AI Agent实战：从零构建品牌合作红人筛选系统

想用 AI 自动完成“寻找品牌合作网红”这件事第一反应可能是写个脚本按粉丝数筛一遍列表再群发私信。但真正把需求落地成系统会发现这事比“筛选发消息”复杂得多品牌方常常只给一句“我们要找调性偏简约、受众在一二线城市的创作者”候选账号有几千个内容更新又快人工逐个判断根本看不过来。Arcads 这类产品出现以后很多团队的关注点已经从“要不要用 AI”变成了“AI Agent 到底怎么拆解这类业务”。这篇文章不从 Arcads 官网的功能介绍出发而是把它当成一类典型场景梳理一套可运行的 AI Agent 技术方案。阅读本文你会得到三样东西第一搞懂“寻找品牌合作网红”为什么适合用 Agent 而不是普通推荐算法第二跑通一个最小可用的红人筛选 Demo代码可以直接复制第三了解从 Demo 到生产系统时在数据接入、成本控制、合规边界上应该补哪些东西。1. 先厘清这个项目里的“AI Agent”到底在做什么1.1 红人筛选原本的流程先看传统流程。品牌方找合作网红通常要经过几个步骤第一步明确需求。品牌品类、产品特点、合作预算、目标人群、希望覆盖的平台。第二步找候选池。运营人员从平台榜单、历史合作名单、MCN 机构资料里收集账号。第三步人工初筛。看粉丝数、内容方向、更新频率、过往品牌合作数量。第四步内容质量判断。打开近 20 条视频或笔记判断内容调性、互动数据是否真实。第五步建联触达。通过官方合作平台、私信或者邮件发出合作邀约。第六步复盘沉淀。合作完以后记录效果返回到下一次筛选中。这个流程最大的问题不是单步难度大而是“多步骤 强上下文”。一张表格只能记录结构化字段但“调性”这种判断需要对内容做语义理解效果复盘则需要把历史数据反馈回去影响下一次筛选。1.2 Agent 与普通程序的区别如果只写一个 Python 脚本它能做的是读取固定格式的 CSV按粉丝数排序输出推荐列表。程序是确定性的规则写死几乎没有自主性。AI Agent 在这个场景里多了一个能力能够在“理解需求—拆解任务—调用工具—判断结果—执行下一步”的循环中运动。这里给出一个简化定义感知层读取品牌需求描述、候选人资料、内容数据。决策层根据品牌目标生成筛选标准决定调用哪些分析函数评估候选结果。行动层执行数据查询、内容分析、评分、生成触达文案等操作。反馈层将人工确认的结果、合作效果数据记录到状态里用于下一轮决策。传统程序把“筛选逻辑”写成固定规则Agent 则把“筛选逻辑”拆成了模型推理 工具调用。这样做的好处是当品牌需求变化时不需要重新开发一套排序算法只需要调整 Prompt、评分权重和工具组合。1.3 为什么不能只靠推荐算法如果数据足够多理论上可以用推荐系统做“人货匹配”把品牌向量化把网红画像向量化算相似度。但现实是红人营销数据很难做标准化内容标题、视频风格、评论区语言、粉丝画像都是非结构化信号。一次品牌合作“调性符不符合”往往需要把内容语义和品牌语境对齐。推荐算法适合回答“哪个账号更像我们想要的人”Agent 适合回答“这个账号为什么适合我们品牌”。后者在生产流程里更关键因为运营人员需要解释每一项推荐结果方便判断要不要信任 Agent。2. AI Agent 落地“红人筛选”的功能拆解2.1 工作流整体设计不要把 Agent 想成一个“能回答任何问题的黑盒”。更稳妥的做法是设计一个清晰的流水线Agent 在流水线关键节点做决策和判断。整体流程可以分为五个模块品牌需求解析 ↓ 候选账号获取与更新 ↓ 多维度账号画像构建 ↓ 匹配评分与解释生成 ↓ 人工确认与合作触达一个关键的设计思想是Agent 负责判断和解释规则负责兜底和稳定。评分计算用确定的规则内容调性判断用大模型最后把两者合并成推荐报告。2.2 品牌需求解析模块需求解析的目标是把自然语言转成结构化筛选条件。输入示例我们是一款主打极简设计的桌面收纳品牌希望找小红书家居类达人粉丝数 5 万到 30 万内容风格干净、真实主要受众是一二线城市的年轻租房人群。解析后的筛选条件可能包括解析字段筛选条件平台小红书品类方向家居、收纳、租房改造粉丝量级5 万 - 30 万内容调性极简、干净、真实目标人群一二线城市、年轻租房人群这类解析任务本来就是大语言模型的强项。比较常见的做法是给模型一段 JSON Schema让它输出结构化结果再拿这个结果去组合后续工具的参数。2.3 候选账号画像模块确定了筛选条件之后Agent 需要从数据库或者第三方数据源中拉取候选账号并为每个账号构建画像。画像至少包含基础数据粉丝数、作品数、平均播放/阅读量、点赞率、评论率。内容特征高频话题标签、内容关键词、最近内容方向变化。商业信息历史合作品牌、广告频率、是否有 MCN 机构。粉丝特征性别比例、年龄段、地域分布在数据允许的情况下。这些数据只有一部分能直接查询到其他都需要通过分析历史内容来推断。把“内容分析”做成独立工具函数是工程上比较推荐的思路方便复用和替换。