一种新的商品表现形态，内容几乎存在于手淘用户动线全流程，例如信息流种草内容、搜索消费决策内容、详情页种草内容等。通过低成本、高时效的AIGC内容生成能力，能够从供给端缓解内容生产成本高的问题，通过源源不断的低成本供给倒推消费生态的建立。过去一年，我们通过在视频生成、图文联合生成、个性化文案、人设Agent等核心技术上的持续攻关，AIGC内容生成在手淘多个场景取得了规模化落地价值。本专题《淘宝的AIGC内容生成技术总结》是我们摸索出的一部分实践经验，我们将开启一段时间的内容AI专题连载，欢迎大家一起交流进步。
第一篇《淘宝内容AI团队2024年8篇论文总结》
第二篇《内容AI: 目标驱动的图像生成》
第五篇《视频级虚拟试衣技术在淘宝的产品化实践》
在当今的电商环境中，内容化已经成为淘宝的一大战略。无论是在站内通过图文和视频形式，作为商品的展示载体，促进用户的消费转化；还是在站外投放的广告内容，吸引用户进入淘宝，实现用户增长，内容的力量都不可忽视。
然而，许多内容创作者——包括KOL、商家、甚至是专业的广告设计师，亦或是AIGC内容生产方，在创作过程中，常常不确定什么样的内容能更有效地吸引用户，或者成为爆款。他们可能偶尔能创作出爆款内容，但却不清楚为什么会爆，也不明确哪些内容要素能提升内容质量，更好地吸引用户。面对这其中的“流量玄学”，他们难以复现爆款内容的生产。
举几个典型的例子。
-
商品主图制作：淘宝商家在为商品生产主图时，希望知道什么样的图片能够更好地吸引用户点击。到底哪些要素会影响用户的点击意愿？模特形象是否会有影响？是选用中国模特还是外国模特？商品拍摄的地点和背景是否重要？是选择室内还是室外？
-
站外广告设计：淘宝在站外投放广告内容时，广告设计师希望知道，什么样的内容更容易吸引用户点击广告并进入站内。是以奇幻美景类的画面开头，比如冰川、海洋，还是一开始就突出红包、满减、购物节等优惠权益，或者展示用户近期在淘宝站内感兴趣的商品画面？
-
AIGC内容生产：在AIGC蓬勃发展的时代，我们拥有了更多的内容生产技术和工具，如图像生成、视频生成、TTS生成等。如何更好地利用这些工具，针对不同用户在不同场景下的需求，生产出用户乐于消费的内容，成为AIGC内容生产需要深入研究的课题。
要解决这些问题，通过科学的数据挖掘，了解哪些要素会影响用户的点击和消费意愿，显得尤为重要。此外，复杂性还在于，不同的投放渠道（如抖音、小红书）、不同的用户画像（如年龄段、性别等），对内容的消费偏好可能存在较大差异。这需要我们进行多维度、细粒度的拆解，才能洞察这些差异。
传统上，创作者主要依赖于个体层面的创作经验，通过反馈形成闭环，指导后续的内容创作。但这种方式的问题在于，个体经验的反馈往往有限，难以系统化。在大模型时代，如果我们能够基于大规模的内容特征和用户消费反馈数据，对多模态的素材内容进行细粒度的特征拆解与分析，结合内容的用户消费数据，进行科学的数据分析，在内容分析与内容生产之间建立起桥梁，为商家、设计师和AIGC等多类内容生产方的创作与生产形成一套系统、科学的指导，将具有重要的现实意义和应用价值。
![图片]()
针对上述背景和业务痛点，我们致力于将内容分析到指导内容生产的过程实现自动化、高效化、科学化，构建了一个基于内容细粒度分析的、可指导内容生产的内容分析Agent。
![]()
我们的内容分析Agent包括以下模块：
-
内容特征体系生成：面向用户的内容生产目标（如希望为淘宝搜索域生产一批优质的AIGC视频），Agent自动拆解分析维度（如画面、配乐、文案等），构建完善、清晰的内容特征分析体系。
-
内容特征细粒度标注：结合内容的用户消费数据，提取需要分析的多模态内容，通过机器自动标注，实现准确、高效、细粒度地拆解多模态素材的多维度特征。
-
优质内容特征挖掘：利用因果推断等统计学方法，挖掘并归因得到优质内容的细粒度特征，指导内容生产者制定分渠道、分人群、分商品类目的内容生产策略。
▐ 内容特征体系生成
在多数情况下，内容生产者可能只明确内容生产的目标（如想生产一批爆款视频），但并不知道如何拆解和实现这一目标，或者无法构建一套完善、合理、清晰的标签体系。
针对以上痛点，我们设计了一个 内容特征分析体系生成Agent 。 该Agent能够基于用户的内容生产目标，自动生成维度完善、定义清晰、格式标准的内容细粒度分析体系，可实现以下效果：
