飛豬搭建系統演進：從人工運營到多Agent協同搭投生產

作者 | 飛豬技術 丁兆杰

飛豬搭建體系介紹

可視化頁面搭建技術在業界已相當成熟，幾乎每個前端團隊都會建設一套頁面搭建系統，它顯著提升研發效率與交付速度，已成為業務快速迭代與規模化生產的關鍵基礎能力。飛豬移動端頁面搭建最早誕生于營銷大促場景，不同于常規的業務開發，營銷大促業務具有以下特點：

• 迭代速度快：飛豬大促項目頻次高且節奏緊湊，傳統瀑布式研發模式難以適配業務快速迭代訴求。需沉淀一套面向活動場景的低代碼平臺，將頁面公共能力和通用組件進行標準化、平臺化，以降低重復開發與跨團隊協作成本，支撐快速迭代與高頻發布，在有限周期內兼顧交付效率與穩定性；

• 頁面數量多：同期活動通常涵蓋多個會場、頻道、主題頁及域外落地頁等，上百個活動頁面并行推進，且頁面結構差異較大，高頻、緊急的營銷節奏疊加海量頁面需求，使研發交付壓力顯著增加；

• 頁面變陣頻繁：一場完整的大促活動通常要經歷「預熱、預售、現貨」等多個階段，不同階段的核心目標與主推商品 / 權益會遞進變化，運營工作人員需要實時盯盤，根據流量、轉化與庫存等數據頻繁調整頁面內容與商品坑位布局且要求快速生效；

基于上述特性，飛豬移動端頁面搭建體系應運而生，我們圍繞可視化搭建、數據配置與動態渲染三大核心能力，打造了一套面向高頻迭代與規模化交付的頁面搭建體系。該體系從初代寄生于阿里集團搭建平臺下的一個服務站點起步，先后經歷了數據投放服務自建、平臺能力自建、搭建服務與渲染底座自研。最終形成了當前將數據投放與頁面搭建深度融合的一體化“搭投”體系，能夠靈活支撐營銷大促、日常頻道、互動玩法、機酒汽等行業場景、商業化以及小程序等多場景業務需求。

飛豬搭建體系遵循 PMT 模型規范，核心概念包括：

• Page（頁面）：用戶可訪問的完整頁面載體，由頁面容器聚合多個業務模塊完成運行時渲染，頁面容器提供通用基礎能力，包括：模板引擎渲染、協議數據的轉換與分發、組件依賴與運行時注入、以及埋點與日志等公共服務；

• Module（模塊）：可復用的業務組件單元，封裝組件的展示與業務邏輯并定義數據綁定規則，支持獨立配置、按需組合編排，快速拼裝成不同頁面結構；

• Tag（資源位）：模塊內用于承載內容投放的最小單元，用來掛載與管理投放數據，一對多關聯具體數據投放配置，并支持個性化規則定投；

飛豬搭建平臺

現狀與可優化空間

從寄生站點到自研體系的全面回遷，標志著飛豬搭建體系逐漸成熟，但是依賴傳統人工選搭投的模式沒有得到本質化的改變。下一階段的重點，是在既有能力之上進一步釋放效率紅利，圍繞“搭建自動化、配置智能化、保障體系化”持續優化：

• 運營側提效：頁面搭建鏈路仍有較大提效潛力，當前運營在模塊選擇、配置理解、跨平臺聯動配置上投入時間較多，且在日常使用中對咨詢支持的需求仍然較旺。與此同時，運營團隊更新節奏快，新人從熟悉到獨立產出仍需要一定學習成本，存在進一步降低門檻、增強引導與工具化的空間；

• 設計側降本增效：頁面交付對設計資源的依賴仍然較重，尤其在大促等峰值場景，設計需求集中、節奏緊，容易成為影響整體交付效率的關鍵路徑。日常場景采用計件和眾包模式也帶來一定的成本與協同開銷，因此在設計素材智能生成等方面有進一步優化空間；

• 產研側提效：

• • 答疑提效：盡管已有答疑平臺與知識庫沉淀，但是在自主排查方面仍可繼續增強，高頻場景可進一步沉淀標準化診斷與一鍵解決方案，減少人工介入；

  • 技術保障提效：大促會場通常需要多輪預演，上線后也需要持續巡檢以應對業務調整帶來的體驗波動。隨著平臺迭代和營銷活動頻次提升，可通過自動化預檢和巡檢等方案持續降人工保障投入；

