从关键词到成片广告：一条可运行的五阶段流水线，以及必须分清的六种状态

“输一个关键词，直接拿到一条广告视频。”这几乎是当下所有 AI 创意工具都在讲的故事，也是最容易让人误判的地方。

真把它跑起来，藏在“自动化”背后的问题会立刻冒出来：关键词太冷门，自然内容搜不到，商业素材库里也没有结果，这时该停下来告诉你“没有证据”，还是继续拿一份空 Brief 去生成一条从未被验证过的视频？又比如流程跑到一半，某个渠道不在账号可覆盖范围内，数据根本无法返回。这算“没结果”，还是“根本没执行”？两者的处理方式恰恰相反，但大多数一键式工具只会给你同一个转圈加载图标。

一条能真正上线运行、而不只是拿来演示的创意流水线，价值不在末尾那个“生成”按钮，而在于每个阶段都如实说明自己处于什么状态。只有这样，它才能被稳定运维；当某次没有产出时，你也能迅速定位到底断在了哪里。

先明确边界。这条流水线的调研阶段使用的是各平台公开的广告资料库与创意中心：以你自己的账号登录，查看平台面向所有广告主公开的数据。不涉及签名，也没有绕过任何限制。本文讨论的是如何把这些公开数据组织成可执行的判断与可投放的资产，而不是如何获取这些数据。

先搭好五阶段骨架，再谈自动化

从关键词走到广告视频，中间需要经过五个有严格顺序的阶段。它们不是松散的“步骤”，而是一环消费上一环输出、再为下一环提供输入的流水线：

需求发现。围绕市场搜索词检索自然内容，判断真实用户是否对这个话题存在需求与热度。输出的是自然内容信号。
商业验证。这里需要看两类商业信号：一类是关键词机会，包括搜索量、竞争程度和投放侧数据；另一类是创意中心内表现优异的 Top Ads。两者都经历过真实预算投入和市场验证，与自然内容不是一回事。
创作者匹配。从达人库中筛选与这个话题、这个市场相匹配的创作者。
创意 Brief。把前三个阶段筛选出的合格证据汇总成结构化规格，可直接交给生成模型使用。叙事结构、开场钩子形式和目标市场，都在这里确定。
生成。将 Brief 交给视频生成模型，产出一条 9:16 竖版原生广告。

真正的重心在第四步。前面三步负责收集证据，第五步负责花钱生成，而 Brief 是唯一一个把证据转化为决策的地方。前三步收集得粗糙，Brief 就会基于噪声做判断，最终生成一条建立在噪声上的视频。加载动画不会告诉你这一点，只有把每一阶段的状态摊开，问题才会显现。

前三个阶段各自都值得单独展开。如何解读逐秒留存曲线、如何把关键词机会转成一个明确的预算数字，以及为什么应当交叉比对达人库与素材库，而不是按粉丝数选人，分别是另外三篇文章的主题。本文关注的是把它们串成一条流水线后，才会出现的那些额外问题。

六种阶段状态：别再把四类问题统统叫“失败”

这是全文最重要的部分。

很多流水线只给每个阶段定义两种结果：成功或失败。流程只有一两步时或许够用，扩展到五步就会失效，因为“失败”会把四种处理方式完全不同的情况混为一谈。

在这条流水线上，每个阶段的结果都应归入以下六种状态之一：

completed：任务已执行，拿到了合格结果，可以继续流转。
empty：任务执行过，渠道也可用，但没有返回任何合格结果。即：搜过了，但没找到。
skipped：你主动把该阶段的配额设为 0，因此它根本没有执行。
unavailable：任务本应执行，却因条件限制无法执行。例如渠道不在账号可覆盖范围内，关键词机会可能只覆盖部分市场语言；也可能是某项依赖服务暂时不可用。
blocked：上游证据不足，闸门有意阻断了该阶段。它不是自己失败，而是上游没有提供足够输入。
ready：仅用于生成环节的中间状态。预检已经通过，但你尚未确认提交。它具备生成视频的条件，正在等待你的指令。

