paper2skills Playbook

LLM AutoBidding MAS — 大语言模型驱动的层次化自动竞价系统

Skill-LLM-AutoBidding-MAS · 10-MAS

causalexperimentoptimizationrecommendationragmulti_agentpricing广告与投放推荐与搜索知识图谱与RAGMAS与智能体工程定价与利润WF-B 广告优化WF-D 选品扫描WF-F 动态定价
实现难度⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / CTO · 产品经理 · CEO
适用平台Amazon PPC + 库存 + 定价 多 Agent 协作 · TikTok 内容运营流水线
什么情况下用运营任务太碎,选品/定价/广告/客服同时跑,人手严重不足;重复性运营动作需要 7×24 响应但没有足够人力
成功是什么样的多个 AI Agent 协作自动完成跨系统运营任务,运营团队人效提升 3-5 倍,7×24 无人值守运营
业务痛点
运营人手不够任务太多价格变化没有及时响应重复性工作占据太多时间想做 7×24 监控但没人盯

1. 解决的问题

诊断:用单一 LLM 直接生成竞价出价,会产生"竞价幻觉"——LLM 对价格的量化感知不准确,输出如 `$15.00`(实际均值 $0.80)的离谱出价。

2. 核心算法逻辑

传统自动竞价系统(如 Amazon 自动广告)基于规则或简单 ML 模型,有两个核心局限:

3. 业务应用场景

业务背景:母婴品牌在 Amazon US 上线新 SKU(婴儿护臀膏),历史广告数据仅 3 天(150 次点击,8 次购买)。需要设定关键词竞价,但数据太少无法训练传统 ML 模型。

业务背景:Prime Day 大促期间,关键词 CPC 飙升 2-3×,需要实时调整竞价策略(每 30 分钟一次),防止预算超支同时维持可见度。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

未自动抽取;请查看原始 Skill 卡片。

7. 代码模板

代码块数量:5 · 路径:未检测到

from dataclasses import dataclass, field
from typing import Any, Dict, List, Optional, Tuple
import random


@dataclass
class BiddingContext:
    keyword: str
    current_bid: float
    market_avg_cpc: float
    budget_remaining: float
    budget_total: float
    target_acos: float
    current_acos: float
    current_roas: float
    history_clicks: int
    history_conversions: int
    time_remaining_hours: float = 24.0


@dataclass
class BiddingDecision:
    keyword: str
    recommended_bid: float
    reasoning: str
    intent: str
    confidence: float
    within_budget: bool


class DARAReasonerAgent:
    """
    DARA Reasoner:基于竞价情景生成推理链(策略方向)
    少样本友好:历史数据越少,正则化越强
    """

    def __init__(self, min_history_for_confidence: int = 50):
        self.min_history = min_history_for_confidence

    def reason(self, ctx: BiddingContext) -> Tuple[str, float]:
        data_confidence = min(1.0, ctx.history_clicks / self.min_history)
        acos_gap = ctx.current_acos - ctx.target_acos

        if acos_gap > 0.1:
            direction = "reduce"
            magnitude = min(0.2, acos_gap)
            reasoning = (
                f"ACOS {ctx.current_acos:.1%} 远超目标 {ctx.target_acos:.1%},"
                f"需降价 {magnitude:.0%}。"
                f"{'数据充足,可信度高。' if data_confidence > 0.7 else '数据稀缺,保守调整。'}"
            )
        elif acos_gap > 0:
            direction = "slight_reduce"
            magnitude = 0.05
            reasoning = f"ACOS 略高,微降 {magnitude:.0%}维持竞争力。"
        elif ctx.budget_remaining / ctx.budget_total < 0.3:
            direction = "reduce"
            magnitude = 0.1
            reasoning = f"预算剩余不足 30%,降价保存预算。"
        else:

8. 论文来源

  • 2601.14711
  • 2603.05134