互联网领域，广告营销是先进技术和研究成果商业化最快的一种渠道。而这一次，生成式大模型的浪潮带来的不再是效率的微小提升，而是决策权的转移 —— 广告链条上做决定的，正在从「人」变成「人 + AI Agent」。

在2026年9月，京东JDD（京东全球科技探索者）大会广告技术论坛上，京东广告团队做了题为《Agentic广告营销新范式》的报告。

视频回放→  JDD Oxygen智能零售论坛 | 《Agentic广告营销新范式》

欢迎各位有志之士加入广告团队，请直接京东ME联系： zhangzehua，或者发送邮件：zhangzehua@jd.com

核心观点

1. 决策者换了，整条广告链都在重构。

过去广告主改计划、消费者刷列表、平台做分发，都是人在做决定。现在投放、消费、平台三个环节的决策主体都变成了「人 + AI Agent」混合模式，谁先把这三个环节的命题答对，谁就能拿到新浪潮的先机。

2. 广告AI的应用标准变了：从Next Token到Next Business Outcome。

以前拼的是下一个Token，现在拼的是下一个Action，最终要对齐的是下一笔经营结果。一个能上生产线的广告Agent必须同时具备五件事：理解目标、真实执行、保持状态、反馈进化、可信治理。

3. 投放大脑：从概率预测走向逻辑推理。

传统广告算法主业是概率预测 —— 这条创意点不点、这个人转不转。但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」。

4. 开放架构与算力底座，决定Agent能不能真正上生产。

不是再做一套API，而是提供完整的智能体运行环境，允许外部Agent和平台Agent互相通信协作（A2A）。同时通算+智算超节点把跨节点通信时延降低90%，缓存池扩展到300TB以上 —— 没有这套底座，大规模广告Agent只能停留在Demo。

演讲实录

以下是演讲实录（经不改变原意的编辑整理）

今天我跟大家分享一个正在重塑广告行业的话题：Agentic 广告营销新范式。

过去几年，大家听得最多的是大模型会写文案、会出图、会聊天。那些能力很强，但广告主坐在我们对面时，问的从来不是「模型参数多大」，而是：下一次投放，能不能更省人力、效果更稳定、更能增长。

我们希望：AI 不再只负责生成内容，而要自己做决策、自己执行、并对经营结果负责。

一、Agentic 浪潮对广告行业的冲击与挑战

Agentic 浪潮对广告行业的冲击与挑战

首先看一件正在发生的事：决策者换了。

过去，广告链条上做决定的都是人——广告主改计划、消费者刷列表、平台做分发。现在，Agent 浪潮来了之后，决策主体变成 "人 + AI Agent" 混合模式。

• 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 + 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。同时，大规模、低时延的算力缺口越来越大。

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。所以今天不是讨论「要不要上 Agent」，而是：整条广告链都在重构，谁先把投放、消费、平台这三个关键环节的命题答对用好，就可以在新的浪潮中得到先机。

二、Agentic B端广告服务

Agentic广告投放经营的能力分层

我们很多人会混淆三类 AI 能力，我把它分成三层，大家可以快速区分：

• 自动化操作： 人想好策略，机器去执行。人还是大脑，机器是手。
• 生成式辅助： 人提问，AI 回答。写文案、看报表、做分析，主动权还在人手里。
• 自主经营： 人只定义目标，Agent 持续创造结果。

这三层很容易混。京小通要做的，是第三层：Advertising Agent。

以前 AI 拼的是 Next Token，下一个字；现在拼的是 Next Action，下一个动作；最终要对齐的是 Next Business Outcome，下一笔经营结果。所以一个能上生产线的广告 Agent，不能只有大模型。它必须同时具备五件事：理解目标、真实执行、保持状态、反馈进化、可信治理。少任何一块，都只是聊天，不是经营。

总而言之，未来最强的广告系统，不在于功能按钮堆得多，而是谁率先跑通完整闭环：感知 — 决策 — 行动 — 学习。这是整个 Agentic 广告的核心基石。

B 端广告：京小通 Advertising Agent，目标驱动提效

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

先回顾商家过去真实工作状态：商家运营每天要重复大量机械工作。 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； 每天还要花时间下载数据、Excel 透视表制作日报。大量时间消耗在数据搬运、页面跳转，真正思考经营策略的时间反而很少。