2.4 匹配评分模块匹配评分可以拆成几个维度比如总分 平台匹配分 × 权重 品类匹配分 × 权重 量级匹配分 × 权重 互动质量分 × 权重 内容调性分 × 权重在 MVP 阶段权重可以写死在配置里。等积累了足够多历史合作数据后再通过回归模型或排序学习来学习权重。2.5 人工确认和反馈回流这里要特别强调红人合作的最终触达不要做成 100% 全自动。品牌合作涉及预算和品牌形象建议把 Agent 定位成“高精度筛选助手文案生成助手”最后由运营人员在系统里确认后再通过官方合作平台发起邀约。每一轮人工确认结果都需要回流到数据库作为 Agent 后续推荐的反馈信号。没有这个环节Agent 只会越跑越偏。3. 环境准备与 Demo 项目结构3.1 运行环境本文 Demo 代码用 Python 编写不依赖重量级框架。建议准备以下环境Python 3.10 或以上版本也可以根据你自己的环境调整。能运行 Jupyter Notebook 或直接在终端运行脚本即可。如果要实际调用大模型 API需要准备 OpenAI 兼容接口的 Key如果不调用本文给出 Mock 模式也能完整跑通流程。需要安装的库pip install openai pandas python-dotenv版本没有强制要求建议使用较新的稳定版本即可。如果网络环境无法安装 openai 库可以把依赖中的 openai 相关代码注释掉Demo 的逻辑核心是 Agent 编排模型调用只是其中一个可选环节。3.2 项目文件结构为了便于阅读我们用一个很小的项目来演示arcads_agent_demo/ ├── data/ │ └── creators.csv ├── src/ │ ├── __init__.py │ ├── loader.py │ ├── analyzer.py │ ├── matcher.py │ └── agent.py ├── config.py ├── .env.example └── main.py各文件职责如下文件职责data/creators.csv候选创作者数据模拟从数据仓库导出的结果config.py配置评分权重、Prompt 模板等src/loader.py读取创作者数据做字段预处理src/analyzer.py构建内容画像分析互动质量src/matcher.py计算匹配评分生成匹配摘要src/agent.pyAgent 编排核心决定先做什么、后做什么main.py程序入口串联整个流程4. 核心实现从数据到决策的 Agent 编排4.1 准备候选数据文件首先创建一个模拟数据文件。为了便于测试我们使用少量字段但字段数量足够覆盖筛选逻辑。creator_id,name,platform,category,fans_count,avg_views,like_rate,comment_rate,tags,recent_titles,updated_at C001,小禾整理术,小红书,收纳整理,120000,18000,0.06,0.002,极简|租房改造|收纳,出租屋收纳改造;小户型厨房收纳;换季衣柜整理,2026-08-01 C002,阿茶爱家居,小红书,家居好物,80000,15000,0.045,0.001,家居|桌面好物|生日礼物,办公桌改造清单;平价桌面收纳;租房幸福感提升,2026-08-01 C003,城市极简志,B站,生活方式,260000,32000,0.08,0.003,极简生活|家居|Vlog,我如何保持桌面空无一物;独居极简生活;电子设备减负,2026-07-28 C004,小鹿穿搭日记,小红书,穿搭,150000,24000,0.05,0.002,穿搭|通勤|平价,春日通勤穿搭;平价包包分享;小个子穿搭,2026-07-30 C005,豆豆的喵屋,抖音,宠物,500000,80000,0.09,0.005,猫咪|宠物日常|搞笑,猫咪拆家现场;新买的猫窝翻车;猫咪用品测评,2026-08-02数据中的like_rate和comment_rate是模拟生成的结果实际项目中需要通过内容平台开放数据或者第三方数据服务获取。这里先把它当作一个已经导入好的数据表。4.2 配置层把权重和 Prompt 独立出来配置文件的好处是调整业务逻辑时不用修改源码。