-
分析体系完善化：根据用户需求，自动生成多层级的标签树，涵盖内容的各个维度。
-
标签定义清晰化：为每个标签提供明确的定义，确保含义易于理解。
-
体系格式标准化：生成的分析体系按照统一的格式，方便后续解析和处理。
内容特征分析体系生成Agent包括以下模块：
( 1 ) Planning
利用大语言模型强大的任务拆解和规划能力，针对用户的多种输入，拆解任务，并自动路由调用工具。
用户仅输入需求描述：
用户输入了初步的分析体系：
-
判断输入内容的模态（文本、图片）和形式（表格、脑图等），然后调用大语言模型或多模态模型，将用户输入的分析体系解析为统一的文本格式。
-
自动判定分析体系的维度完整性，判断其是否足以支持分析和生产目标，如不完整，则会调用分析体系自动补全功能。具体实现方法是：依据分析需求，基于大语言模型的基础能力，结合业务样本输入，添加域外知识，自动补充相关标签，实现标签树的生成与扩展。这里举个例子，比如手淘外投业务输入了视频的分析体系和一批视频素材，系统会自动调用MLLM生成视频的Dense Caption，自动总结视频内包含的一些内容要素，作为大语言模型域外知识的补充，结合大语言模型的世界知识，生成视频分析的完整的标签体系。
-
自动定位抽象或模糊的标签，基于大模型的世界知识，结合用户输入的样本，自动总结并清晰化标签定义。
-
自动定位选项不完整的标签，对其进行补充，确保选项遵循MECE原则（Mutually Exclusive Collectively Exhaustive），即选项之间相互独立、完全穷尽，不重叠、不遗漏。
( 2 ) Action
Action模块内集成了一系列子能力，包括标签格式化解析、标签树自动生成与扩展、标签定义清晰化等。
![]()
( 3 ) Memory
Memory模块存储历史生成的分析体系和一些域内知识。当面对新的内容生产需求时，Agent会先在Memory中检索，查看是否有可复用的分析标签体系结果。同时，对于某些定位到的模糊标签，会先在Memory中检索是否有相关的定义，增强标签体系的专业性和准确性，提高内容分析体系生成和构建的效率。
应用效果
针对图文内容生产的需求，Agent自动生成并构建了完善的标签体系，为后续的内容分析和生产提供了有力支持。
![]()
▐ 内容特征细粒度标注
背景
传统的人工标注过程需要大量的人力和时间，面对多模态素材和复杂的标签体系，人工标注还容易受主观因素影响，难以保证一致性和准确性。
随着多模态大模型的涌现与发展，机器自动标注的方法也不断进步。然而，直接使用大模型进行标注仍存在一些挑战：
方案设计
针对层出不穷的业务场域新任务，我们搭建了一套多模态内容自动标注Agent，能自动拆解任务并调用模型和工具解决，实现满足性能的条件下，尽可能降低耗时和资源。
多模态内容自动标注Agent内集成不同模态、不同尺寸的模型和各类工具。其中，规划模块可针对复杂任务，进行标签体系的自动拆解，并路由至对应类型的模型；执行模块通过Auto-Prompt能力推理优化，最大程度发挥模型能力，降低推理和部署的成本；针对部分仅通过推理优化无法良好解决的复杂理解任务，我们还建立起了模型的自动训练和部署能力。此外，记忆模块会记录模型面向不同任务的能力与特性，整套系统随着执行任务不断增多，积累的任务-模型性能库不断丰富，在新任务来临时，可以通过最适配模型检索，进一步提升标注的效率。
![]()
应用效果
面向手淘外投业务的图片素材，自动打标系统在30+个标签上的平均打标准确度90%+，累计标注百万量级的素材，降低人力标注成本80%+。
我们利用大语言模型的复杂任务拆解与规划能力，将大规模、多维度的标签树自动拆解，构建形成思维树或者思维图。实验证明，通过标签树的拆解和思维图的构建，我们在多模态细粒度理解任务上（约100个子任务），可实现以25%成本与60%耗时达到近90%GPT4o性能。
-
思维树 ：将复杂任务从上到下，逐层拆解，形成树状结构，分块解决问题。
-
思维图： 在树状结构的基础上，考虑标签节点之间更为复杂的依赖关系，形成网状结构，更全面地解决问题。
| baseline |
思维树 |
思维图 |
|
![]()
|
![]()
|
![]()
|
| 代表大语言模型解决复杂标签树的基本链路，从上而下，逐个链式推理 |
