營銷業(yè)務(wù)的支柱，它們共同構(gòu)成了我們的技術(shù)框架，為我們的業(yè)務(wù)提供了強大的支持，這8個基礎(chǔ)能力分別為：

• 營銷內(nèi)容洞察： 同義詞擴充、內(nèi)容解釋、輔助分類等；

• 營銷圖片： 圖片搜索、圖片生成、圖片修改、圖片標注等；

• 營銷會話： 話術(shù)生成、對話續(xù)寫等；

• 營銷視頻： 視頻主題、視頻腳本、視頻制作；

• 營銷內(nèi)容制作： 內(nèi)容生成、內(nèi)容修改、內(nèi)容檢查、內(nèi)容搜索；

• 營銷數(shù)據(jù)分析： 數(shù)據(jù)指標生成、指標總結(jié)、策略建議；

• 營銷助手： 營銷建議（時間、工具、觸達手段）

• 營銷代碼開發(fā)：后端策略代碼、前端營銷活動代碼；

營銷消息生成

在當今的數(shù)字化營銷環(huán)境中，貨拉拉每月需要推送高達26億條的消息。然而，重復(fù)發(fā)送相同的消息會導致用戶疲勞，進而導致消息點擊率下降，甚至用戶選擇關(guān)閉消息。這無疑對貨拉拉的營銷效果產(chǎn)生了負面影響。

在這種情況下，人工智能生成內(nèi)容（AIGC）的應(yīng)用顯得尤為重要。AIGC能夠自動生成各種各樣的消息模板，避免了重復(fù)發(fā)送相同的消息，有效緩解了用戶的疲勞感。同時，AIGC還能根據(jù)用戶的行為和喜好，生成更具吸引力的消息，從而提高消息的點擊率和發(fā)送成功率。

更為重要的是，AIGC能夠幫助貨拉拉節(jié)約消息模板生成的成本。傳統(tǒng)的消息模板生成方式通常需要人工設(shè)計和編寫，而AIGC可以自動完成這些工作，降低了成本。

因此，AIGC的應(yīng)用不僅可以提升用戶體驗，還可以實現(xiàn)營銷消息點擊收益的最大化，對貨拉拉的營銷效果產(chǎn)生積極的推動作用。

貨拉拉通過精心設(shè)計的提示（prompt）和豐富的文案庫，能夠生成各種風格的消息模板，如下表所示：

同時，貨拉拉將該能力以產(chǎn)品化的方式接入營銷消息中心，運營人員在配置消息模版的時候可以選擇AI代寫或者AI改寫功能。

在AI代寫方面，運營人員只需要填寫【場景】、【用戶類型】、【渠道】和【文案風格】等關(guān)鍵詞信息，就可以通過調(diào)用LLM platform生成所需的文案。這大大提高了文案創(chuàng)作的效率，同時也保證了文案的質(zhì)量和針對性。

在AI改寫方面，用戶只需要填寫待改寫的原文，就可以通過調(diào)用LLM platform生成改寫后的文案。這不僅提高了文案改寫的效率，也保證了文案的質(zhì)量和一致性。

此外，我們還提供了針對文案生成結(jié)果的用戶評價功能。用戶可以對生成的文案進行點贊、點踩或填寫問卷等評價。如果用戶對當前文案滿意，可以直接使用；如果不滿意，可以支持再次調(diào)用生成，直到滿意為止。

最后，我們也將該能力繼承到貨拉拉開發(fā)的瀏覽器插件Lalabot的寫作模塊中。在Lalabot的寫作模塊中，我們提供了多種預(yù)置的業(yè)務(wù)場景模板。用戶只需要選擇合適的prompt，就可以快速批量生成文案。這大大提高了寫作的效率，同時也保證了文案的質(zhì)量和一致性。

營銷圖片生成

在現(xiàn)今的廣告環(huán)境中，貨拉拉的廣告流量日均曝光量已經(jīng)達到了約2670萬，主要采用圖片的形式進行展示。這種廣泛的曝光量為貨拉拉提供了巨大的廣告機會，但同時也帶來了挑戰(zhàn)，那就是如何設(shè)計出能夠吸引用戶點擊的圖片素材。

在使用Stable Diffusion和Midjourney生成廣告時，我們發(fā)現(xiàn)直接使用提示（prompt）生成營銷廣告圖片質(zhì)量不高，不能直接使用，同時，廣告圖片設(shè)計模板的變化并不頻繁。

因此，我們根據(jù)歷史點擊率較高的模板，實現(xiàn)了一種半自動化的橫向擴展的人工智能生成內(nèi)容（AIGC）能力。

具體的實施步驟如下：

1. 我們首先設(shè)計出一套設(shè)計模板，這包括確定圖片的尺寸、字體以及位置等元素。

2. 接著，我們利用大型模型的能力，自動生成相應(yīng)的文案。

3. 然后，我們使用Pillow Package工具，將自動生成的文案添加到設(shè)計圖上，從而實現(xiàn)文案庫的橫向擴展。

4. 最后，我們選擇優(yōu)秀的廣告圖片進行上線，并收集其效果反饋。對于點擊率較低的圖片，我們會進行替換，以優(yōu)化廣告效果。

5. 通過這種方式，我們不僅提高了廣告的效果，也提升了運營效率，實現(xiàn)了營銷消息和廣告點擊收益的最大化。

邀約對話總結(jié)