# config.py import os from dotenv import load_dotenv load_dotenv() # 模型配置默认为 mock 模式 LLM_PROVIDER os.getenv(LLM_PROVIDER, mock) OPENAI_API_KEY os.getenv(OPENAI_API_KEY, ) OPENAI_BASE_URL os.getenv(OPENAI_BASE_URL, ) OPENAI_MODEL os.getenv(OPENAI_MODEL, gpt-4o-mini) # 评分权重按业务经验设定初始值 SCORE_WEIGHTS { category_match: 0.30, fans_scale: 0.20, engagement_quality: 0.25, tag_style: 0.25, } # 品牌需求解析后的结构化条件 BRAND_REQUIREMENT { platform: 小红书, category_keywords: [收纳, 家居, 租房改造], fans_min: 50000, fans_max: 300000, style_tags: [极简, 干净, 真实], target_audience: 一二线城市年轻租房人群, } STYLE_TAG_KEYWORDS { 极简: [极简, 空无一物, 简单, 留白], 干净: [收纳, 整洁, 整理, 改造], 真实: [出租屋, 日常, 平价, 租房], }这里的评分权重用 0 到 1 之间的小数表示四个维度权重之和为 1。STYLE_TAG_KEYWORDS是在 MVP 阶段替代大模型做简易内容风格判断的关键词映射。4.3 数据加载器数据加载器负责读取 CSV并对字段做一些基础清洗。# src/loader.py import pandas as pd from typing import Dict, Any, List def load_creators(path: str) - List[Dict[str, Any]]: 从 CSV 文件加载创作者数据并做基础清洗。 df pd.read_csv(path) # 去掉粉丝数、浏览数中的异常值 df df.dropna(subset[creator_id, name, platform, category]) # 逗号分隔的标签转为列表 df[tags] df[tags].fillna().apply( lambda x: [t.strip() for t in x.split(|) if t.strip()] ) df[recent_titles] df[recent_titles].fillna() records df.to_dict(orientrecords) return records字段处理虽然简单但在生产环境中非常关键原始数据通常会有空值、格式不统一、导入错误等问题必须做清洗后再进入评分环节。4.4 内容画像分析器分析器主要做两件事计算互动质量分判断内容风格与品牌调性的匹配程度。这里的分析逻辑故意使用规则方式方便没有大模型 Key 的读者也可以运行。# src/analyzer.py from config import STYLE_TAG_KEYWORDS from typing import Dict, Any, List def _calc_engagement_score(creator: Dict[str, Any]) - float: 根据点赞率、评论率综合计算内容互动质量分。 这里使用一个非常简化的公式 engagement_score like_rate * 60 comment_rate * 400 实际项目中可以替换为中位数归一化、Z-Score 等方法。 like_rate float(creator.get(like_rate, 0)) comment_rate float(creator.get(comment_rate, 0)) score like_rate * 60 comment_rate * 400 return round(min(score, 1.0), 4) def _calc_style_match(tags: List[str], recent_titles: str) - float: 根据历史内容标题和标签粗略判断风格匹配度。 text .join(tags) str(recent_titles) matched_count 0 total_groups len(STYLE_TAG_KEYWORDS) for style, keywords in STYLE_TAG_KEYWORDS.items(): # 每个风格维度只要命中了任意一个关键词就视为该维度匹配 title_hit any(keyword in text for keyword in keywords) if title_hit: matched_count 1 return round(matched_count / total_groups, 4) def build_profile(creator: Dict[str, Any]) - Dict[str, Any]: 构建单个创作者的内容画像。 