我们如何为赢得用户信任与相关性打造ChatGPT全新的广告技术栈
内容提要
ChatGPT广告系统面向对话式多轮交互设计，采用有状态会话记忆，由经后训练的LLM编排器调用检索、过滤、评分、竞价等工具，独立于回答生成，以保持ChatGPT的中立性。广告仅在高度相关且及时时展示，无合适广告属正常结果。系统上线不足200天，年化收入达10亿美元，超10万广告主投放，并通过强模型评估与人工反馈持续优化。
延伸解读
广告与回答分离：中立性的架构保障
文章强调，广告选择流程独立于ChatGPT的回答生成，运行在单独的服务中，使用不同的模型和代码。这种架构边界确保广告不会影响回答内容，保持ChatGPT的中立性。同时，广告系统的故障或延迟不会拖垮ChatGPT，因为两者没有依赖关系。这为对话式产品中引入广告提供了一种可参考的设计思路：将商业逻辑与核心体验解耦，以用户信任为前提。
有状态会话：理解多轮对话中的意图演变
传统广告系统基于离散事件（如搜索查询），而ChatGPT的广告系统采用有状态会话，跨轮次甚至跨对话记忆信息。这是因为用户意图在对话中逐步清晰，例如先问跑步训练，几轮后才问跑鞋。系统通过LLM编排器解释上下文，避免过早或错误地投放广告。这种设计更贴合对话式交互的连续性，但也对意图识别的准确性提出了更高要求。
无合适广告是正常结果：高门槛的投放标准
文章指出，返回无广告是系统正常且成功的结果。广告仅在高度相关且及时时展示，且需通过资格过滤、相关性评分、竞价等多重环节。此外，即使广告已服务端交付，若未及时到达前端或被认为不适合对话上下文，也不会展示。这种高门槛策略旨在优先保障用户体验，避免广告干扰对话，但也意味着广告主需面对更严格的投放条件。
模型评估与人类反馈：持续优化的双循环
系统利用最强推理模型评估广告流程，并训练更小的模型来优化编排和检索等环节，形成自我改进循环。同时，人类反馈（点击、隐藏、问卷）和广告主反馈被用于指导产品方向，文章称人类反馈比模型观察更能塑造品味。这种结合模型评估与人类判断的机制，有助于在规模化的同时保持广告的相关性和恰当性，但具体效果依赖反馈的质量和多样性。
Q&A
ChatGPT的广告系统为什么不能照搬传统搜索广告的架构？
传统广告系统基于离散的用户意图事件（如搜索查询或页面浏览），而ChatGPT中的用户意图是在多轮对话中逐步展开和变化的，有时甚至没有合适的广告时机。因此需要一套全新的、能理解对话上下文和意图演变的广告技术栈。
ChatGPT广告系统如何避免广告影响ChatGPT的回答？
广告选择过程与ChatGPT的回答生成完全分离，运行在独立的服务中，使用不同的模型和代码。广告系统独立评估是否有合适的广告机会，而ChatGPT的核心服务器只负责生成有机回答，两者互不干扰。
ChatGPT广告系统里的“编排器”是什么？它负责哪些工作？
编排器是一个经过后训练的前沿LLM，它以智能体循环的方式调用广告系统的各个工具，包括理解对话意图、准备检索查询、检索广告候选、过滤不合格候选、评估相关性与质量、运行竞价以及最终交付广告。
ChatGPT广告系统如何判断一个对话是否适合展示广告？
系统通过有状态会话记忆跟踪多轮对话，由编排器LLM解释对话上下文和底层意图，区分当前意图与过时上下文，并识别用户是否在假设性讨论。只有当广告高度相关且及时时才会展示，没有合适广告是正常结果。
ChatGPT广告的竞价和最终选择是如何进行的？
编排器评估候选广告在对话上下文中的合理性，提名合适的候选进入竞价。竞价工具负责最终的服务机制，包括竞价准入、预算 pacing、出价计算、质量调整排名、定价和最终选择。编排器不直接决定哪个广告胜出或设定价格。
ChatGPT广告系统上线后的商业表现如何？
上线不到200天，年化收入运行率达到10亿美元，已有超过10万家广告主在ChatGPT上投放广告。
ChatGPT广告系统如何持续优化广告的相关性和质量？
系统使用最强的高推理模型评估整个广告栈的表现，并训练后训练的LLM提升效果；同时收集用户点击、隐藏、问卷反馈以及广告主通过Ads Manager的直接反馈，人类反馈指导品味方向，形成自我改进循环。
