小星AI「找人」系统设计反推

底层数据来源——小星AI找人的全部字段都能在星图(巨量星图)+云图(巨量云图)原生数据里找到对应物，几乎没有自采数据。

• 选号表23列里，硬指标(粉丝量/21-60s报价/预期CPM/预期CPE/预期播放量)全是星图后台达人详情/商业指数原生字段；八大人群/年龄/性别/地域/设备品牌的概率分布是星图数据-粉丝画像/视频观众画像原生导出；5A人群资产(A1/A2/A3/A4)、TGI、看后搜、本竞品兴趣人群、渗透率来自云图。[确证：23列schema + 八大人群枚举 + CPM/CPE/A3/看后搜均为星图云图固定术语]
• 关键判断：小星不维护独立达人特征库，它就是星图自身数据的查询+LLM编排层。证据是省广案例明确点出短板对星图后台深层数据指标调用不足(缺预估新增A3、近15天播放均值、排除广告流量CPM)——若是自建库，这些指标要么有要么没有，不会表现为调用不足；调用不足恰恰说明数据在星图侧、小星只是没把某些字段接进prompt/检索。[推测：基于调用不足这一措辞反推数据所有权在星图]

字段构成（三类）：

• 标量硬字段：粉丝量、报价(按21-60s时长档)、CPM、CPE、预期播放量——可直接做范围过滤和排序。
• 概率分布字段：粉丝画像 vs 观众画像两套各5维(性别/年龄/地域/八大人群/设备品牌)，存为概率分布JSON。两套并存是关键——找人时用的是观众画像(谁看了视频=真实触达人群)而非粉丝画像(谁关注=存量)，悦普/敷尔佳的硬门槛(观众30岁+占50%、女粉≥60%、iPhone+华为>50%、一二线>60%)全部锚在观众画像上。[确证：23列含两套画像 + 三个案例门槛均写"观众"]
• 结构化标签字段：达人类型(两级分类树JSON)、历史内容方向、达人IP所在地、视频出现地点、商业合作详情(竞品商单记录)。

粉丝画像 vs 观众画像的分工是这套数据层最被低估的设计点：粉丝画像=账号资产标签(决定达人"是谁")，观众画像=内容触达标签(决定"这条内容打给谁")。种草投放真正要的是后者，所以硬门槛压在观众画像上，粉丝画像更多用于辅助判断达人调性是否漂移。[推测：基于三案例门槛全压观众画像 + 投放逻辑常识]

按AI能多大程度自动判定把标签分三层，这是理解小星全部能力边界的主轴。

第一层 硬标签（机器可判定，零歧义）：粉丝量、报价、CPM、CPE、预期播放量、年龄/性别/地域/八大人群/设备品牌的概率阈值。来源=星图原生标量+概率分布。AI在这层几乎不出错，所有案例的通用部分指令/基准指令全由硬标签构成(报价<20万、CPM<100、女粉≥60%、观众30+占50%)。[确证：四案例基准指令字段一致]

第二层 半硬标签（有结构但需匹配判断）：

• 达人类型两级垂类树——硬证据命中10个一级垂类(美妆/生活/旅行/母婴亲子/测评/汽车/时尚/美食/颜值达人/才艺技能)，每个带二级(如美妆→妆容展示/护肤保养/美妆教程/美妆测评种草)。这是一棵预定义分类树，达人被打上树上的节点。AI做的是需求类目→树节点的映射匹配，属半硬：树是确定的，但"职场宝妈"该映射到 母婴亲子+职场 的组合需要语义判断。[确证：两级树JSON + 10垂类命中]
• 历史内容方向、达人IP所在地、视频出现地点、竞品商单记录——结构化但需匹配。竞品排他(排HBN/薇诺娜/理肤泉/可复美)就是拿商单记录做集合差。[确证：四案例均有竞品负向排除]

第三层 软标签（无结构，靠LLM语义，AI弱项）：内容调性、视频质感(清晰度/剪辑节奏)、真人出镜vs坐播/解说/IP号、植入原生感(生硬中插)、B&A说服力、剧情演绎识别。这层是所有人工二筛的战场。[确证：四案例pain_points一致指向调性/质感/真人感]

八大人群是贯穿全系统的人群坐标系（Z世代/小镇中老年/小镇青年/新锐白领/精致妈妈/资深中产/都市蓝领/都市银发），既是观众画像的一维(过滤用)，也是云图圈人群包的输出(找灵感用)，还是排序信号(主打人群占比)。它是连接人群定位→找灵感→找达人三段链路的公共枚举。[确证：八大人群枚举固定 + 上游链路]