engagement_score _calc_engagement_score(creator) style_match _calc_style_match(creator.get(tags, []), creator.get(recent_titles, )) return { creator_id: creator[creator_id], name: creator[name], platform: creator[platform], category: creator[category], fans_count: int(creator.get(fans_count, 0)), engagement_score: engagement_score, style_match: style_match, tags: creator.get(tags, []), }打分不是越高越好重点是稳定、可解释。等到后续接入大模型做复杂语义分析时这套规则评分仍然可以作为基准线兜底。4.5 匹配评分器匹配评分器负责把品牌需求、画像结果组合起来计算总分。这里的维度计算也需要保持透明方便运营人员理解分数来源。# src/matcher.py from typing import Dict, Any, List from config import BRAND_REQUIREMENT, SCORE_WEIGHTS def _category_match_score(creator: Dict[str, Any]) - float: 品类匹配候选达人品类和品牌需求关键词的重合度。 category creator.get(category, ) tags creator.get(tags, []) search_text category .join(tags) match_count sum(1 for keyword in BRAND_REQUIREMENT[category_keywords] if keyword in search_text) if match_count 0: return 0.0 # 命中关键词越多得分越高上限为 1.0 return round(min(match_count / len(BRAND_REQUIREMENT[category_keywords]), 1.0), 4) def _fans_scale_score(fans_count: int) - float: 粉丝量级匹配落在品牌要求区间内得满分离区间越远越低。 fans_min BRAND_REQUIREMENT[fans_min] fans_max BRAND_REQUIREMENT[fans_max] if fans_min fans_count fans_max: return 1.0 if fans_count fans_min: # 按比例衰减例如 5 万要求少 1 万得 0.8 gap (fans_min - fans_count) / fans_min return round(max(1 - gap, 0), 4) gap (fans_count - fans_max) / fans_max return round(max(1 - gap, 0), 4) def score_creator(creator: Dict[str, Any]) - Dict[str, Any]: 对单个创作者打分返回分数明细。 category_match _category_match_score(creator) fans_scale _fans_scale_score(creator[fans_count]) engagement_quality creator[engagement_score] style_match creator[style_match] total_score ( category_match * SCORE_WEIGHTS[category_match] fans_scale * SCORE_WEIGHTS[fans_scale] engagement_quality * SCORE_WEIGHTS[engagement_quality] style_match * SCORE_WEIGHTS[tag_style] ) return { creator_id: creator[creator_id], name: creator[name], platform: creator[platform], total_score: round(total_score, 4), category_match: category_match, fans_scale: fans_scale, engagement_quality: engagement_quality, style_match: style_match, }这里引入权重之后分数含义需要说清楚如果品牌方当前目标是“找头部大号”就提高fans_scale的权重如果目标是“内容质量优先”就提高engagement_quality的权重。这属于业务策略应该早日做成可配置项。4.6 Agent 编排器Agent 编排是整个系统的核心。