從關鍵字到完成廣告：五階段流程與讓系統可營運的六種狀態

現在每一款 AI 創意工具都在賣同一個想像：輸入一個關鍵字，另一端就自動吐出廣告影片。這個說法很吸引人，也最容易讓人誤以為中間的問題都已經被解決。

但只要真的跑過一次流程，就會發現「自動化」底下藏著一堆沒人替你回答的判斷題。關鍵字太冷門，搜尋不到自然內容，商業素材庫也沒有資料時，系統該停下來回報「沒有證據」，還是硬塞一份空白 brief 去生成一支從未被驗證過的影片？又或者流程跑到一半，某個管道不在帳號可存取的範圍內，資料根本回不來。這算是「沒有結果」，還是「根本沒查到」？兩種情況的下一步完全相反，但大多數一鍵式工具只會給你同一個轉圈中的載入畫面。

真正能上線營運、而不只是拿來 demo 的創意流程，價值不在最後那顆「生成」按鈕，而在於每一個階段都能誠實交代自己目前處於什麼狀態。這決定了它能不能進入正式環境，也決定了某次沒有產出時，你能不能找出究竟斷在哪裡。

先界定範圍。這套流程的研究階段，會以你自己的帳號登入各平台，讀取平台對所有廣告主公開的廣告資料庫與創意中心資料。沒有簽章、沒有繞過任何機制。本文談的是如何把這些公開資料整理成可執行的決策與素材，不討論如何取得資料。

先搭骨架：關鍵字到廣告影片的五個階段

一個關鍵字要變成廣告影片，必須依序經過五個階段。它們不是鬆散的「步驟」，而是前一階段輸出、下一階段接手的串接流程：

需求探索。 以市場搜尋詞查找自然內容，確認這個主題是否真的在使用者之間具備熱度。輸出的是自然內容訊號。
商業驗證。 同時檢查兩類商業訊號：一類是關鍵字機會，例如搜尋量、競爭度與投放端資料；另一類是創意中心中表現良好的 Top Ads。兩者都代表有人實際投入預算，且已經過市場驗證，因此和自然內容是不同層次的訊號。
創作者媒合。 在 influencer library 中尋找符合此主題與目標市場的創作者。
創意 brief。 將前面三個階段篩選出的合格證據整合成結構化規格，可直接餵給生成模型。敘事架構、開場 hook 的形式與目標市場，都在這裡定下來。
生成。 把 brief 交給影片生成模型，產出一支 9:16 直式原生廣告。

整條流程的重心其實都在第四步。前三步負責蒐集證據，第五步開始花錢，而 brief 是唯一把證據轉成決策的地方。前三步若蒐集得粗糙，brief 就只能根據雜訊下判斷，最後生成的影片也建立在雜訊上。這件事不會顯示在載入動畫裡；只有把每一階段的狀態攤開，你才看得出來。

前三個階段各自都值得獨立展開。像是如何解讀逐秒留存曲線、如何把關鍵字機會轉成單一預算數字，以及如何交叉比對 influencer library 與素材庫，而不是只看粉絲數挑創作者，都已有其他文章專門討論。本文要處理的是：當你把它們串成一條線後，才會浮現的額外問題。

六種階段狀態：為什麼「失敗」必須拆開來看

這是全文最重要的部分。

多數流程只替每個階段定義兩種結果：成功或失敗。在一兩個階段時或許還能使用，但流程拉長到五個階段就會失效，因為「失敗」把四種需要完全不同處置方式的情況混成了一團。

在這條流程中，每個階段的結果都應落在以下六種狀態之一：

completed：已執行，取得合格結果，可以往下走。
empty：已執行，管道可用，但沒有任何合格結果。查了，卻找不到。
skipped：你自行把該階段的 quota 設為 0，因此它根本沒有執行。
unavailable：想執行但無法執行。可能是管道不在帳號可存取範圍內，例如關鍵字機會只涵蓋部分市場語言；也可能是相依服務暫時故障。
blocked：上游證據不足，閘門刻意將它攔下。這不是該階段自己失敗，而是前面的輸入不夠。
ready：只用於生成的中間狀態。預檢已通過，但你尚未要求提交；它已具備產出影片的條件，正在等待你的指令。

