1. 业务任务：从表现不好，继续找到修改方向
经营数据可以帮助团队定位表现不好的素材，具体为什么不好、先改哪里，仍依赖专家复盘。人工覆盖有限，判断经验也难以稳定传递给一线。
我的任务是梳理专家如何判断，把隐性的分析过程转换为可执行、可检查的节点。
2. 先组织素材事实，再进入判断
输入包括国家、用例、视频关键帧和中文脚本。优秀与问题素材依据业务侧提供的规则区分，规则可随业务需要调整；我的工作重点是将素材输入组织为可供模型分析的上下文。
视频预处理结合 FFmpeg、ASR、OCR 和时间戳，提取画面、语音与文字信息，并连接千问模型完成脚本翻译。抽帧采用分段策略：前 1–3 秒的钩子部分约每 0.3 秒抽一帧，产品功能讲解段密集抽帧，其余部分均匀抽帧；再排除重复画面、黑屏等。约 35 秒的广告通常保留 20–50 帧，抽帧策略可按素材和业务需求调整。
基于这些输入，先提取用户身份、场景、痛点、产品动作与输出结果，后续节点继续诊断，减少对原始素材的重复理解。
国家 / 用例 / 关键帧 / 脚本
→ 优秀素材事实与共性
→ 问题素材事实
→ 优劣素材差异
→ 分层诊断
→ 核心问题排序与建议
→ 专家修改、确认与发布素材不足以支持当地背景判断时，先查已有资料并检查时效；缺少可用信息时，再通过搜索引擎、目标地区网站，重点结合 TikTok 的相关内容补充证据，并将有价值的信息保存到知识库。当前采用资料查找与搜索，未接入 RAG。外部证据能否支持诊断，仍由专家审核。
3. 优先级来自业务判断的前置关系
我通过专家实际案例与反复沟通，形成以下分析顺序：
| 层次 | 要回答的问题 | 对后续的影响 |
|---|---|---|
| 本地化适配 | 国家与用例是否适配，当地用户痛点是否成立 | 决定素材的基本需求假设是否成立 |
| 产品价值 | 产品动作与输出能否回应用户痛点 | 决定素材是否说明了有意义的价值 |
| 表达执行 | 表达与执行是否影响用户理解 | 在前两层成立的基础上寻找表现问题 |
如果用户痛点本身不成立，优化剪辑或文案很难修复上游逻辑。诊断按这个依赖顺序展开，再对候选问题排序。
4. 为什么拆节点、限制输出并保留专家
拆节点便于定位错误。 事实理解、差异分析和建议生成分别有输入输出，对比 AI 初稿与人工终稿时，可以回到具体节点修改。
限制输出服务实际修改。 从多个候选问题中综合上游业务影响、对比证据和修改价值，保留优先处理的 1–2 个问题，给出具体建议。
专家负责判断是否发布。 AI 生成的诊断是待核对的分析假设。管理者可以修改、删减或不发布，确认后才进入业务复盘。未经人工确认便直接进入业务流程，可能将错误诊断转化为生产指令，误导素材修改与资源投入。
优秀素材与问题素材存在差异，并不足以证明某项差异导致了投放效果变化。诊断需要给出依据和可修改的建议，最终由专家结合业务判断是否采用。
我采用固定编排的工作流，将专家隐性的复盘经验转化为可检查的分析步骤，并按需调用搜索工具。流程编排固定，模型生成的判断仍需核对。
5. 运行结果
运行期间日均完成约 20 条素材的 AI 复盘。业务侧逐条评定，其中约 75% 具有参考价值；该比例衡量业务参考价值，不代表模型判断准确率。