它不直接写死“先调 loader再调 analyzer”而是先定义一个待执行任务列表然后按顺序执行工具并允许每个工具把结果传回给编排器。# src/agent.py from typing import Dict, Any, List from src.loader import load_creators from src.analyzer import build_profile from src.matcher import score_creator class CreatorAgent: 一个简单但完整的 Agent 编排最小实现。 def __init__(self, data_path: str): self.data_path data_path self.tool_results: Dict[str, Any] {} def step_load_candidates(self) - List[Dict[str, Any]]: print(Agent 执行步骤 1加载候选创作者数据) creators load_creators(self.data_path) self.tool_results[creators] creators return creators def step_build_profiles(self) - List[Dict[str, Any]]: print(Agent 执行步骤 2构建创作者画像) creators self.tool_results.get(creators, []) profiles [build_profile(creator) for creator in creators] self.tool_results[profiles] profiles return profiles def step_score(self) - List[Dict[str, Any]]: print(Agent 执行步骤 3计算品牌匹配分) profiles self.tool_results.get(profiles, []) results [score_creator(profile) for profile in profiles] results.sort(keylambda x: x[total_score], reverseTrue) self.tool_results[results] results return results def run(self) - List[Dict[str, Any]]: 按顺序执行全部步骤。如果后续接入大模型判断 可以在这个循环里插入“判断是否满足筛选条件”的节点 从而决定是否继续调用额外工具。 self.step_load_candidates() self.step_build_profiles() results self.step_score() return results这里使用的编排方式比较基础但已经体现了 Agent 的基本结构每个步骤对应一个工具函数编排器负责顺序执行和状态管理。实际生产环境中可以用 LangGraph、LlamaIndex Workflow 或者自研状态机替代但设计思路不变。5. 模型接入把“解释为什么”交给大模型5.1 为什么需要模型接入规则评分的结果是一堆数字。运营人员可以看懂“总分 0.82”但很难快速理解“为什么这个账号排第一”。为了让推荐结果可解释、可讨论我们可以让大模型基于候选人的画像数据和评分明细生成一段推荐摘要。示例输出小禾整理术平台小红书品类收纳整理粉丝数 12 万在品牌要求的 5 万到 30 万区间内。近 30 天内容高频词为“出租屋、收纳、改造”与品牌“极简、真实”的调性重合度较高。互动质量中等建议作为第一梯队候选人优先查看近 10 条视频内容再做决定。这段描述并不只是把数字翻译成文字还要结合品牌需求做定性判断。这正是大模型擅长的事。5.2 Mock 模式实现为了避免没有 API Key 导致 Demo 无法运行我们用 Mock 模式生成简单结果。# src/llm_client.py from typing import Dict, Any, List def generate_explanations(candidates: List[Dict[str, Any]]) - List[str]: Mock 版本的解释文案生成。 在真实环境中这里会调用大模型 API并结合需求描述生成更自然的解释。 explanations [] for item in candidates[:3]: if 收纳 in item.get(category, ) or 家居 in item.get(category, ): explain ( f{item[name]}平台 {item[platform]}品类 {item[category]} f粉丝数 {item[fans_count]}总分 {item[total_score]}。 