AREX Feed Article
OpenAI 开发者账号详解 ChatGPT 广告技术栈：编排器拆出多重意图，回答不等待广告
北京时间 10 月 22 日凌晨（10 月 21 日 17:42 UTC），OpenAI 面向开发者的官方 X 账号 连发三条帖文，逐层拆解 ChatGPT 广告技术栈（ad stack）的运作方式。账号在首条帖文中称，这套系统的目标是“回应不断演变的对话，同时确保答案保持独立”（answers stay independent）；帖文同时附上 OpenAI 同日发布的工程博客（我们如何为用户信任与相关性构建 ChatGPT 的全新广告技术栈），作者为 Ritendra Datta 与 Karthik Gopalratnam。
按帖文给出的顺序，广告流水线分四步：LLM 编排器（orchestrator）通过探索用户可能的需求，把一段对话转化为多个意图（intents）；找出候选广告，随后资格（eligibility）与相关性（relevance）检查收窄候选池；竞价工具（auction tool）负责最终选择与定价。ChatGPT 前端；若广告在答案完全生成之后才到达，该轮对话不展示——帖文原话是“ChatGPT 的回答不等待广告”。
从跑步话题到训练用鞋：编排器读懂演变的意图
OpenAI 在工程博客中解释了传统广告架构为什么搬不进聊天产品：搜索或信息流广告响应的是一次明确的请求——一条搜索词、一次页面浏览；而 ChatGPT 的用户带着目标来，目标在多轮对话里逐步成形。博客举的例子是，OpenAI 工程团队问 ChatGPT 如何备赛跑步，对话从泛泛的跑步问题开始，几轮之后才问到训练用鞋；如果系统只按第一条消息投放，可能从一开始就锁定错误的意图。
按帖文的顺序，入口是 LLM 编排器：它“通过探索用户可能的需求，把一段对话转化为多个意图”。博客补充了机制：编排器是一个定制的、经后训练的前沿 LLM，以工具调用的方式循环执行整条广告流程。它先把对话提炼成简短的文本摘要，再转成语义 embedding 去检索；它还可以生成多条检索查询，保留意图的不同侧面——比如一段关于 Yosemite 徒步的对话，可能被拆成“适合徒步旅行的鞋”和“某品牌适合旅行的新品”两条查询，而不是压缩成一句字面搜索词。
编排器还要处理几个传统广告系统不会遇到的问题：区分当前意图与过时上下文，识别用户只是在做假设性讨论，以及不把每一次提到产品都当成购买信号。广告会话是有状态的——跨轮次、跨对话记忆信息；如果用户选择个性化广告，编排器会参考其过往对话中的非敏感信息。博客列出了逐条消息投放的四个风险：把目标过度简化而误读需求；在真实需求清晰之前过早启动广告流程；广告妨碍而不是支持用户的路径；请求一变就重跑全流程，制造噪音、浪费成本。
从 embedding 检索到竞价：一条广告要过几道关
检索阶段刻意放宽。博客称，系统建有多个索引、各自优化不同的约束——例如商品 feed 广告的索引在取回广告时会参考正负面评价——并用近似最近邻（approximate-nearest-neighbor，ANN）搜索在大型语义索引上快速取回候选：先给出接近良好的解，而不是寻找“唯一正确”的解，同时保留大部分相关候选。
随后是资格过滤。博客列出的检查包括：广告系列与素材是否仍在投放、允许投放的地域、政策限制（什么可以做广告）、预算是否可用、当天这个时段是否该花钱（pacing）、版位兼容性（这条广告允许出现在哪类对话里），以及按广告主去重、保证各家公平参与。过关的候选进入评分环节，按语义相关性、预估互动（浏览、点击、转化）和历史表现打分，竞价前还要再过一道相关性与安全过滤。
到竞价这一步，编排器的角色变了：它只提名语境上说得过去的候选，不直接决定谁胜出，也不定价；最终选择与定价由竞价工具完成，包括准入门槛（相关性与价值的最低阈值）、投放节奏、出价计算、质量加权排序、定价与最终选择。竞价之后还有两道只属于聊天场景的终检：其一，广告本身合规、对话也被判定适合投放，但两者放在一起“感觉不合适”，编排器会拦下；其二，请求迟到——ChatGPT 模型已经准备好回答而广告还没就绪，广告请求超时，该轮不投放。博客强调：“我们不会为了等广告而延迟回答。”
