营销文案流水线化生产—

背景：

做过工厂生产的朋友应该对生产流程：BOM、SOP这两个词不陌生，然而这两个词更厉害的地方在于标准化流程化作业。其实经过这么多轮迭代的内容生成，特别是和商业营销相关的数字化内容生成和其不是在追求标准化、流程化、定制化的生产链路。通过标准化、流程化、定制化的生产链路搭建，构建内容消费品的批量高效高质量同时能够做到个性化和差异化。

在这样一个大背景下把工厂标准化生产的流程化作业引入内容生成似乎是有可行性的。然后内容生产也是有其特殊性，个性化和内容差异化、感性化和工业化生产有很大差异的。那么这些差异化的地方又该如何解决，如何让线性batcg化生成的链路能够适配到定制化单品化的生产呢。

要解决这个问题，我们首先得找到问题根本在哪。其实根本原因就在批量化流水线生成容易高效降低每件商品生成的成本，不足就是不太容易满足个性化和差异化的需求；定制化和个性化的生成可以带来每个用户的最好体验，问题就在于为了满足个性化需求需要花费精力很高，很难做到低成本。那么有没一种折中的方案，来调和成本和体验的表层矛盾。如果对最先进制造理念有关注的同学应该不难发现：柔性制造、智能制造好像就是在解决这个问题诞生的先进理念。

那么柔性制造、智能制造到底是怎么来解决这个看起来不太容易调和的矛盾的呢。如果用一句话来介绍其实就是：“抽取生产流程中共性因素，共性因素凝结成原子化制造单元，通过原子化制造单元的组合构建多样化商品的可能；用户个性化多样化需求可以抽象成一些生产策略+多样化物料的组合，让生产链路组合智能可编程化”。

更直白点讲就是把多样性的来源看成是：物料多样化、生产原工艺组合多样化、生产组合智能化三个生产理念来解决。把这几个理念如果转到当下流行的大模型话语体系来讲就是，多agent的控制系统。其实就是BOM、SOP、智能组合BOM和SOP这三个步骤。

这篇文章介绍的是用agent来构建营销文案的差异化生产，营销文案的差异化生产的本质需求和商品的个性化需求是一样的。所以为了解决商品个性化需求而诞生的柔性生产、智能化生产的理念和生产流程一样适用营销文案生成。后面文章就把这些理念和大模型打造的能力柔和进来一起讲。

下面文章会用一个具体的实践例子把前面讲的各模块串起来成为一个系统。具体的流程可以看下面的流程框架图。

1.约定用户输入格式

2.根据用户输入选择生成策略

3.根据用户输入对物料结构化解析

4.根据生成策略和现在状态选择下一阶段任务

5.知识补全

6.物料融合生成文本

用户输入：

运营想法描述--提升**展位**品ctr，适配年轻人群

展位--**阵地腰封**卡

营销物体--稳健类基金产品

意图解析：

解析展位	抽取关键信息	召回信息
展位	**阵地腰封	约束：格式：单行1不超过0字可标红突出重点，双行主标题不超过11个字，副标题不超过12字，主标题可标红突出重点合规：不能出现***词
营销物	稳健类基金	品类卖点：1.高抗市场波动性2.低风险3.同品类相对高收益率4.长期累积收益率
运营想法	提升ctr	玩法：1.突出权益引流2.有心智用户打产品卖点3.人群情景化营销4.打“和你相关”吸引注意力
人群特征	年轻人群	通用标签：1.不喜欢过度约束，表述要有亲和力2.消费欲望强，喜欢尝试新东西3.好玩有趣新奇的玩法4.汽车、旅游、消费节、电子产品、吃喝玩乐金融标签：1.抗风险力小2.现金流较差，希望即时变现3.理财心智较弱，理财目的在于能够买到心爱物品4.对金融概念理解不深入

生成文案意图识别：

文案类型--产品卖点文案生成策略

生成策略描述--

突出产品卖点，根据用户输入的产品或品类卖点和特点，围绕卖点和特点做文案描述；输入为至少4类产品卖点、产品名称、文案格式约束、风格约束、参考例子；输出为制定数量和格式的产品卖点文案

文案生成策略--

1.提取产品卖点

2.如果卖点数量少于4个，需要调取工具补齐卖点数

3.结合产品介绍和卖点做卖点联想拓展

4.补充卖点上下文

5.选择数据组织策略

6.生成文案

需要物料--产品卖点、产品名、产品卖点上下文、产品卖点文案生成理由

格式约束--生成主副标题文版对，主标题不能超过12个字，副标题不能超过11个字，主副标题必须有一个要出现产品卖点，不能出现“极力推荐”、“值得购买”......这些强引导购买词

风格约束--商务简约、自然简约

参考文案例子--推荐样例、不推荐样例

匹配生成策略：
生成策略名——场景化营销文案生成策略
生成策略描述——匹配出产品卖点和人群金融标签，围绕产品卖点和人群金融标签，针对人群人群高匹配场景做文本描述
需要物料如下表（BOM）：