重点不是多记住六个名称，而是要理解：一旦把 empty、skipped、unavailable 和 blocked 全部压成一个“失败”，这条流水线就无法再被有效运维。它们都意味着“这次没有视频”，但每一种都要求你采取完全不同的下一步：

empty 是数据问题。可能市场没有需求量，也可能关键词选得太窄。应当调整搜索词或放宽阈值，不需要改一行代码。
skipped 是你的主动决策，不需要额外操作。但它必须和 empty 区分开，否则你可能花半天排查一个从未开启过的阶段。
unavailable 是渠道或配置问题。应该检查账号覆盖范围，或者稍后重试，而不是反复修改关键词。
blocked 是上游问题。当前层本身没有异常，只是前面的某一步没有提供足够证据。应当回溯查找状态为 empty 的上游阶段，而不是死磕被阻断的这一层。

一个不透明的“failed”会把这四条排查路径全部封死，让你只能猜。也因此，只给结果、不展示状态的流水线无法长期运行：每次出问题，你都得完整重跑一遍，才能知道发生了什么。

证据漏斗：自然信号和商业信号不能简单相加

需求发现不是“找到几条内容”就结束。原始结果应当通过一个逐层计数的漏斗：一共返回了多少条、多少超出时间窗口、多少语言不匹配、多少偏离主题、多少播放量过低而不足以构成样本、最终又有多少真正合格。当该阶段返回 empty 时，漏斗能告诉你证据究竟在哪一层流失。是根本没搜到内容，还是搜到很多但都过期，抑或是有内容却没有任何一条达到样本门槛？这三种空结果对应三种不同的下一步。没有漏斗，empty 就只是一组空数组，你甚至不知道它为什么会变空。

比计数更重要的是一条原则：自然内容信号和商业信号必须分开统计，不能合并成一个所谓的“证据分”。Top Ad 是有人真实花钱投放、且被平台判定表现良好的资产；十条再火的自然视频，也只能说明用户愿意免费观看。若采用加权求和，十条自然视频可能在数量上淹没一条 Top Ad，但后者的商业价值远高于前者。更合理的做法是先分桶，再排序：优先看商业信号；没有商业信号时，再回退到合格的自然内容；实在没有其他证据，才回退到创作者。层级应按可信度排序，而不是按数量排序。

这条规则甚至适用于单条视频。评估一条自然内容时，点赞和评论是一类信号，分享和收藏则是另一类。分享与收藏更接近商业意图，代表“值得保留、值得转发”，在排序时应当比普通互动更重要。互动量说明内容值得看；分享和收藏则说明它或许真的能带动购买。即使面对同一条视频，这也是两种不同的解读方式。

（顺带一提，“把相关性当因果、把出现频率当有效性”，是模型在归因环节最容易犯的错误。因此，提示词必须强制它给出反例。这和指纹识别那篇文章中要求模型持续质疑刚刚识别出的模式，是同一种提示词纪律。那篇讨论的是逆向工程中的反证部分；这里则是广告归因中的反例。底层机制相同。）

生成前有两道“就绪”判断：能生成，不等于该生成

生成之前有两项非常容易被合并、却绝不能合并的判断：“平台能不能生成视频”和“这条视频该不该生成”是两道不同的闸门。

第一道是平台预检就绪：生成服务是否在线、配额是否充足、提示词是否合规。这是基础设施层面的检查。第二道是调研证据就绪：已收集的内容中，是否至少存在一条合格的一级证据。这是内容层面的检查。只有两道闸门都通过，任务才能提交；任意一项不通过，状态都应为 blocked。

两者都和“能不能生成”有关，因此很容易被合并。但一旦合并，就会出现成本最高的一类失败：平台一切正常、配额充足、提示词合法、预检也“通过”，结果却基于零证据生成了一条视频。这比明确失败更糟，因为它看起来像成功，而你甚至可能真的拿去投放。把它们拆成两道闸门后，这种情况会安全地停在 blocked，并明确告诉你缺的是证据，不是配额。“可以生成”从来不等于“应该生成”；把两者写进同一个条件判断，是这类流水线最常见的设计错误。

Brief 只能读取合格证据：竞品文案留在调研层，不能进生成提示词

创意 Brief 是整条流水线中对文本模型要求最高的环节，也是最容易在去敏处理上失控的地方。

它的任务，是从合格证据中抽取经过验证的结构：哪些开场钩子反复出现在 Top Ads 中，留存曲线在哪一秒达到峰值，表现最好的自然内容采用了“提出问题、展示结果、行动号召”中的哪种叙事骨架。然后，它再把这些结构综合成一份生成规格。