  • 研發提效：搭建模塊遵循特定規范與約束，新人從上手開發到獨立交付仍需一定學習成本；同時由于容器和渲染等核心鏈路的黑盒特性，仍需平臺負責人員提供一定協同支持與保障。可引入 AI Coding 輔助研發，并完善 AI 自助診斷與排障工具，提升代碼研發與問題排查效率，降低對平臺協同支持的依賴；

AI 化升級的目標

如今正是 AI 蓬勃發展的時代，問答推理、物料生產、流程編排等方案已經成熟，當下的命題應當是思考搭建 + AI 如何深度結合，打造智能化搭建系統，從人工運營向 AI 輔助運營轉型，最終實現無人值守自動化運營。為解決選搭投當前的問題正式啟動 AI 智能搭投升級專項：深度融合圖文素材生產系統、大模型調度編排等能力，將 AI 模式注入招商選品、頁面搭建、數據投放等核心系統，構建從需求理解 → 智能編排 → 自動執行的搭投新范式，為未來全域智能運營奠定技術基礎。

• 提升運營配置效率：打通“招選搭投”體系 AI 基礎能力，通過推薦模板頁面、智能搭建頁面、智能助理運維等能力輔助業務快速完成頁面搭投，覆蓋飛豬頁面搭建全場景、提升運營配置效率、減少頁面配置時間；

• 減少設計投入成本：全面推廣 AI 文生圖和創意合圖能力，實現計件眾包模式向業務自助產圖轉型，減少設計費用實現流程提效；

• 減少人工答疑成本：AI 賦能答疑場景，提升答疑助手攔截率，常見配置問題自動定位并引導解決，縮短問題解決耗時；

• 提升模塊研發效率：模塊研發全面擁抱 AI 模式，完善搭建 IDE Rules + MCP 生態，探索 D2C 在搭建模塊開發應用場景，提升模塊開發效率；

產品結構設計

智能選搭投體系 = AI 搭建 + AI 投放 + AI 素材 + AI 助理 + AI 答疑 + AI Coding

產品結構

技術實現細節

智能搭建

模板檢索

為了保證 AI 生產的頁面盡可能貼合飛豬營銷頁面規范且保證轉化效率，以及讓運營人員有體感預期，我們采用模板預覽的形式作為平臺入口，基于用戶描述推薦場景相似且業務效果較好的模板，用戶可進行預覽并確認后進入下一步生產流程。此外我們對頁面模板進行了分類，不同的頁面類型會走到不同的 Agent 完成生產。

模板預覽

那么這么多頁面模板從哪里來呢，總不能人工維護吧？答案是基于歷史頁面作為模板即可，畢竟運營人工搭的頁面一定是符合預期效果的。通過跑定時任務批量對歷史頁面進行回溯，再交給多模態 LLM 分析頁面內容打標，作為檢索關鍵詞進行向量化并落庫，檢索時進行相似度計算排序即可，實現細節如下：

• 頁面回溯：處理埋點日志找到頁面 UV 最大的日期，基于該日期進行頁面結構和投放數據 mock 穿越處理，并忽略頁面下線重定向邏輯，即可回溯到該頁面歷史線上投放效果；

• 頁面快照：基于無頭瀏覽器對頁面進行截圖，生成頁面截圖快照；

• 內容打標：基于多模態 LLM 進行頁面內容分析，生成頁面內容維度標識，包括：頁面介紹、關鍵詞、行業標、主題標、質量評分、效率評分等，作為相似度計算的依據；

• 向量持久化：基于 multimodal-embedding-v1 等多模態向量模型將快照截圖和內容標識轉換成浮點向量，存到關系型數據庫即可（如果數據量較大推薦使用向量數據庫）；

• 檢索召回：實時檢索時先進行簡單的 SQL 檢索過濾，再將用戶關鍵詞進行向量化，與數據庫中的向量字段進行余弦相似度計算，最后排序返回即可；

向量檢索鏈路

頁面生產

在頁面生成鏈路，我們梳理了飛豬現存搭建頁面類型，大致可分為“搭建頁”、“頻道頁”、“圖文頁”、“文本頁”四類，不同頁面類型有著各自的應用場景，需要針對性設計不同的技術方案：