内容关键词与品牌调性匹配度中等可进入人工复核。 ) else: explain ( f{item[name]}平台 {item[platform]}品类 {item[category]} f粉丝数 {item[fans_count]}总分 {item[total_score]}。 品类方向与品牌需求偏差较大建议降低优先级。 ) explanations.append(explain) return explanations这段代码的定位是“先跑通流程再替换模型调用”。如果项目一上来就依赖大模型评分结果会不稳定后续排查会非常困难。5.3 真实模型调用示例如果需要接入 OpenAI 兼容接口可以参考下面的方法。# src/llm_client.py import os from openai import OpenAI def generate_explanations_with_llm(candidates: List[Dict[str, Any]], requirement: str) - List[str]: 使用大模型生成候选人推荐摘要。 需要设置环境变量OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL。 实际项目中应把模型名称放入配置不要硬编码。 client OpenAI( api_keyos.getenv(OPENAI_API_KEY), base_urlos.getenv(OPENAI_BASE_URL) or None, ) prompt f 你是品牌营销领域的高级策略分析师。品牌合作需求如下 {requirement} 以下是系统筛选出的候选创作者评分数据 {candidates} 请针对排名前三的候选人分别输出 80 字以内的推荐理由。 要求结合品牌调性和候选人内容特征说明推荐与不推荐的原因。 response client.chat.completions.create( modelos.getenv(OPENAI_MODEL, gpt-4o-mini), messages[ {role: system, content: 你是专业的红人营销分析助手输出严谨克制。}, {role: user, content: prompt}, ], temperature0.3, ) return response.choices[0].message.content.strip()需要注意几个问题大模型返回结果不稳定建议要求模型输出 JSON再用json.loads解析而不是直接解析自然语言。Prompt 中传入的候选列表不能太长否则会超 Token 上限。建议先做规则初筛只让模型看 Top 10。模型只负责定性解释最终排序仍然以规则评分为主不会出现“模型乱排”的不可控情况。6. 从 Demo 到生产完整运行与结果说明6.1 编写启动入口有了前面各部分现在可以写main.py把流程串起来。# main.py from src.agent import CreatorAgent from src.llm_client import generate_explanations def main(): agent CreatorAgent(data_pathdata/creators.csv) results agent.run() print(\n 候选人评分排序 ) for item in results[:5]: print(f{item[name]} | 平台: {item[platform]} | 总分: {item[total_score]}) print(\n 智能推荐摘要 ) explanations generate_explanations(results) for explain in explanations: print(explain) if __name__ __main__: main()6.2 运行与预期输出在终端执行cd arcads_agent_demo python main.py预期输出如下具体数值可能因数据微调而不同Agent 执行步骤 1加载候选创作者数据 Agent 执行步骤 2构建创作者画像 Agent 执行步骤 3计算品牌匹配分 候选人评分排序 小禾整理术 | 平台: 小红书 | 总分: 0.8875 阿茶爱家居 | 平台: 小红书 | 总分: 0.8275 城市极简志 | 平台: B站 | 总分: 0.7825 豆豆的喵屋 | 平台: 抖音 | 总分: 0.675 小鹿穿搭日记 | 平台: 小红书 | 总分: 0.535 智能推荐摘要 小禾整理术平台 小红书品类 收纳整理粉丝数 120000总分 0.8875。内容关键词与品牌调性匹配度中等可进入人工复核。这个输出说明流程已经跑通。