专题演讲嘉宾：Keer Liu

小团队怎么撬动头部品牌的十倍GMV增长？答案是一整套为跨境电商内容生产专门打造的AI Agent系统。

TikTok电商的内容竞争从来不是单点优化能赢的游戏。从一条视频的开头到最后能否变成成交，中间每一环都需要被准确判断，任何一环出错，前面的努力都会白费。这场分享将拆解这套系统的搭建过程，包括视频本身如何批量生产，内容好坏如何沿着完整的转化链路去判断，以及过去靠人工逐条处理的中间环节，如何被系统接管。

更重要的是，会坦诚讲清楚最难的部分：当系统的判断和真实的转化数据出现偏差时，如何定位问题出在哪一环，又如何让系统在持续迭代中变得越来越准确。这背后没有一个现成的工具可以直接套用，需要深度理解 TikTok 平台和具体品类的用户心理与转化逻辑，再把这些一点点注入系统。

这套体系已经支撑多个 TikTok 美区垄断级头部品牌完成从 0 到 1 冷启动，最快 90 天内即拿下细分类目第一；服务的某品牌单品类 GMV 实现 20 倍增长，整体短视频业绩一个月内翻倍。本次分享会给出可迁移的判断框架，也会坦诚讨论这条路上还没解决的问题。

演讲提纲

1. 小团队如何撬动头部品牌的十倍增长
   • TikTok 内容增长不是“生成几条脚本”，是选题、hook、脚本、素材、达人、投放反馈、GMV/GPM/VV 回流共同组成的连续决策链路。
   • 通用大模型给不了具体行业的判断精度，这是为什么我们要走 FDE 路线，把行业 know-how 沉淀为可训练的垂直小模型，而不是依赖一个通用模型的泛化能力。
   • 小团队真正需要的不是一个会写文案的模型，而是一套能持续复盘内容、沉淀判断、生成实验假设并推动下一轮生产的 Agent 系统。
2. 整体技术架构与 Agent 分工
   • 系统从数据层开始接入 TikTok 视频、商品、达人、飞书/Excel、TikTok Shop，以及 GMV/GPM/VV/CTR/CVR 等效果指标，先把内容和结果放到同一个分析语境里。
   • 在此之上沉淀品类知识、hook 模式、卖点/痛点 taxonomy、人群标签、达人画像和爆款样本库，形成可被 Agent 调用的知识层。
   • Agent 层按职责拆成 Video Understanding、Hook Analysis、Selling Point、Pain Point、Audience/Persona、GPM Efficiency、Script Planning、Global Synthesis 等角色。
   • 每个 Agent 都有明确边界：输入什么、判断什么、输出什么、如何被评估，避免让一个大模型一次性完成所有复杂判断。
3. Agent 之间如何协同
   • Agent 之间不靠自由对话协作，而是通过结构化中间结果传递上下文，前置 Agent 负责把视频和数据理解成可计算的内容信号，后置 Agent 再基于这些信号生成脚本、拍摄 brief、视频 prompt 和实验方向。
   • 这种方式让系统更容易定位错误：如果脚本效果不好，可以追溯是 hook 判断错、卖点归因错、人群假设错，还是生产执行偏了。
   • 为了控制上下文长度，会做 context compression 和 selective retrieval，只把后续任务真正需要的结论传下去。
4. Harness 编排、模型选型与持续优化
   • 我们将流程抽象成类似 Agent DAG 的编排方式，由 Harness 管理任务状态、并发 worker、工具调用、超时、重试、降级、局部重跑和 trace replay。
   • 多模态大模型负责视频理解和复杂生成，embedding/聚类/规则系统负责标签归并，逐步沉淀垂直 scoring model 来做转化评分。
   • 不同任务走不同模型路由：简单抽取走轻模型，高风险判断走强模型，高频标签任务走缓存或 embedding，避免精度和成本同时失控。
   • 每次调用记录 prompt version、input/output、latency、token usage、fallback path，让长链路问题可以被复盘，而不是只能凭感觉调 prompt。
5. 效果评估与真实业务闭环
   • 离线用历史视频做 backtesting，观察 Agent 判断与 GMV/GPM/VV 的相关性、top-k 命中率，以及高分低转化、低分高转化样本。
   • 在线用 A/B test 验证脚本 variant，关注 3 秒留存、完播、互动、商品点击、加购、成交和 GPM，而不是只看播放量。
   • 当系统判断和真实转化不一致时，进入 error bucket 归因，区分内容生产、判断逻辑、达人匹配、素材执行和供给侧问题；真实结果会反向更新 taxonomy、prompt、评分器、Agent routing policy 和品类知识库，让系统在持续迭代中变准。
6. 工程挑战与关键 tradeoff
   • 精度和成本：要让系统真正懂一个细分品类，需要大量真实样本、人工标注、评估集和反馈数据，前期会有判断不够准的冷启动阶段。
   • 自动化和可控性：偏差是常态，所以必须保留 human-in-the-loop、review queue、置信度阈值和人工 override，但人工节点越多，自动化效率就越容易被稀释。
   • 行业深度和复用性：垂直 Agent 绑定了品类 taxonomy、用户心理、价格带和转化路径，换到差异较大的品类时，prompt、标签体系和评估集都要重新校准。
   • 工程上还要解决 JSON 输出不稳、schema drift、标签漂移、长上下文截断、token 成本、异步任务失败和业务数据噪声等问题。
7. 解决方案与落地结果
   • 对模型输出使用 output validator、JSON repair、schema check、retry policy、LLM fallback 和 local fallback，避免单个 Agent 失败拖垮整条链路。
   • 对长任务使用 job state machine、watchdog、partial result streaming、trace logging 和 section-level regeneration，支持异步任务追踪和局部重跑。
   • 最终团队从人工看视频、写脚本、复盘数据，转向训练系统、审核策略和管理内容实验；业务上支撑多个 TikTok 美区垂直类目从 0 到 1 冷启动，最快 90 天登顶细分类目第一，并实现单品类 GMV 20 倍增长。

听众收益

1. 获得一套可迁移的AI Agent商业场景落地方法论，如何从真实业务痛点出发设计Agent架构，而不是反过来找场景验证技术。
2. 了解通用大模型在垂直行业场景的能力边界，以及自训练垂类小模型加大模型Agent协同这种组合打法的实际工程取舍。
3. 看到一套真实跑在生产环境、有具体商业结果验证（类目第一、冷启动周期、产能提升10倍）的Agent系统案例，而非停留在Demo阶段的概念展示。