两级垂类树的工程价值：它把内容匹配这个本该全靠语义的难题，降维成树节点匹配+硬标签过滤，AI只需做类目映射不需理解内容本身——这正是小星查准率能到50-70%的底层原因，也是它碰到软标签(调性)就失灵的根因，因为树上没有调性这个节点。[推测：基于树结构+软标签短板的因果反推]

结构化过滤 + 语义匹配是先过滤后语义、漏斗式组合，不是并列加权。

第一道 结构化硬过滤（WHERE子句层）：把基准/通用指令的硬标签全部翻译成区间/阈值条件，对星图达人池做SQL式收窄。敷尔佳基准指令(10万<粉丝<2000万、单条≤20万、CPM50-150、女粉≥60%、A3增长好)就是一组AND条件。这一步把全量池砍到候选盘(敷尔佳约90人初筛盘的上游)。[确证：基准指令=可直接转WHERE的硬标签集]

第二道 半硬标签匹配（类目+排他）：在硬过滤结果上，按达人类型树节点匹配偏好类型、用商单记录做竞品差集排除。这步把候选盘按内容方向分桶(理性线/感性线、五大场景方向)。[确证：省广双线、悦普五场景、敷尔佳三方向]

第三道 LLM语义打分+理由生成：对每个候选达人，LLM读历史内容/简介生成推荐理由并判意向/非意向。仟传案例的非意向理由(智能居家不适配外景车拍汽车测评与家庭亲子关联差)就是LLM在做软语义匹配。这步是软标签唯一的机器介入点，也是最不稳的一环。[确证：推荐理由含语义判断 + 区分意向/非意向]

排序信号（关键判断：小星的"排序"本质是分桶+召回率标记，不是连续打分排序）：

• 没有证据显示小星给出统一的0-100连续分。它给的是选人思路优先级标记(🆗采纳/⭕备选/❌否决)+每条思路的初筛选中率(运动出行100%、科普38%、职场剧情20%)。[确证：悦普选人思路三态标记+初筛选中率]
• 头腰尾分层(头部/繁星企划/高性价比黑马)是按粉丝量+性价比的离散分档，不是排序。[确证：仟传三档输出]
• 真正的连续排序信号是预期播放量/预期CPM/预期CPE这三个星图预估指标，但它们更像展示列而非主排序键。[推测：23列含这三个预估值，但案例未提"按CPM排序"，更像过滤+人工挑]

核心判断：小星是高召回低精排系统——结构化过滤保证圈层准(仟传圈层命中95%)，但放弃精排，靠超量召回(需求20推201)+人工二筛补精度。它宁可多召回让人删，也不敢用软标签精排误杀。[确证：超量召回1000% + 废弃率30% + 漏斗三层]

越调越准不是 AI 变聪明了，是人不停给它加限制条件、再跑一遍同一套筛人流程。模型本身没学习、没训练。

三种手法说人话就是：①给个满意的样板让它找相似("就要这种的多来几个")；②直接说不要什么("这类别给我推")；③把差的拉黑("踢掉这些重新找")。

手法一 投喂标杆达人以一推多/找相似账号(1+N)：

• 实现推断：拿一个满意的样板达人(仟传@别哽哽、悦普选定的高意向达人)去达人池里捞"像的"。悦普明确说过AI形成1+N替换原表单扩池——给一个样板，自动找出一批相似账号。具体用什么算法小星没公开，但能复制的只有数字化特征(粉丝结构/内容方向/类目)。[推测：基于"找相似账号"+1+N措辞，星图原生就有"相似达人"功能，小星很可能直接调它；具体相似度算法未公开]
• 这也解释了为什么"找相似"能多找一批人、却修不出调性：找相似只能复制能数字化的特征(粉丝结构/内容方向)，"调性"这种感觉根本没进系统，所以推出来的相似达人调性照样参差。[推测：因果反推]

手法二 负向排除（三话术分层）：本质是给 AI 加负向的标签/关键词/字段条件，把那类号过滤掉——不是 AI 理解"相似度"反向排一批，而是按可判定的标签去筛。悦普三话术精确暴露了排除作用在管道哪一层——