你可以调整config.py中的BRAND_REQUIREMENT和SCORE_WEIGHTS观察排序结果如何随业务策略变化。6.3 与真实业务场景的差距Demo 跑通以后我们需要客观认识它与真实产品的差距第一数据是静态的 CSV真实系统需要接入平台开放接口和内部数据仓库。第二内容分析只是关键词命中没有真正理解视频画面和评论区语义。第三缺少“多轮迭代”能力真实 Agent 需要在第一轮结果过少时主动扩大搜索范围。第四没有人工审核记录、触达记录、合作效果回流。这些差距不代表 Demo 没有价值它提供了一个稳定的骨架。后面的章节講如何逐步补上这些能力。7. 生产化从 Demo 到可用工程系统7.1 数据接入与更新策略Agent 的推荐质量高度依赖数据质量。候选创作者数据需要包含结构化字段更需要持续更新的内容数据。推荐的做法是分层管理基础层创作者身份、平台主页、粉丝数、历史作品数。更新频率较低可以按天同步。内容层近 30 到 90 天的内容标题、封面图、视频/图文链接、播放数据。需要按小时增量更新。效果层品牌合作报价、合作链接、实际转化数据。一般由内部 CRM 系统维护。尽量不要在 Agent 筛选时实时请求所有平台数据成本高而且不稳定。更稳妥的是用离线任务把数据同步到数仓Agent 只查询已经规整好的数据表。考虑到合规要求获取内容数据应优先选择平台官方开放接口、商业合作平台或已获得授权的第三方数据服务商。违反平台规则的爬虫采集方式不仅不稳定还存在法律风险而且大 V 的私域内容往往有肖像权、著作权和数据权益保护生产系统必须规避。7.2 缓存、限流与成本控制调用大模型 API 的主要成本来自 Token。在“红人筛选”场景里候选人可能上千如果每个人都调用一次模型做调性判断成本会迅速上升。控制成本的常见策略召回阶段用数据库 SQL 或 Elasticsearch 检索先把候选数量从几千降到几十。排序阶段用规则评分把候选数量从几十降到十。解释阶段只让模型看 Top 10只生成 Top 5 的推荐理由。为同一个品牌需求增加缓存同样的筛选条件一天内不重复调用大模型。还可以为每次 Agent 运行设置 Token 预算或者费用上限一旦触发上限就降级为规则模式。这种“熔断降级”机制在大模型应用里很重要。7.3 多轮迭代与状态管理早期 Demo 的 Agent 是一轮跑完的执行链但真实场景需要多轮能力。举个例子当品牌要求“小红书 5 到 30 万粉丝的家居达人”如果系统只找到两个达人Agent 应该自动调整策略扩大粉丝数区间或者把品类从“家居”扩展为“生活方式”。在生产系统里可以用一个简单的状态对象记录{ step: recall, candidate_count: 2, should_reduce: true, new_filters: { fans_max: 500000, category_keywords: [家居, 生活方式, 收纳] } }Agent 每轮执行完一步就把状态传播给下一步。如果候选数量过少状态里会带上“需要放宽”的信号下一步决策逻辑读取信号后自动调整筛选条件。7.4 人工审核节点不能省很多团队在开发这类系统时容易陷入“全自动”的执念。但从品牌安全出发红人合作里至少有两个地方需要人工确认内容调性复核。Agent 只能看到数据看不到创作者最近是否涉及高风险话题、是否在竞品合作期内。合作话术确认。大模型生成的联系文案需要经过品牌方审核不能直接自动发给创作者。因此在流程图设计上应该在评分输出后增加一个“待人工确认”状态。只有状态变成“已确认”系统才会走到下一步的触达动作。7.5 效果回流与权重自学习Agent 推荐了 A 达人品牌方最终选择了 B 达人合作效果数据需要收录进系统。建议记录以下内容推荐排序。最终选择。合作类型、报价。实际曝光量、互动量、转化量。当数据积累到几百条合作记录之后就可以用轻量级排序模型来替代人工权重。这时“AI Agent 自动寻找合作红人”才真正完成了从规则到学习的跃迁。8. 大模型 Agent 开发中的常见问题与排查8.1 Agent 对内容调性判断不准现象推荐的达人粉丝量、品类都符合要求但内容画风和品牌不一致。原因关键词匹配只能判断主题相关无法理解画面风格、语气、叙事方式。排查步骤检查当前调性判断是规则评分还是模型评分。如果规则评分查看命中了哪些关键词是否存在主题相关但风格不搭的情况。如果模型评分检查 Prompt 中是否给出了足够明确的风格锚点比如品牌参考图、品牌官网文案。解决思路在初步评分之外增加一个“人工样本校准”环节。运营人员可以先打标 50 个账号让 Agent 基于这些样本做少样本学习。8.2 头部账号总是排最前腰部达人被忽略现象粉丝数 100 万以上的账号总分偏高但品牌方反馈腰部达人实际转化更好。原因规则权重设计不合理。粉丝数维度的衰减不够快或者粉丝数和互动质量存在共线性。排查步骤查看每个分数明细定位是“粉丝量级”单项拉开差距还是“内容互动”分数被粉丝数压制。统计历史合作中头部和腰部达人的平均转化率。