在當前的環(huán)境下，貨拉拉邀約中心已經(jīng)積累了大量的對話文本，并且這些文本還在不斷增加。然而，邀約員填寫的跟進記錄的完整度較低，每個人的標注習慣也各有不同，這使得對話文本的識別難度增大。

為了解決這些問題，我們在邀約員與司機對話結(jié)束后，將樣本數(shù)據(jù)進行匿名化處理后，利用自研的GPT對話總結(jié)能力，提供了客觀、清晰、標準的通話記錄小結(jié)。這種方法不僅可以提高對話文本的識別準確性，還可以提高邀約員的工作效率。

更為重要的是，我們將標記為“有意向”的線索優(yōu)先轉(zhuǎn)化給邀約員。這種策略可以確保邀約員優(yōu)先跟進有可能轉(zhuǎn)化為實際業(yè)務(wù)的線索，從而提高邀約員的跟進效率，實現(xiàn)資源的最大化利用。

對話總結(jié)實例：

營銷機器人

在當前的貨拉拉平臺上，每日都有眾多司機和用戶通過客服中心或企業(yè)微信進行各類營銷相關(guān)的咨詢，這些咨詢內(nèi)容涵蓋了如何下單、是否有優(yōu)惠、如何支付等多個方面。對這些問題的及時且準確回復(fù)，能夠直接推動平臺訂單的生成，從而促進訂單轉(zhuǎn)化率的提升。

目前，營銷機器人的主流技術(shù)主要基于預(yù)設(shè)規(guī)則和意圖識別，能夠自動回復(fù)用戶的消息，或者根據(jù)用戶的消息內(nèi)容，自動執(zhí)行一些任務(wù)。然而，隨著大語言模型的發(fā)展，多輪對話能力、問題拆解能力和語言生成能力的提升，為營銷機器人的構(gòu)建提供了新的思路。

大語言模型能夠理解和生成自然語言，使得機器人能夠更好地理解用戶的需求，提供更準確的回答。同時，多輪對話能力使得機器人能夠與用戶進行深入的交流，提供更個性化的服務(wù)。問題拆解能力則使得機器人能夠更好地理解和處理復(fù)雜的問題。

在貨拉拉，我們基于這些先進的技術(shù)，正在嘗試構(gòu)建一個新的營銷機器人Agent。這個Agent的目標是幫助用戶拆解和回答各種營銷相關(guān)的問題，提供更高效、準確的服務(wù)。我們相信，這種基于大模型的營銷機器人，將能夠大大提高我們的服務(wù)質(zhì)量，提升用戶滿意度，從而推動訂單轉(zhuǎn)化率的提升。

在這個項目的初期階段，我們將主要從兩個方向入手：

1. 營銷問題的回答:

對于營銷問題的回答，我們選擇采用Langchain+大模型，以知識庫檢索方式回答。知識庫檢索的優(yōu)點在于，當我們的營銷策略發(fā)生變化時，我們可以簡單地更新知識庫的內(nèi)容，以反映這些變化。這樣，我們的營銷機器人Agent就能始終提供最新、最準確的信息，從而提高用戶滿意度。

• 本地知識庫檢索問答流程圖如下圖所示，主要分為3個步驟：

• 步驟一

• 利用本地知識庫文件構(gòu)建本地向量庫。首先對本地知識庫文件進行解析和分割，然后進行文本向量化處理后儲存到本地向量庫中。

• 步驟二

• 查詢知識庫中與用戶問題相似的前K個文本塊。首先將用戶問題文本轉(zhuǎn)為向量化，然后與向量庫中的向量進行相似度匹配，返回前K個最相似的文本塊。

• 步驟三

• 構(gòu)造提示詞模板。首先將步驟二中返回的前K個最相似的文本塊與用戶提問文本填入到提示詞模板中，然后將提示詞直接丟給大模型進行回復(fù)，將結(jié)果返回給用戶。

2. 下單流程的輔助：

對于下單流程的智能輔助，將下單過程分解為以下幾個關(guān)鍵要素：

1. 業(yè)務(wù)類型（例如，拉貨或搬家）

2. 運貨起點和終點

3. 用車車型

4. 用車時間

首先，我們將利用大模型的多輪對話能力，通過與用戶的交互，逐步獲取這些要素。這種對話的方式可以提高用戶的參與度，提供更好的用戶體驗。

其次，我們將這些要素整理成Json格式，以便于后續(xù)的處理和調(diào)用。這種格式的優(yōu)點在于，它是結(jié)構(gòu)化的，可以方便地進行數(shù)據(jù)分析和處理。同時，它也是通用的，可以方便地與其他系統(tǒng)進行交互。