面向一些任务，可考虑拆解为树形结构分块解决 |
从树形结构衍生而来，标签节点之间存在更为复杂的依赖关系，成为思维图。
以本图为例，从最中间的内容解析任务节点出发，绿色代表图之间的节点依赖关系，灰色代表树形结构。 |
背景
面对一些含义复杂的标签，直接利用预训练的多模态大模型，无法满足精度要求。人工调试提示词（prompt）需要多轮实验，耗时耗力。通过微调模型，又需要大量的标注数据和计算资源。
方案设计
我们基于强化学习技术，构建了一套Auto-Prompt的技术框架，产出一篇paper《Boosting Private Domain Understanding of Efficient MLLMs: A Tuning-free, Adaptive, Universal Prompt Optimization Framework》（IDEALPrompt），在投ACL2025。arxiv链接：https://arxiv.org/abs/2412.19684。
我们提出的Prompt Optimizer整体分为两个阶段。
第一阶段类似“预训练”，通过高效的策略树搜索和探索利用，得到较为有效的初始prompt，之所以称之为“预训练”，是因为策略结果在不同任务与模型间具备一定的可迁移性；
第二阶段类似“模型微调”，会结合具体的bad case进行反思和优化，从而生成一个面向具体任务较优的prompt。
![]()
我们提出的该方法面向多模态任务，支持用户输入待处理的任务定义和标签定义，依赖较少的标注样本，以白盒化training-free的方式高效搜索最优的prompt，发挥模型的最大性能，实现推理优化。
该方法的优势：
1. 低样本需求：只需少量标注样本即可进行Prompt优化。
2. 高效搜索：快速找到最优的Prompt，提高模型性能。
3. 过程透明：白盒化操作，方便调试和理解优化过程。
4. 可迁移性：搜索得到的prompt在不同模型、不同任务间具备一定的可迁移性。
应用效果
在手淘外投图片素材理解的7个任务实验，以InternVL2-2B为基模，较zero-shot性能提升34.9pt，准确率持平SFT效果，且优于其他经典Auto-Prompt方法和InternVL2-8B zero-shot结果；以InternVL2-8B为基模，较zero-shot性能提升21.1pt。整套系统仅依赖约20条训练样本，且无需微调模型，能以轻量的方式挖掘出基础模型处理私域任务的能力。
背景
对于复杂任务，仅通过Auto-Prompt等推理优化手段，可能无法满足精度要求，需要微调模型才能达到要求。此外，使用大模型得到理想效果后，也可以通过标注数据蒸馏小模型，进一步降低推理成本。
以往我们都是人工进行模型的训练和部署，为了降低人力成本，我们构建起了一套模型自动训练与部署的pipeline，实现链路的高度自动化。
方案设计
我们构建了一套自动训练与部署的pipeline：
-
数据准备：自动获取和处理训练数据，主要有两种渠道：一是从素材池中多路召回，二是利用生成模型，通过Prompt泛化，扩充数据。
-
模型训练：根据任务需求，选择合适的预训练模型（图分类模型、语言模型、多模态模型），自动进行训练。
-
模型评估：自动评估模型性能，确保达到预期要求。
-
模型部署： 训练完成并通过评估后进入模型库，服务无需重新发布，模型自动部署到推理环境中。
该方案具备以下优势：
-
全流程自动化：提供模型的自动训练和部署能力，降低人力操作成本。
-
支持多模型类型：图分类模型、大语言模型、跨模态模型等。
-
高准确率，低成本： 训练的小模型，准确率可达90%以上，推理成本降低至原来的20%。
应用效果
完成图分类、LLM和MLLM的自动训练部署能力，支持LoRA的快速训练&部署，小模型准确率可达90%+，产出专家小模型5个（服饰展示分类、人脸完整度、背景分类、标题颜色词提取等），推理成本降为20%左右，素材池累计打标1亿+。
▐ 优质内容特征挖掘
背景
内容生产的复杂点在于，不同人群、不同场域下的人群消费偏好可能会存在较大的差异。如何才能够从海量的多模态标注素材和标签中挖掘出有价值的信息，形成明确的创意指导，是我们需要解决的关键问题。
方案设计