不过这里有一条硬约束：竞品资产的原始文案只能用于识别结构，绝不能进入最终生成提示词。竞品钩子里的品牌名、供应商数量、配额、价格和效果宣称，都是该竞品的具体主张，不是结构。它们应完整保留在调研结果中，方便你复查和追溯某个创意灵感来自哪条资产；但在构建生成提示词时，必须被明确排除。生成模型接收到的应该是“基于这一叙事骨架和钩子形式，为我的产品制作视频”，而不是“照着这句话写”。

这条约束值得付出额外成本。若直接把竞品文案塞进生成提示词，产出的视频可能带着别人的品牌名和价格承诺，轻则形成法律风险资产，重则直接构成抄袭。只提供去除了具体主张的结构，生成出来的才会是一条复用已验证结构、但讲述你自己产品故事的视频。调研必须保留原貌，生成输入则必须保持干净。同一批证据，有两种用途，也需要两种读法。

“从大量证据中提取真正经过验证的结构、主动排除竞品具体主张、并为每个‘有效结构’给出一个反例”，考验的正是模型的推理能力，以及它是否愿意反驳自己。这与模型在逆向工程中该做什么、不该做什么的分工一致：模型擅长提出假设，却不擅长核验事实；验证必须回到你的证据与测试上。

不同阶段，该用不同模型

这条流水线里的文本模型并不只做一件事，而是承担四类要求截然不同的任务，最后还有图像与视频生成。若全程只用一个模型，要么批处理阶段成本过高，要么 Brief 环节不够精确：

阶段	所需能力	选择	model id
批量阅读完整证据包（一次处理数十条资产及逐秒曲线）	长上下文	Kimi K3	`kimi-k3`
逐条提取资产结构化字段（钩子、承诺类型、紧迫感设计）	成本低，支持数百次高并发调用	Claude Sonnet 5	`claude-sonnet-5`
撰写 Brief：选择结构、排除竞品主张、给出反例	推理能力强，愿意自我质疑	Claude Opus 5	`claude-opus-5`
阶段归因（阶段为 empty 或 blocked 时，阅读漏斗并判断证据在哪层流失）	中等推理能力，能结合数字说明问题	GPT-5.6 Sol	`gpt-5.6-sol`
生成视频（9:16 竖版广告）	图像与视频生成	站内生成	见 `/chat`

最值得单独测试的是 Brief 层。这是唯一一个更换模型后，结果差异会明显显现的步骤。测试方法很具体，也是本文唯一需要你亲自跑一次的环节：

从一次真正完成的流水线运行中，取出一份合格证据包，包括 Top Ads 钩子、留存曲线重点、创作者资料、关键词机会和几条表现优异的自然内容。
使用相同的 Brief 提示词，规则包括：只使用资产结构；明确排除品牌名、价格、配额和效果宣称；为每个“有效结构”给出一个反例假设。分别将它交给 claude-opus-5 和 gpt-5.6-sol。
只看两件事：它是否将竞品的具体主张泄露进生成提示词中，泄露即为失败；当它说“这个结构有效”时，是否给出了反例，还是把出现频率直接当成了有效性。
这两项表现就是你的选型标准。它直接决定最终视频是“复制了竞品脚本”，还是“复用了经验证的结构”。

跑一轮就能看出差异，比任何基准测试都更直接。批量字段提取层（Sonnet）几乎不需要纠结选型，能稳定跑起来即可；长上下文层（Kimi）的价值，则是省去你自己编写分块检索的工作。

生成环节：提交、等待终态，超时也要保留 task_id

生成不是“调一次接口，视频就出来”。视频生成是慢任务：提交后会进入队列，必须轮询到终态，才能确认结果。这一步有三种不同的结束方式，不能混淆：

提交后立即返回。任务进入队列，获得一个 task_id，状态为 processing。你无需原地等待，可以先去做其他事。
等待终态。持续轮询，直到状态变为 completed 或 failed。这才是你真正等待的结果。
在边界处超时。你为轮询设定了时间预算，但在结果返回前用完了。此时绝不能把任务当作失败丢掉。正确做法是保留 task_id，标记为“已超时，未完成”，之后可以基于这个 id 继续等待，而不是重新提交。重新提交就是再花一次钱。

第三种最容易写错。很多实现把“轮询超时”等同于“任务失败”，于是一个实际上仍在渲染、只是比预期慢的任务就被直接丢弃。区分“任务失败”和“我这次等得不耐烦了”，正是这个环节的核心。前者是终态；后者只是本次停止等待。任务仍然存在，id 也仍然存在，继续等待即可。

