解密 ChatGPT 广告技术栈：LLM 编排与对话架构

传统广告系统通常围绕单次独立的搜索或页面访问构建，依赖即时事件触发广告匹配。在 ChatGPT 这种多轮对话场景中，用户意图逐步演变，往往没有明确的单点展示时机。为此，OpenAI 构建了一套以经过定制后训练的大语言模型为核心的全新广告技术栈。该系统在推出不到 200 天内，年化收入已达到 10 亿美元，吸引了超过 10 万家广告主。

三项核心架构决策

为了适应多轮交互中用户目标的动态变化，这套广告技术栈确立了三项关键架构原则：

1. 维护有状态的广告会话：系统不会将每条消息孤立对待，而是在多轮对话甚至跨会话中保持上下文记忆，防止过早触发无意义的广告投放。
2. LLM 编排器驱动：依靠定制的大语言模型作为核心“编排器”（Orchestrator），通过 AI 智能体循环与工具调用，端到端执行意图理解、检索、排序与竞价。
3. 与 ChatGPT 回复生成严格解耦：广告系统作为独立服务并行运行，使用完全独立的模型与服务链路。广告绝不会干预 ChatGPT 的非广告回答，也不影响主模型的生成延迟。

LLM 编排器如何驱动智能体循环

在广告生命周期中，编排器负责理解深层对话上下文，并在后台动态调用不同的工程工具：

• 意图重写与多查询生成：用户的真实诉求往往分布在多轮对话中。编排器会提炼对话摘要，并将其转换为多个语义查询。例如，在用户规划旅行时，编排器可分别生成交通、住宿或装备等不同维度的查询表示，而非死板匹配单一关键词。
• 大规模语义检索：广告系统针对不同广告形态构建了多个向量索引，利用近似最近邻（ANN）搜索，根据语义嵌入快速在全网候选池中召回广泛的潜在广告。
• 多维度合规过滤：召回结果会经历严格的准入筛选，检查预算消耗节奏、地域定向、品类合规、展示场景适配性以及广告主去重。
• 评分与动态竞价：通过工具调用，系统对候选广告进行语义相关性预测、互动率预估以及历史质量评估。达标的候选广告将提交给竞价系统，完成出价计算、质量调整排序与最终定价。

交付约束与中立呈现

在服务端选出获胜广告并不代表其最终会被展示。在 ChatGPT 前端渲染前，系统设置了双重安全防线：

1. 语境适宜度审查：即使广告本身合规，如果编排器判断其嵌入当前对话语境显得突兀或不合时宜，会直接予以拦截。
2. 严格的响应时限：ChatGPT 回复以流式生成，系统绝不会为了等待广告加载而拖慢聊天响应。一旦广告流程超时，本次展示将被直接舍弃。“不展示广告”被视为一种正常且健康的系统状态。

在展示形式上，系统会生成一段客观中立的模型引言，将广告创意与聊天上下文自然衔接，明确标示为赞助内容，既传递了商家的有效信息，也维护了 ChatGPT 内容的中立底色。

评估闭环与工程演进

该技术栈深度利用了 OpenAI 自身的推理与工程能力：一方面，团队使用推理能力最强的模型作为评估者，直接观测投放数据并反馈蒸馏至下游专用小模型，形成持续的自我迭代闭环；另一方面，团队依据明确的广告原则⁠划定红线，结合人类反馈（点击、隐藏及调查）把控体验分寸。

在整个开发过程中，团队围绕 Codex 组织基础设施与防护链路，极大地压缩了从数据洞察到系统上线的迭代周期。未来，ChatGPT 广告技术栈将探索更具互动性的新形态，例如允许用户在广告位内直接与商家 AI 进行多轮对话交流。