重點不是蒐集六個名稱，而是只要把 empty、skipped、unavailable 與 blocked 全部壓成同一個「失敗」，這套系統就無法營運。它們都意味著「這次沒有影片」，但你該採取的動作截然不同：

empty 是資料問題。市場可能缺乏需求量，或關鍵字設得太窄。你該換詞或放寬門檻，不必改任何一行程式。
skipped 是你自己的選擇。不需要採取動作，但它必須和 empty 分開，否則你可能花半天除錯一個根本沒被開啟的階段。
unavailable 是管道或設定問題。應該檢查帳號涵蓋範圍或稍後重試，而不是一直調整關鍵字。
blocked 是上游問題。這一層本身沒壞，是某個前置階段回傳空結果。正確作法是回頭找哪個階段是 empty，不是和被攔下的那一層糾纏。

一個不透明的「失敗」會把這四條排查路徑全堵住，讓你只能猜。這也是為什麼只給結果、不給狀態的流程跑不久：每次出問題，你都得重跑整個流程，才能知道發生了什麼。

證據漏斗：自然訊號與商業訊號不能直接相加

需求探索不是「找到幾支內容」就算完成。原始結果必須經過一個逐層計數的漏斗：回傳多少筆、多少超出時間範圍、多少語言不符、多少偏離主題、多少觀看量不足以構成樣本，以及最後真正合格的有多少。當這個階段回傳 empty 時，漏斗能告訴你證據是在何處流失。完全找不到內容、找到很多但全都過期、有內容但沒有一支達到樣本門檻，這是三種不同的空結果，也有三種不同的下一步。沒有漏斗，empty 就只是一個空陣列，你甚至不知道它怎麼變空的。

比計數更重要的是一條原則：自然內容訊號與商業訊號必須分開計算，絕不能合成單一的「證據分數」。Top Ad 是有人真金白銀投放、平台也判定表現良好的素材；十支再熱門的自然影片，最多只能說明「人們願意免費觀看」。如果採用加權總分，十支自然影片可能靠數量淹沒一支 Top Ad，但後者的商業價值遠高得多。正確做法是先分桶、再排序：先看商業訊號；若沒有，再看合格自然內容；再沒有，才回退到創作者。排序依據應該是可信度，不是數量。

這條原則甚至適用於單支影片。評估自然內容時，按讚加留言是一類訊號，分享加收藏則是另一類。分享與收藏更接近商業意圖，代表「值得保留、值得轉傳」，排名時應比一般互動更有權重。互動量說明內容值得看；分享與收藏則表示它可能真的能帶動商品。即使看的是同一支影片，兩者也必須分開解讀。

（順帶一提，在歸因階段把相關性當因果、把出現頻率當成效果，是模型最容易犯的錯，因此 prompt 必須強制它提出反例。這和指紋辨識那篇文章中，要求模型持續檢驗自己剛辨識出的模式，是同一種 prompt 紀律。那篇談的是逆向工程中的反證區段；這裡談的是廣告歸因中的反例。機制相同。）

生成前要過兩道關：平台能生成，不等於這支片該生成

生成前有一個很容易被合併、卻絕對不該合併的判斷：平台能不能生成影片，和這支特定影片是否值得生成，是兩道不同的閘門。

第一道是平台預檢是否 ready：生成服務是否正常、quota 是否足夠、prompt 是否允許送出。這是基礎設施層級的檢查。第二道是研究證據是否 ready：已蒐集資料中，是否至少存在一筆合格的一手證據。這是內容層級的檢查。提交前兩道閘門都必須通過；任一未通過，狀態就是 blocked。

兩者都在回答「能不能生成」，所以很容易想合併。但一合併，就會遇到最昂貴的失敗類型：平台正常、quota 充足、prompt 合規，預檢也「通過」，結果卻生成了一支建立在零證據上的影片。這比乾淨地失敗更糟，因為它看似成功，你甚至可能真的拿去投放。拆成兩道閘門後，這種情況會安全地停在 blocked，並明確告訴你缺的是證據，不是 quota。「可以產出」從來不等於「應該產出」；把兩者寫進同一個條件，是這類流程最常見的設計錯誤。

brief 只能讀合格證據：競品文案留在研究，不該進生成 prompt

創意 brief 是整條流程中對文字模型要求最高的環節，也是去敏感化最容易失控的地方。

它的工作，是從合格證據中萃取已驗證的結構：Top Ads 中反覆出現的是哪種 hook、留存曲線在哪一秒達到高峰、表現好的自然內容採用了「提出問題、展示結果、行動呼籲」中的哪一種骨架。接著再把這些結構綜合成生成規格。