所有证据都为空时，不要提交生成

把前面的约束收拢起来，就能得到这条流水线最反直觉、也最有价值的一条规则：当所有证据都为空时，不要提交生成任务。

需求发现为 empty，商业验证为 empty，创作者匹配也为 empty。三条路径上没有一条合格的一级证据。此时 Brief 应为 blocked，生成预检中的调研就绪闸门无法通过，整条流水线停在 blocked，不会生成哪怕一帧画面。

这听起来像“什么都没做”，但它恰恰是最难做对、也最省钱的一步。只会一路往前冲的流水线，在面对全空证据时会退回到通用 Brief，生成一条没有明确受众的视频，然后报告“成功”。你以为它跑完了，实际上它只是花了一次生成的钱，在零信息基础上给了你一个虚假的成功信号。

一条流水线一半的价值，在于它能生成；另一半在于它知道什么时候不该生成。前者是能力，后者是纪律。而这种纪律的前提，正是前文所说的六种状态。没有 empty 与 blocked 的区分，就没有干净的“全空”信号，也无法据此做出“不提交”的判断。

一把 Key，同时接入分析与生成

流水线设计到这里已经完成。剩下的纯粹是工程摩擦，而这往往才是多数人真正卡住的地方。

这条流程所需的模型横跨两类供应商。文本层，包括阅读证据、提取字段、撰写 Brief 和归因，来自多个供应商；生成层则是另一套图像与视频服务。你可以为每一层分别接入 SDK、鉴权机制和错误格式；或者像大多数人一样，用一个模型承担所有工作，批处理环节成本更高，Brief 的准确性又下降，之后再额外接一个视频平台。为了省集成工作，整条流水线的质量却下降了一个档次。

AIReiter 把这一层复杂度拿掉了：一把 Key、一个兼容 OpenAI 的接口，背后接入全部四个文本层；只需修改请求体中的 model 字段即可切换。图像与视频生成也位于同一站点、使用同一把 Key，因此 Brief 产出后，你可以直接在/chat中尝试生成。

# Write the brief: the reasoning tier
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>"}]
  }'

# Extract fields in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Stage attribution:      "model": "gpt-5.6-sol"
# Read long evidence at once: "model": "kimi-k3"

如果你已经在使用 OpenAI SDK，只需将 base_url 指向 https://aireiter.com/api/v1，其他部分无需改动。使用 Anthropic SDK 时，则用同一把 Key 请求 POST /api/v1/messages。

价格结构也与这条流水线的成本分布相匹配。调用最密集的是批量字段提取：面对数十到数百条资产，每条一次调用，它构成文本侧的大部分成本；Claude 提供 30% 折扣，正好覆盖这一层，Sonnet 用于批处理，Opus 用于迭代 Brief，两个 Claude 层都适用。归因使用 GPT-5.6，价格减半。长证据阅读则通过同一把 Key 使用 Kimi K3。生成是单独的成本项，按次计费，但只有证据闸门通过、视频确实值得生成时才会触发。“全空不提交”这条规则，本身就在替你节省生成成本。

获取 API key
无需注册即可试用：手动将一份合格证据包交给 Brief 提示词，观察它是否把竞品品牌名和价格泄露到生成输入中；确认稳定后，再把流程脚本化。

结语

在“从关键词到成片广告”这件事里，真正的工程难点不在“成片广告”，而在中间那段：如何把公开数据转成合格证据，再把证据转成干净的 Brief。

这段过程是否能被稳定运维，取决于三件事。第一，每个阶段的结果应归入六种状态，而不是简单二分为“成功或失败”，让 empty、skipped、unavailable 和 blocked 都指向明确的下一步。第二，证据应分桶分层，而非直接求和，避免强信号被大量弱信号淹没。第三，“能不能生成”和“该不该生成”必须拆成两道闸门，让全空证据在生成前安全停下。

模型是流水线上的工具，而不是主角。它负责阅读证据、提取字段、撰写 Brief、解释归因，最后由生成模型产出视频。真正决定“是否继续”的，始终是状态与闸门，而不是模型表现出的自信程度。搭好这套设计，再用一把 Key 接入全部四个文本层与站内生成，这条从关键词到成片广告的流水线才算真正具备运行条件。