最終生產的頁面效果如下，完全達到線上可投放標準：

搭建頁

傳統搭建頁主要通過各行業通用模塊搭建而成，不同搭建模塊配置項各異且繁瑣，新人理解學習成本非常高，即便是運營老司機走完配置流程也需要花不少時間，另外在配置過程中還需要填寫大量圖片素材依賴設計團隊產圖，頁面搭建過程并不絲滑，一整套頁面搭建下來往往需要花費大半天甚至幾天時間。

為此我們設計了智能搭建系統，基于用戶選擇的頁面模板復制頁面和模塊，LLM 推理用戶需求總結歸納為頁面搭建方案，批量調用智能投放鏈路（詳見后文）完成模塊配置，再打通后續排期發布和頁面發布工程鏈路。整套流程只需要 3 min 即可完成，用戶描述需求后全程無感，并且支持退出頁面后臺異步生產。

搭建頁面生產效果

整體走大模型編排鏈路，鏈路如下：

搭建頁生產鏈路

各流程節點實現細節如下：

圖文頁

傳統搭建模式難以有效支持圖文頁面場景，難點在于圖文頁偏設計化、頁面結構較復雜，一直以來我們都依賴設計出視覺稿再切圖投放，該模式設計計件費用昂貴并且流程較長，對于短平快的營銷場景來說是屬于歷史糟粕亟需革命。我們嘗試了以下方案，結果總是差強人意：

我們總是在討論 AI Coding 如何對程序員提效，那么能否直接繞過 “中間商賺差價”（拿起剪刀剪自己辮子），讓運營工作人員直接基于 AI 生產頁面呢？答案是可以的，拋開復雜的頁面交互邏輯，如果僅是產出靜態圖文頁面，完全可行。

我們設計了一套 Agent 模擬 “前端頁面開發” 流程，由 LLM 擔任產品、PM、設計、開發等多角色，協同完成圖文頁面開發任務，最終產物為頁面 HTML 代碼。再將 HTML 代碼渲染至左側面板提供預覽能力，支持文本、圖片等 DOM 元素可視化編輯以及選中元素后 AI 微調等能力供運營人員二次調整。頁面調整完成后會按頁面片段進行圖層切分，基于 html2canvas 庫將 HTML 片段代碼轉換成 PNG 圖片，導入圖片模塊并借助 LLM 完成自動圈選熱區，最終生成可點擊圖文頁面，或者直接 HTML 代碼注入模塊實時渲染。

圖文頁生產效果

整體采用 Manager–Worker 架構設計智能體，拆分分析器、調度器、設計師、工程師等多個角色協同完成長圖文生產任務，單 Agent 內部實現完整的 ReAct 范式確保輸出最優，使用任務隊列模式存儲執行進程和上下文，由 AI 自主完成監督調度。在設計 Agent 時需要嚴格約定出入參數據格式以便調度器準確調度執行，另外還需要設計糾錯機制和重試機制保障 Agent 節點在意外抖動時整體鏈路能夠穩定運行。圖片頁生產鏈路

核心 Agent 實現細節如下：

智能投放

飛豬搭建體系遵循 PMT 規范，其中資源位數據投放也是搭建鏈路中重要的一環，我們自建了數據投放系統，支持靜態數據源（模塊配置）、標準數據源（商品寶貝、酒店日歷房）、插件數據源（服務端接口）三類數據類型，涵蓋了幾乎所有場景的數據內容投放。在搭建 AI 化升級過程中我們對數據投放鏈路同步進行了升級，衍生出了智能投放鏈路。智能投放目前支持了圖片素材、模塊配置、商品選品、二方平臺四類場景一句話快速投放，并且支持全類目定投策略智能關聯能力，如：時間周期、人群、設備等。我們還對智能投放原子化能力進行封裝以支持頁面級批量調用，通過 LLM 分析頁面主題歸納頁面搭建方案，各模塊基于搭建方案自主生產投放數據。

智能投放技術鏈路如下圖，首先 LLM 會根據用戶描述、頁面和模塊信息進行推理，生成符合頁面主題的模塊推薦配置，引導用戶快速選擇。用戶進一步描述后，LLM 針對不同物料類型生成所需的內容素材，包括：配置項（JSON）、文案、圖片等，并對素材內容整合轉換成模塊配置入參，若語義識別到用戶有定投訴求會自動進行配置，最后調工程鏈路完成排期發布和釘釘消息通知。