不過有一條硬性限制：競品素材的原始文字只用來判斷結構，絕不能進入最終生成 prompt。競品 hook 裡的品牌名稱、供應商數量、quota、價格與成效宣稱，都是對方的特定主張，不是結構的一部分。它們應原樣保留在研究結果裡，讓你可以檢閱，也能追溯是哪個素材觸發靈感；但建構生成 prompt 時必須明確排除。生成模型收到的應是「用這個敘事骨架與 hook 形式，為我自己的產品製作影片」，而不是「複製這句話」。

這個限制值得多花功夫。直接把競品文案倒進生成 prompt，產出的影片可能夾帶別人的品牌名稱與價格承諾，輕則形成法律風險素材，重則直接構成抄襲。只提供去除特定主張後的結構，生成的影片便能重用已驗證的結構，卻說自己的故事。研究資料要忠實保留，生成輸入則必須乾淨；同一批證據，兩種用途，也要用兩種讀法。

「從一堆證據中抽出真正經過驗證的結構、主動排除競品主張，並為每個『有效結構』提出反例」，考驗的正是嚴謹推理能力，以及願不願意反駁自己的結論。這和模型在逆向工程中該做與不該做的事有相同分工：模型擅長提出假設，卻不擅長驗證事實；驗證仍必須回到你的證據與測試。

不同階段，該用不同模型

這條流程中的文字模型並不是只做一件事，而是要負責四種需求截然不同的工作，最後還有影像與影片生成。全程只用一個模型，不是批次工作燒錢，就是 brief 的精準度下降：

階段	需要的能力	建議選擇	model id
批次閱讀完整證據包（一次處理數十個素材與逐秒曲線）	長上下文	Kimi K3	`kimi-k3`
逐一擷取素材的結構化欄位（hook、承諾類型、緊迫感設計）	低成本、可高併發執行數百次呼叫	Claude Sonnet 5	`claude-sonnet-5`
撰寫 brief：挑選結構、排除競品主張、提出反例	強推理能力，願意反駁自身判斷	Claude Opus 5	`claude-opus-5`
階段歸因（某階段為 empty 或 blocked 時，閱讀漏斗並指出證據在哪一層流失）	中等推理能力，能根據數字說明	GPT-5.6 Sol	`gpt-5.6-sol`
生成影片（9:16 直式廣告）	影像與影片生成	站內生成	見 `/chat`

最值得單獨測試的是 brief 層，因為這是換模型後最能明顯看出結果差異的一步。測試方式很具體，也是本文唯一需要你親自跑一次的地方：

從一個確實完成的 pipeline run 中，取出一份合格證據包，包括 Top Ads hooks、留存曲線重點、創作者資料、關鍵字機會，以及幾支表現優異的自然內容。
使用相同的 brief prompt，規則為：只使用素材結構；明確排除品牌名稱、價格、quota、成效宣稱；每個「有效結構」都要提出一個反例假設。接著分別餵給 claude-opus-5 與 gpt-5.6-sol。
只看兩件事：它是否把競品的特定主張洩漏進生成 prompt 中，洩漏即代表失敗；以及它宣稱「這個結構有效」時，有沒有提出反例，還是直接把高頻出現當成效果好。
這兩項的表現就是你的選擇標準，並直接決定生成影片究竟是「抄了競品腳本」，還是「重用了經驗證的結構」。

跑一輪就能看出差異，比任何 benchmark 都直接。批次欄位擷取層（Sonnet）幾乎不用太挑，能穩定跑就好；長上下文層（Kimi）則是為了省下你自行撰寫分塊檢索的工作。

生成階段的正確做法：提交、等待終態，逾時也要保留 task_id

生成不是「呼叫後就拿到影片」。影片生成是慢速任務：你先提交，任務進入佇列，接著必須輪詢到終態，才能確定結果。這個階段有三種結局，必須清楚區分：

提交後立即返回。 任務進入佇列，你取得一個 task_id，狀態為 processing。不必原地等待，可以先去做別的事。
等待終態。 持續輪詢，直到狀態成為 completed 或 failed。這才是你真正要取得的結果。
輪詢逾時。 你為輪詢設定了時間預算，但在取得結果前用完。這時絕對不能把任務當成失敗丟掉。正確做法是保留 task_id，標記為「已逾時、尚未完成」，之後可用這個 id 繼續等待，而不是重新提交。重新提交就是再花一次錢。

第三種最容易實作錯誤。很多實作會把「輪詢逾時」等同於「任務失敗」，於是一個實際上還在渲染、只是比預期慢的任務就被丟棄。分清「任務失敗」與「我這次等得不夠久」，正是此階段的核心。前者是終態；後者只代表這次停止等待。任務仍在，id 也還在，繼續恢復即可。