投放了不等于用户看到了：广告与答案生成是两套服务
“回答不等待广告”在博客里有对应的架构安排：广告选择过程在与答案生成分离的独立服务中运行，模型不同、代码不同。博客写道，ChatGPT 对广告系统没有任何依赖——广告服务不可用或变慢，自然回答照常继续，广告系统无法拖慢或弄垮 ChatGPT 产品；不出广告也是一种正常的、成功的结果，只有对用户和广告主都明显有价值时才投放。
展示环节的细节是：广告创意包含标题、描述、落地页链接与行动号召，广告系统还会返回一段模型生成的简短导语（preamble），用中性的语气说明这条广告与对话的关联；导语与创意分开返回，为的是在保住广告主信息的同时让 ChatGPT 的声音保持中立。前端把两者作为整体接收，在回答完全生成之前到达，就展示在回答下方并明确标注 sponsored。博客把这称为服务端投放（delivery）与用户可见曝光（impression）的区别——投放了，不等于用户看到了。
拆解发布的同一天：ChatGPT Ads 宣布扩至 89 个国家
这次技术拆解与 ChatGPT Ads 的扩张公告同日发布。10 月 21 日，OpenAI ，把覆盖范围扩到 89 国，包括阿根廷、智利、哥伦比亚、秘鲁等 14 个拉美国家，以及尼日利亚、南非、塞尔维亚、乌克兰、孟加拉国、巴基斯坦等市场。OpenAI 同时称，广告上线八个月来已有超过 10 万广告主投放，每周有超过 12 亿人使用 ChatGPT；广告只出现在 Free 和 Go 两档订阅中，Plus、Pro、Enterprise 保持无广告。欧莱雅集团 CDMO Asmita Dubey 在该公告中被引述，称与 OpenAI 的早期测试让公司得以在“从发现、评估到 agentic commerce（智能体商务）”的旅程中先行尝试。公告重申的原则包括：对话对广告主保密、不出售用户数据、广告不影响 ChatGPT 给出的回答。
时间线上，广告试验从 开始，先在美国面向 Free 和 Go 档的成年登录用户；Free 档用户可以关闭广告，代价是每日免费消息数减少；健康、心理健康、政治等敏感或受监管话题附近不投放广告。3 月 26 日 OpenAI 称早期结果“对消费者信任指标没有影响、广告关闭率低”，并把试验扩到加拿大、澳大利亚、新西兰；8 月 11 日宣布已在英国、墨西哥、巴西、日本、韩国上线。工程博客还给出收入口径：ChatGPT Ads 上线不到 200 天达到 10 亿美元年化收入运行率，并称“一年前我们还没有广告系统”——这些都是 OpenAI 的自报数字。
“答案保持独立”如何验证：帖子下方的质疑与公开材料的缺口
三条帖文与工程博客给出的全部是 OpenAI 自己的叙述；截至本文核对时，首条帖文的浏览量约 1.7 万次，帖子下方的回复很快指向验证问题：，“从外部我没法核实这一点——同一个编排器既看我的问题，也看广告”；（葡萄牙语）说得更直接：真正要紧的是那句“answers stay independent”，这不是靠一张示意图证明的，要靠外部审计——用户一旦怀疑答案，产品就失去最核心的价值。，独立性主张有意思，但仍会去测“长对话里排序信号会不会渗进最终回答”。
肯定的声音同样存在。，展示“管道”是好事，“只有当用户真能看见广告与答案之间的那堵墙，AI 回答里的广告才成立”。
公开材料里能核对的部分到此为止：编排器所用模型的具体型号、竞价的具体定价方式、外部审计安排，帖文与博客都没有提及。OpenAI 给出的质量保障是内部日志的细粒度拆解、以最强模型评估投放结果并训练其他广告模型的自改进循环，以及用户的点击、隐藏与问卷反馈。至少在本次能核对的公开材料里，“答案保持独立”背后的证据仍是 OpenAI 自己的工程描述与自报数据。