智能投放鏈路

智能投放各節點詳細方案和效果如下：

智能助理

在頁面搭建過程中，運營人員除了搭建模塊和數據投放外，通常還需要配置頁面容器、插件，以及后續投放過程中的渠道加參和轉碼轉鏈等操作。這類配置內容比較分散，甚至跨多個平臺，對于新人運營人員有一定學習過程。因此我們結合 AI 能力推出了「智能助理」，涵蓋：頁面修改、轉碼轉鏈、熱點分析等多種能力，支持語義識別用戶的訴求自動調用相應的工具，輔助用戶提高運營效率。

技術鏈路上比較簡單，通過 LLM 理解用戶的操作意圖，轉換成工具約定的出入參并調用底層平臺能力完成對應的操作，功能實現細節如下：

智能素材

此外我們還提供了原子化素材創意生成能力，幫助有匠心的運營人員快速微調和優化頁面素材內容：

AI 答疑

飛豬搭建直面一線運營人員，我們沒有專業的技術支持人員，答疑工作只能由產研人員“兼職”。每天面對大量的答疑咨詢工單，讓本就繁忙的研發工作雪上加霜。在 LLM 普及后我們也是第一時間接入答疑場景，提供平臺和群答疑兩種交互模式，日常常見問題全部交由 AI 處理，技術人員只需處理疑難雜癥即可。將答疑工作量減至原來的 1/6，攔截率達到 91.4%。

AI 答疑技術方案比較簡單，純調 LLM 沒什么好說的，核心需要豐富的知識庫來提高答疑準確率。我們扒了近幾年來飛豬搭建相關的技術 & 產品文檔，根據常見問題進行分類，修訂為搭投提示知識庫。有了知識庫還需要對 RAG 進行優化，主要通過文檔分段打標實現，我們通過三方接口召回了集團答疑工具近年來所有人工答疑記錄，作為語料支持對現有知識庫進行打標，文檔缺失部分將該 Case 作為 FAQ 進行補充。基于存量知識庫答疑總是具有局限性，隨著飛豬搭建體系不斷地迭代發展，所以還需要讓 AI 自我學習最新知識，我們將 AI 對話和人工答疑對話落庫，跑定時任務召回對話并進行向量化落庫。后續實時檢索時歷史對話也會作為知識庫的一部分。

AI 答疑 RAG 鏈路

AI Coding

搭建模塊開發

在 AI Coding 方面我們沒有選擇造 “重復且低質量的輪子”，而是在 Qoder、Cursor 等成熟 IDE 基礎上，通過修訂 Rules 方式增強 AI 編碼能力。我們編寫了 8 類搭建模塊開發特殊規則，并接入飛豬代碼倉庫知識庫、Ftech、Figma 等 MCP 服務實現組件庫代碼片段召回、PRD 理解、D2C 視覺稿轉碼等能力。有助于模塊開發提效，對于新人入門非常友好，整體編碼提效 80%+，實測模塊功能實現和業務邏輯近乎完美只需要微調樣式，規則目錄如下：

schema 編寫助手

飛豬搭建模塊配置表單遵循類 JSON Schema 規范，我們開發了 Schema 編寫助手，輔助開發快速生成表單配置，支持 mock 數據和 schema 配置互轉，減少新人學習成本、提高模塊開發效率、減少研發答疑成本。

schema 助手

總 結

通過對選品、搭建、投放、素材等平臺全面整合，我們對飛豬搭建體系進行全面的 AI 化升級，面向運營、設計、產品、研發等全角色構建了一體化的智能搭建平臺。在產品形態上，智能搭建體系已經形成智能創建、智能投放、智能素材、智能助理、AI 答疑、AI Coding 六大支柱，為未來全域智能運營奠定基礎。

開發一套 AI 體系遠比想象中困難，它不像寫代碼那樣有明確、可復現的確定性結果，幾乎每天都在對著“人工智障” 撓頭。最棘手的問題之一就是大模型的幻覺：自始至終都在困擾著我們，哪怕只是一個很細微的偏差，在多輪任務的鏈式執行中也會被不斷放大，最終產出就可能變得不可用。在不討論訓練 / 微調模型這類高階手段的前提下，我認為提升 Agent 準確率無外乎以下幾種手段：