所有證據皆空時別提交：知道何時不跑，才是最大價值

把前面的限制全部收斂成一條規則，這套流程最反直覺、也最有價值的結論就是：所有證據都是空的時候，不要提交生成。

需求探索是 empty、商業驗證是 empty、創作者媒合也是 empty。三條路徑裡沒有任何一筆合格的一手證據。brief 應為 blocked，生成預檢中的研究就緒閘門不通過，整條流程停在 blocked，連一格畫面都不該生成。

這聽起來像是「什麼都沒做」，卻是最難做對、也最省錢的一步。只懂得一路往前衝的流程，面對全空證據時會回退到通用 brief，生成一支對誰都打不中的影片，然後回報「成功」。你以為流程完成了，實際上卻是花了一次生成費用，換來零資訊與一個假成功訊號。

一條流程一半的價值在於它能生成，另一半則在於它知道什麼時候不該生成。前者是能力，後者是紀律。而這份紀律的前提，就是前面定義的六種狀態。沒有 empty 與 blocked 的區分，你就沒有乾淨的「全空」訊號，也無從做出「不要提交」的判斷。

一把 key，同時串起分析與生成

流程設計到這裡已經完成。接下來剩下的是純工程摩擦，而這恰好是大多數人真正卡住的地方。

這條流程所需的模型橫跨兩類供應商。文字模型層包括讀取證據、擷取欄位、撰寫 brief 與歸因，分別來自不同供應商；生成層則是另一套影像與影片服務。你可以為每一層各自串接 SDK、驗證機制與錯誤格式；或者像多數人一樣，勉強用同一個模型處理全部工作，讓批次步驟變貴、brief 精準度變差，然後還得額外串接影片平台。為了省整合功夫，整條流程的品質卻降了一級。

AIReiter 把這一層拿掉了。一把 key、一個 OpenAI 相容介面，背後包含全部四個文字模型層；只要在請求 body 中切換 model 欄位即可。影像與影片生成也在同一個網站、使用同一把 key，因此 brief 完成後，你可以直接在/chat 嘗試生成。

# 撰寫 brief：使用推理層
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<brief prompt + qualified evidence bundle>"}]
  }'

# 批次擷取欄位：只改 model 欄位，其餘不動
#   "model": "claude-sonnet-5"
# 階段歸因：          "model": "gpt-5.6-sol"
# 一次讀取長篇證據：    "model": "kimi-k3"

如果你已經在使用 OpenAI SDK，只要把 base_url 指向 https://aireiter.com/api/v1，其他設定都不用改。若使用 Anthropic SDK，則以同一把 key 呼叫 POST /api/v1/messages。

價格結構也正好對應這條流程的成本分布。呼叫最密集的是批次欄位擷取：數十到數百個素材，每個素材一次呼叫，構成文字端的大宗成本；Claude 提供 30% off，剛好對應這一層（Sonnet 跑批次，Opus 迭代 brief，兩個 Claude 層級都涵蓋）。歸因使用 GPT-5.6，價格減半。長篇證據則用同一把 key 下的 Kimi K3。生成是另一條成本線，按次計費，但只有證據閘門通過、確實該製作影片時才會觸發。「全空時不提交」這條規則，本身就在替你節省生成費用。

取得 API key
免註冊試用：手動把一份合格證據包餵給 brief prompt，觀察它是否將競品品牌名稱與價格洩漏到生成輸入中；等結果穩定後，再把它寫成腳本。

結語

在「從關鍵字到完成廣告」這件事裡，真正的工程難點不在「完成廣告」，而在中間那段：把公開資料轉換成合格證據，再轉換成乾淨的 brief。

這段能否真正營運，取決於三件事。第一，每個階段的結果落入六種狀態，而非只分成功與失敗，讓 empty、skipped、unavailable 與 blocked 都能指向清楚的下一步。第二，證據先分桶、再分層，而不是直接加總，避免強訊號被大量弱訊號淹沒。第三，把「能不能產出」與「該不該產出」拆成兩道閘門，讓全空證據在生成前安全停下。

模型在這條流程中是做事的工具，不是主導者。它讀取證據、擷取欄位、撰寫 brief、解釋歸因，最後由生成模型產出影片。決定「是否應繼續」的，永遠是狀態與閘門，而不是模型看起來有多自信。把這套設計建立起來，再用一把 key 串接四個文字模型層與站內生成，這條從關鍵字到完成廣告的流程才真的能跑起來。