而京小通 Agent 的模式非常简单：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：它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。

右边这组对比，广告主一看就懂。

• 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。

把人从搬数据里被解放出来，才有时间想经营。

再看山泽这个案例。大促期间，他们用京小通做全托管，盯住凌晨 2 到 5 点这块人工盲区。人不可能通宵改出价，Agent 可以。它抓住流量时间窗口、自动优化、低成本抢量，夜间投放转化效率提升 30%。白天也一样：对手预算一波动、流量成本一变、搜索词一热，窗口只有几分钟。Agent 7×24 盯着，把这些碎片机会收成增长。

最后必须讲一句：不受限制的自动化工具，谁用起来心里都没底，而广告投放Agent的自主，不等于失控。就必须要把这7点做好：权限隔离、风险分级、执行仿真、关键审批、异常熔断、完整审计、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：广告主决策推理大模型，从概率预测走向逻辑推理

京小通为什么敢替商家做动作？背后是我们的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：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。所以我们把能力做成三步：

• 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。

当然我们也很高兴能看到过去一段时间，智能化产品线上后累计，广告主采纳率 +15.4%，广告主 ROI +8.7%。

三、Agentic C端广告服务

C 端 Agentic 广告：交互式导购，解决 70% 模糊搜索意图

消费侧的变化，比投放还更早被用户感觉到。

我们看到一个现实的问题：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。所以刚需很清楚：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。对用户，是「你真懂我」；对广告主，是广告出现在正确的对话位置。

过去货架电商是人搜商品；Agentic 时代，用户表达需求，AI 给出整套解决方案。京东 APP 现在是搜推广传统模型 + AI 模型 Hybrid 双轮驱动混合模式。

不论是我们传统的货架场域，还是AI导购场域。用户输入模糊需求，都需要一个更强大的意图推理，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。广告服务也打造了更强的理解能力，并已经接入到了新的导购场景中。

Think Then Recommend 先想清楚

先来看如何「先想清楚」。这是我们在 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。

RIGER，如何注入到对话里

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。

想清楚之后，还要能进生产。广告生成式推荐算法真正想要在业务上获得收益，并不是只理解需求，而是要把这些诉求转换成我们广告主真正在投放的广告，所以就有了 RIGER，SIGIR 2026。一句话——把潜在需求的推理结果注入生成式广告召回。

一方面通过左侧更好地理解用户的历史，另外将「春节、礼赠、特产」映射成商品体系认得的 Intent SID；在线，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。

四、Agentic 底层架构与算力

Agentic ADS 开放系统架构

前面讲到的B 端 C 端业务能力跑通，离不开平台底层系统架构，而相较于传统架构，Agentic时代更加讲求专业性和开放性，因此，我们在广告场景上不是又做了一套API，而是欢迎广告主一起参与到Agentic合作中。我们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。这是下一代广告平台非常重要的技术方向。

三层开放设计：

1. 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我们广告平台；
2. 专属运行时 Runtime：重点是 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；
3. 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。

底层算力：超节点推理能力，Agentic 时代广告生产力底座

前面提及了那么多不同的Agent 应用，都离不开海量的数据和充沛的算力。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。这些数据和算力才是真正的生产力。

我们在过去一年系统性地引入了通算+智算超节点系统，实现了几个关键指标：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。

其背后的三大核心技术： 第一，URMA，跨节点高速传输，解决大块 KVCache 对象跨机器传输瓶颈； 第二，OS 异构融合池化内存管理，把 HBM、本地内存、SSD 多级缓存打通； 第三，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。

软硬件协同优化：让 Agent 广告推理达到几十毫秒

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。前面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。我们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。

五、展望&结语

Agentic 让广告投放更智能

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了新的一套范式，我们期待跟广大商家一起，通过Agentic让广告投放更智能！

以下为招聘时刻

非常欢迎有想法有意愿的同学加入本团队（京东集团-京东零售-平台营销中心-广告产研部），请直接京东ME联系： zhangzehua，或者发送邮件：zhangzehua@jd.com