在对多模态内容进行细粒度的标注后，我们需要进一步挖掘和分析，拆解不同的人群、渠道、商品等维度，分析这些标签中的哪些要素出现或者某几个要素组合出现时，会对内容消费效率产生关键影响。从而在内容分析与内容生产之间建立桥梁，通过内容分析为内容生产形成明确的创意指导，提升内容生产的效率和效果。
具体而言，我们的内容分析指导内容生产过程，根据抽象程度的不同，分为两个层次：
-
直接参考：挑选出面向某个商品、某个渠道下表现出色的优秀样本（Golden Sample），直接分析其内容特征，对生产形成强指导。
-
间接参考：通过大量的数据分析，进行抽象层面的知识总结和挖掘，了解具有某些要素特征的内容可以取得更优的消费效率，在生产过程中提供知识层面的“白盒化”的指导，提升整体内容生产质量的下限。整体分为以下两步：
-
人工构造“AB实验”：控制除最关注的消费指标外，其他特征均保持一致，通过分析内容特征的差异，与消费指标的差异之间建立关联。如在优化信息流场景下的商品主图时，控制品牌、价格段、商品品类一致，找到点击率差距大的主图，分析优质素材与劣质素材的特征差异。
-
优质内容特征挖掘：利用关联分析、相关性分析、机器学习方法建模后的特征重要度分析（包括Shap Value、Permutation Importance等），分析各要素对内容效率的影响，识别关键影响因素。通过卡方检验等显著性检验方法，判断要素的不同取值是否对内容效率有显著影响。
注：此部分工作与数科老师合作完成。
应用效果
我们对手淘外部投放业务中的图片和视频素材进行了分析，并据此提出了优化建议。出于业务数据隐私的考虑，我们在此仅做部分结论展示：
目前图片的分析结论已应用于指导设计师制作内容，为外投素材的CTR带来了两位数的正向提升。视频的分析结论建议正被用来改进面向不同渠道的内容创作流程，旨在提升视频质量和广告效果，促进用户参与度。
总结与展望
针对内容创作者在生产优质内容过程中面临的挑战，我们提出了一套基于细粒度内容分析的内容分析Agent。通过自动生成内容特征体系、对多模态内容进行细粒度的自动标注，以及深入挖掘优质内容特征，该Agent在内容分析与内容生产之间建立了有效的桥梁。它帮助内容生产者明确哪些内容要素能够更好地吸引用户，提高点击和消费意愿，从而在创作时更有针对性，提升内容的吸引力和传播效果。
在内容特征分析体系生成方面，Agent能够根据内容生产目标，自动拆解分析维度，构建完整、清晰的标签体系，解决了创作者对内容特征认知不全面的问题。
在多模态内容自动标注方面，我们利用大模型的能力，实现了对大量内容的高效、准确、细粒度标注，降低了人工标注的成本和误差。
通过优质内容特征的挖掘，我们运用统计学和因果推断的方法，识别出影响内容效率的关键要素，为内容生产者提供了科学的数据支持。
实践证明，内容分析Agent在实际应用中取得了良好的效果。以手淘外投业务用于用户增长的图片素材为例，自动标注系统在多个标签上的准确度超过90%，累计标注了百万级的素材，降低了80%以上的人力标注成本。标注与分析结果用于指导设计师进行素材生产，使图片大盘CTR环比提升12%。除此之外，视频的标注分析结论也在指导设计师生产和AIGC生产落地的过程中。这些成果表明，内容分析Agent能够有效提升内容生产的效率和质量，为内容创作者提供了有价值的支持。
未来，我们将继续优化内容分析Agent，在提高自动标注的精确度、减少人力介入以及增强对生产的指导方面深入推进。随着技术的不断发展，我们有望进一步提升自动标注的性能，使多模态内容的细粒度标签更加丰富和精准，为更深入的内容分析奠定基础。
通过强化算法和数据分析，我们将更有效地挖掘影响内容效率的关键要素，为内容生产者提供更具价值的指导。我们也将持续完善从内容分析到生产指导的全流程，形成更高效、科学的闭环，帮助商家、设计师和AIGC内容生产者在不同场景下创作出更受用户欢迎的内容。
![图片]()
我们是淘天内容AI团队，负责运用最新的生成式AI能力，挖掘淘宝核心场景的痛点问题，通过内容生成、智能交互等方式，改善用户购物体验、降低平台&商家经营门槛。在过去的几年团队持续以技术驱动产品和商业创新，在给业务创造价值的同时，也在Agent、可控图文、视频生成，多模态统一大模型等最前沿的技术领域也有着广泛布局和深度探索，在NIPS，CVPR，ICLR等顶会发表了数十篇论文，欢迎对团队技术工作感兴趣的同学进行交流或者加入我们。