物料品类	物料信息	需要数量
产品卖点	抗波动性强	1
产品卖点	长期收益高	1
人群特征	喜欢有亲和力表述方式	1
人群特征	对汽车、电子产品消费力强	1
人群特征	抗风险能力小，现金流较少	1
营销场景	计划实现自己消费计划时	1
格式约束	单行10个字	1
风格约束	偏营销风格	2个
参考例子	“理好财，小钱也能攒辆车”	3个

生成流程（SOP）：
1.根据物料表和生成文案的策略需要物料清单数量，核对所需物料是否齐全
2.产品卖点物料不足，从“意图解析”——营销物—抽取关键信息—召回信息作为信息检索query召回更多有效信息
3.人群特征物料不足，从“意图解析”——人群特征—抽取关键信息—召回信息作为信息检索query召回更多有效信息
4.营销场景物料不足，从“意图解析”——营销场景—抽取关键信息—召回信息作为信息检索query召回更多有效信息
5.判断所谓物料是否够多样化，如果不够可以结合LLM+已有物料做联想生成
6.根据生成策略选择物料+生成prompt组织模版，把BOM信息案生成模版组织好
7.把组织好的prompt输入适配LLM模型生成文案
8.生成文案做文本自检（多粒度打分，可以用自训练LLM实现）

补充所需物料：

所需物料清单--产品名、产品卖点、产品上下文

工具清单--查数据工具、知识补充工具、即时数据向量库、文案组织策略选择

输出物料清单--

1.产品名

2.产品卖点

3.产品相关上下文

4.风格约束

5.格式约束

6.参考文案

7.数据组织策略

围绕补充信息构建物料检索仓：
即时信息补充——文件格式转换、文件关键信息摘取、文件问答能力、文件信息组织
稳健信息补充——信息来源整理，产品卖点、人群金融特征、营销场景、金融概念，信息转知识能力，知识检索准确度

fig1. 即时信息构建链路

fig2. 稳健知识构建链路

物料格式化组织

生成策略模版-- 指令，输入，上下文描述，格式约束，例子，输出格式

物料填充格式--

输出生成prompt--

Q：指令：用关键词组{"稳健理财、抗风险能力差、理财好习惯、逐步积累资产、小成本也可理财、收益稳健、抗风险、历史无亏损、资产稳健、小投入、交易灵活、买入成本低、收益快、周期短、交易灵活、收益稳步提升、练手好选择、可及时止损"},结合年轻人的生活场景和理财目标，想象自己是一个年轻人，想要看到什么样的理财信息，考虑他们初入职场或在大学，抗风险能力弱、能投入资金不多，灵活购买的理财需要，结合主标题的场景：年轻人的理财方式，你跟上了吗？写30对符合场景预期连贯多样化的副标题、底部引导文案更文艺委婉，不要出现用户注册下载的硬广描述，每句字数不超过20个字文案风格多样化、差异化，贴近年轻人生活，亲切可执行，场景化描述，有代入感，不承诺收入，不要过于绝对描述；输出格式如下json：{主标题：年轻人的理财方式，你跟上了吗？ ；副标题：；底部引导文案：}\n。
产出文案：

生成文案

LLM生成文案--

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from transformers.generation.utils import GenerationConfig
tokenizer = AutoTokenizer.from_pretrained("baichuan-inc/Baichuan-13B-Chat", use_fast=False, trust_remote_code=True,cache_dir = "./llm_model")
model = AutoModelForCausalLM.from_pretrained("baichuan-inc/Baichuan-13B-Chat", device_map="auto", torch_dtype=torch.float16, trust_remote_code=True,cache_dir = "./llm_model")
model.generation_config = GenerationConfig.from_pretrained("baichuan-inc/Baichuan-13B-Chat",cache_dir = "./llm_model")
messages = []
messages.append({"role": "user", "content": "请用“美好，生活，稳健，健康，收益”关键词生成20句适合年轻人的财富基金营销文案；每句话不超过15个字，并给出每句文案生成的逻辑和生成的理由；{[{”文案“:“1....”;“生成理由”：“”}]}json格式输出结果"})
response = model.chat(tokenizer, messages)
print(response)

from transformers import AutoTokenizer
from transformers import LlamaForCausalLM
import torch

device = torch.device("cuda")

query="请用“美好，生活，稳健，健康，收益”关键词生成20句适合年轻人的财富基金营销文案；每句话不超过15个字，并给出每句文案生成的逻辑和生成的理由；{[{”文案“:“1....”;“生成理由”：“”}]}json格式输出结果"
model = LlamaForCausalLM.from_pretrained("IDEA-CCNL/Ziya-Writing-LLaMa-13B-v1", torch_dtype=torch.float16, device_map="auto",cache_dir = "./llm_model")
tokenizer = AutoTokenizer.from_pretrained("IDEA-CCNL/Ziya-Writing-LLaMa-13B-v1", use_fast=False,cache_dir = "./llm_model")
inputs = '<human>:' + query.strip() + '\n<bot>:'
      
input_ids = tokenizer(inputs, return_tensors="pt").input_ids.to(device)
generate_ids = model.generate(
            input_ids,
            max_new_tokens=2048, 
            do_sample = True, 
            top_p = 0.85, 
            temperature = 0.85, 
            repetition_penalty=1., 
            eos_token_id=2, 
            bos_token_id=1, 
            pad_token_id=0)
output = tokenizer.batch_decode(generate_ids)[0]
print(output)