• 架構設計：Agent 開發需要有 “把不確定性關進籠子” 的架構設計，實踐中可以結合具體場景參考網上的經典設計案例，把任務拆解為可控步驟并引入觀測、校驗、重試、回滾等機制，將大模型的自由生成約束在可驗證和糾偏的閉環中以降低幻覺；

• 工程實現：多數場景下，工程代碼在執行性能與穩定性上更具優勢，對于鏈路中規則清晰、可驗證的環節，優先用工程代碼實現，能有效降低不確定性；

• Prompt 調優：Prompt 是一門學問，調好了能讓大模型穩定地發揮能力，總結來說就是結構化、多約束、評估標準、分層書寫。網上有許多教程和黑科技，不妨先快速學習一輪，實踐中靈活嘗試運用，磨刀不誤砍柴工；

• 上下文管理：對于多 Agent 體系中，上下文管理尤為重要，一股腦往里塞必然導致 “上下文污染” 越聊越偏。因此需要設計合理的 memory 結構，為上下文標注來源和邊界，只使用可信內容、臨時內容及時銷毀；

• 模型升級：終極大招，可能你調了半天發現還沒換個模型見效快，那就等待 AI 科技的發展進步吧。但是別忘了，基建架構是不可逆的，設計好了就是錦上添花，設計爛了就是雪上加霜；

展 望

下一階段的關鍵在于把 AI 搭建從 “提效 Copilot” 升級為 “可控、可評估、可閉環的生產系統”，通過約束式架構、自動診斷調優等手段不斷提升 AI 的自我思考能力并減少幻覺，推廣到日常活動、頻道運營、大促活動等方方面面，支撐飛豬更高頻、更復雜、多場景的全域智能運營。以下是建設過程中的一些思考以及后續規劃：

AI 大促活動

飛豬營銷會場經過多年的迭代和嘗試，已經沉淀了一套兼顧轉化和效率、經得住業務考驗的組貨搭投模式，從去年起所有的營銷大促活動基本上都是在這套成熟框架下復用搭建。后續我們會以模板化的形式將 AI 搭建賦能至營銷大促場景，實現 “招選搭投” 全流程 AI 化：大促招商通過后自動創建大促會場活動分組，自動創建主會場、行業會場、二級主題會場等頁面，分析大促主題和招商商品信息完成模塊配置、圖片 / 文案素材、圈選商品自動投放。大促活動創建時即靜默創建可投放頁面，運營人員只需要進行客制化微調即可。將 90% 以上重復機械性工作交給 AI，解放運營生產力，使其聚焦于頁面內容的創作和投放渠道的運營。

AI 診斷調優

目前的智能搭建承擔的是 Copilot 角色，通過 AI 能力幫助運營人員解決了機械性搭建工作，但是頁面本身的規劃創作工作仍需要運營主動決策，也就是達到了 L2 輔助駕駛程度。后續我們會深度打通 C 端日志埋點體系，結合頁面實時業務數據、變陣調整記錄、歷史相似頁面等多維度進行分析，提供頁面診斷和優化分析能力，在此基礎上實現模塊順序調整、模塊替換、配置優化等自動調整 AB 能力。沉淀數據資產驅動 AI 自動診斷調優，訓練智能搭建 Agent 決策大腦，實現 L3 端到端自動駕駛能力。

AI Coding 生成業務模塊

前文提到 AI 生成圖文頁的本質是先生成一段 HTML 代碼再轉圖渲染，既然已經能完美生成靜態頁面，那么能否直接生成帶業務邏輯和交互的動態頁面？后面我們會嘗試接入存量模塊倉庫作為上下文，讓 AI 直接生成 Rax/React 模塊代碼，作為一種動態類型模塊（渲染時腳本）嵌入頁面容器進行渲染。基于該方案業務人員可以直接跨越傳統開發模式，讓 AI 做你的專屬產品 / 視覺 / 開發 / 測試，靈感想法即是生產力，動動嘴皮子就能生產全新的搭建模塊。當然對于 AI 生產模塊的質量和穩定性顯然是一大嚴峻的考驗，需要建立合理的 AI 診斷和流程審批機制進行保障。這可能是 AI Coding 的最終形態，代碼只是中間產物罷了，要什么編輯器（要什么程序員），直接服務于業務豈不快哉！