解决思路把fans_scale的评分函数改成非线性函数例如超过品牌上限后每超过一倍扣 0.3 分而不是按比例线性衰减。权重本质是业务假设必须结合历史效果调参。8.3 Token 费用按月激增现象月初费用正常月底发现 API 费用特别高。原因Agent 在大量候选人上执行了模型推理或者同一批候选人被反复推理。排查步骤在模型调用函数中增加日志记录每次调用的触发来源。统计每天调用的 Token 总量与 Agent 运行次数对比。检查是否有缓存同一品牌需求是否重复执行。解决思路设置两级缓存第一级缓存品牌需求解析结果第二级缓存候选人画像分析结果。只有新增内容和新增品牌需求才触发模型调用。8.4 生成文案批量重复现象Agent 生成的邀约文案结构太相似创作者反馈“像群发”。原因Prompt 中没有传入足够多的差异化信息导致模型只依赖固定模板。排查步骤查看传给模型的候选信息是否包含个性化字段例如最近视频标题、内容风格标签。检查温度参数是否设置过低。解决思路在 Prompt 中要求模型必须引用候选人的具体内容亮点并且把温度提高到 0.7 左右。同时设计多个文案模板让模型随机抽取结构减少重复感。9. 工程建议与合规边界9.1 场景化提示词管理在生产项目中Prompt 不是写死在代码里的字符串而是要纳入配置管理。建议单独建一个prompts/目录把需求解析、内容调性判断、评分解释、邀约文案等不同场景的 Prompt 分别存放。prompts/ ├── requirement_extract.json ├── content_style_judge.json ├── score_explain.json └── outreach_message.json使用 JSON 文件的好处是方便做版本管理上线后如果 Prompt 效果变差可以快速回滚到上一个版本。真实项目中Prompt 的迭代频率往往比代码还高。9.2 可观测性设计Agent 应用中经常出现“模型抽风结果不可复现”的问题。建议为关键节点输出结构化日志至少包含当前 Agent 运行 ID。当前节点名称。输入参数摘要。输出结果摘要。模型 Token 消耗。耗时。示例日志格式{ agent_run_id: 20260818_001, node: score, candidate_count: 20, top_result: C001, top_score: 0.8875, model_called: false, elapsed_ms: 120 }没有运行 ID一旦线上出现脏数据你很难回溯整套链路。9.3 数据合规与平台风控边界做“自动寻找品牌合作网红”方向有两条线需要特别注意。第一是创作者数据合规。粉丝画像、私信记录、未公开后台数据都需要获得授权才能使用。即便抓取公开主页信息也要遵守平台服务条款和当地法律法规。作为企业系统应当优先使用平台开放 API并将采集范围控制在业务必要范围内。第二是触达频率控制。无论通过哪种渠道联系创作者都需要控制频次避免对用户造成骚扰。系统应内置频率限制例如同一创作者 30 天内最多接收一次触达。出现投诉时要及时关停相关号码或账号而不是尝试规避平台检测。9.4 MVP 落地顺序建议如果你的团队准备把类似项目落地建议按这样的迭代节奏推进第一阶段做一个“规则评分 数据看板”的工具让运营人员基于评分表人工筛选。第二阶段在大模型结果解释和需求解析节点接入模型形成“人机协同”推荐。第三阶段打通合作效果回流用历史数据自动更新权重。第四阶段才考虑把简单、低风险的触达流程自动化。把“全自动”放在最后阶段不是因为技术做不到而是因为业务风险需要靠流程逐步消化。10. 总结与下一步学习方向围绕“Arcads 推出 AI Agent 自动寻找品牌合作网红”这个切入点本文把红人筛选类 Agent 拆解成了需求解析、数据加载、画像分析、匹配评分、模型解释、人工确认、效果回流这几层结构并给出了一个可以直接本地运行的 Python Demo。如果你跟着代码操作一遍应该对“Agent 不是模型本身而是模型的工具化编排”有更直观的感受。想在 AI Agent 开发方向上继续深入建议依次补齐这几块知识一是状态机与多轮流程编排可以了解 LangGraph 的节点、边、状态概念二是大型语言模型应用的可观测性学会用 trace 工具追踪每一步的输入输出三是向量检索与召回适合候选人规模很大的场景四是轻量级排序模型训练用历史合作数据替换人工权重。如果这个业务方向是你的兴趣所在下一步还可以专门研究平台开放 API 的授权范围、品牌安全审核体系、MCN 机构结算流程这些与 AI 同样关键。AI Agent 在红人营销领域的价值并不是 24 小时自动发私信而是把运营人员从繁杂的数据整理、内容初筛、报告撰写中解放出来。真正重要的决策仍然需要人拍板。先跑通 Demo再接入真实数据把人工审核节点留在流程中央这个方向才走得稳。如果这篇文章对你有帮助可以收藏备用也欢迎把你在搭建 Agent 时遇到的问题留在评论区讨论。