目前，貨拉拉的營銷機器人Agent仍處于初期構(gòu)建階段。我們的團隊正在積極進行迭代優(yōu)化，以使其盡快達到上線使用的標準。

在這個過程中，我們將持續(xù)改進和優(yōu)化機器人的各項功能，包括問題回答的準確性、下單流程的智能輔助能力，以及與用戶的交互體驗等。

雖然我們的營銷機器人Agent還處于初期階段，但我們對其未來的發(fā)展充滿信心，我們相信它將成為我們提升服務(wù)質(zhì)量，提升用戶滿意度，推動訂單轉(zhuǎn)化率提升的重要工具。

在AIGC的實際應(yīng)用中，最終的落地形式是以Application的方式，為業(yè)務(wù)方和用戶提供服務(wù)。隨著貨拉拉的應(yīng)用逐漸增多，大模型的能力也被越來越多地接入和利用。這種趨勢使得更多的應(yīng)用開始調(diào)用大模型，從而引發(fā)了一系列新的問題和挑戰(zhàn)。

1. 如何構(gòu)建通用的營銷工具以供大模型使用。這需要我們在設(shè)計和開發(fā)過程中，充分考慮到各種可能的應(yīng)用場景和需求，以確保我們的工具能夠適應(yīng)各種不同的環(huán)境和條件。

2. 復(fù)雜的營銷應(yīng)用可能會涉及到多次模型的使用，這就需要我們對模型的設(shè)計和組織方式進行深思熟慮。我們需要找到一種有效的方式，將多個模型有機地組合在一起，以實現(xiàn)復(fù)雜的營銷任務(wù)。

3. 我們需要找到一種快速、可視化的方式來搭建模型調(diào)用鏈路和應(yīng)用。這不僅可以提高我們的工作效率，也可以幫助我們更好地理解和掌握模型的運行情況。

為了解決上述問題，我們設(shè)計一個貨拉拉大模型營銷應(yīng)用平臺，自頂向下分為五個層級，以實現(xiàn)更高效的運行和管理。

1. 應(yīng)用層：這一層主要包含貨拉拉的各種營銷應(yīng)用，如消息中心、邀約中心話術(shù)、智能廣告文案等。這些應(yīng)用是我們與用戶直接交互的界面，它們將復(fù)雜的技術(shù)過程轉(zhuǎn)化為用戶可以理解和操作的形式。

2. Agents層: 這一層是應(yīng)用決策的智能體，它包含記憶、問題拆解、Tools工具調(diào)用等功能。Agents層的主要任務(wù)是根據(jù)用戶的需求和行為，做出最優(yōu)的決策和響應(yīng)。

3. 應(yīng)用組件層: 這一層主要負責構(gòu)建Agents所需要的工具組件，例如Prompt模版、Chains等。這些組件是Agents層的基礎(chǔ)，它們?yōu)锳gents提供了執(zhí)行任務(wù)所需的工具和資源。

4. 模型工具層: 這一層包括通用模型、自研模型以及自研工具。這些模型和工具是我們處理數(shù)據(jù)、訓練模型、優(yōu)化模型、部署模型等任務(wù)的基礎(chǔ)。

5. 數(shù)據(jù)層: 這一層主要包括服務(wù)監(jiān)控、營銷知識庫、文案庫等。這些數(shù)據(jù)是我們的模型和應(yīng)用的基礎(chǔ)，它們?yōu)槲覀兊哪Ｐ吞峁┝擞柧毢蛢?yōu)化所需的數(shù)據(jù)，同時也為我們的應(yīng)用提供了運行所需的信息。

通過這五個層級的設(shè)計，我們可以更好地管理和運行我們的應(yīng)用，從而提高我們的業(yè)務(wù)性能。

貨拉拉已經(jīng)開始在營銷領(lǐng)域使用大模型的AIGC能力，提升營銷效率，提高服務(wù)質(zhì)量和用戶滿意度，從而推動訂單轉(zhuǎn)化率的提升。

在營銷文案生成方面，我們的AI可以根據(jù)產(chǎn)品特性和目標用戶群體，生成吸引人的、有針對性的營銷文案，大大提高了文案的創(chuàng)作效率和質(zhì)量。

在營銷廣告圖片生成方面，我們的AI可以根據(jù)營銷主題和目標用戶群體的喜好，生成吸引人的、有針對性的廣告圖片，提高了廣告的吸引力和轉(zhuǎn)化率。

在對話總結(jié)方面，我們的AI可以快速準確地總結(jié)出對話的關(guān)鍵信息，幫助我們更好地理解用戶的需求和反饋，從而提高服務(wù)質(zhì)量和用戶滿意度。

在營銷機器人方面，我們期待AI可以24/7無間斷地與用戶進行互動，提供個性化的服務(wù)和推薦，提高用戶的滿意度和訂單轉(zhuǎn)化率。

貨拉拉通過不斷的前進，始終保持在技術(shù)前沿，以便為用戶提供最優(yōu)質(zhì)、最高效的服務(wù)。