• 推荐理由文字含'农村'的删除=作用在LLM生成的推荐理由文本层(第三道语义层的后过滤)。
• 代表视频'农村'背景为主的删除=作用在内容标签/视觉层(但AI看不懂画面，所以这条实际靠达人类型树+历史内容方向的代理标签近似)。
• 标记'朱小倩'为低质三农，类似的删除=删掉该达人ID，并把'三农/低质'作为负向标签过滤掉同类。原文说了类似的删除，但小星是否真按相似度反向排了一批、还是只删了带'三农'标签的同类，无证据。[确证：用户下了此指令；推测：'类似的'的实现机制原文未说]
• 省广去掉'春节返乡'关键词证明排除是在prompt关键词→检索条件这一翻译层生效：关键词会被AI语义扩展(返乡→乡村)，所以排除要从源头删触发词。[确证：省广三轮排乡村]

手法三 标记低质达人：把点名的差达人 ID 加进本任务级排除清单，重跑时先把这批人剔掉。[推测：基于"后续不推"=持久化排除集；按 ID 排除是实锤，是否连带排除"相似的"无证据]

迭代的统一机制：每轮迭代=修改结构化prompt(加硬标签/加排除词/加标杆)→重跑漏斗→人工评估初筛选中率→再调。模型权重不变，变的是输入约束。这是指令工程驱动的检索收窄，不是在线学习。沉淀物(指令标准手册/SOP)就是把"哪类需求该翻译成哪些标签"固化成模板。[确证：省广指令标准手册 + 各家SOP]

为什么必须多轮：一句话讲不清"调性"这种软要求，只能拿能量化的指标(粉丝/价格/类目)反复组合去逼近，逼不到位就再加一道限制——本质是用能判定的标签去围猎判定不了的目标。[推测：架构常识+四案例多轮事实]

漏斗三层是硬证据(敷尔佳90初筛盘→12提报→客户选定)，每层职能清晰：

第一层 AI初筛（广度优先，机器跑）：结构化过滤+语义召回，超量产出。敷尔佳90初筛盘、仟传201、悦普100+/池。这层AI只保证圈层对、硬指标合规，不保证条条能用。设计哲学=召回优先于精度，宁滥勿缺。[确证：四案例超量召回数据]

第二层 人工二筛（精度补全，人补软标签）——这是小星价值闭环里最关键的人，补的全是AI判不了的软标签：

• 看视频判调性：剔除内容调性差/营销感重/粗制滥造/数据注水(仟传)。
• 判真人出镜/伪达人：识别坐播/解说/资讯/IP号(省广)。
• 判植入原生感：抽查是否生硬中插、B&A说服力、素颜vs妆后(敷尔佳)。
• 判竞品安全：强力排查近30-60天密集接竞品商单(敷尔佳)，AI仅下钻辅助。
• 敷尔佳90→12的双重收窄，省广7投放→1采纳，都说明二筛是重度人工。[确证：四案例pain_points + 漏斗数字]

第三层 客户选定（决策权，客户拍板）：定推号名单。客户选中率是终极KPI(仟传50-70%、敷尔佳一稿100%)。[确证：选中率指标]

关键判断：小星不是AI选人而是AI圈池+人定人。AI承担的是查找(把2天压到5分钟、人效10-80倍)，判断决策仍在人。省广原话工作重心从查找分析转向判断优化精准概括——AI消灭的是体力活(扒号)，没消灭脑力活(判调性/定品牌契合)。[确证：省广原文 + 人效数据]

人工补什么(本质)：补不可向量化的内容质量信号——调性、质感、真人感、原生感、品牌契合、竞品安全。这六项是当前任何纯标签系统都给不出的，必须人眼看视频。[确证：四案例二筛动作收敛到这六项]

AI弱在软标签(调性/质感/真人感)，根因有三层，从浅到深：

根因一 数据缺失——没有内容理解的特征。星图原生数据里有粉丝量/画像/报价(硬标签)、有达人类型树(半硬标签)，但没有这条视频的调性是文艺还是土味剪辑节奏好不好植入生不生硬这种内容内容理解特征。两级垂类树最细到美妆测评种草，再往下的"质感/调性"树上没有节点。AI判不了，因为根本没有可判的字段。[确证：树最细到二级 + 四案例反复说AI识别不出调性/坐播/原生感][推测：根因归到特征缺失]

根因二 模态缺失——AI只读文本，看不了视频。坐播/解说/IP号、农村背景、B&A真实性、3s切镜、素颜vs妆后，全是视觉信息。小星的LLM只能读达人简介+历史标题+推荐理由文本，video内容没被解析成特征。所以代表视频农村背景删除只能靠达人类型/历史内容方向这些文本代理标签近似，必然漏(省广乡村三轮才压下、敷尔佳建议加抽帧视觉AI)。[确证：敷尔佳明确建议"加抽帧视觉AI解析" + 省广乡村反复跑偏][推测：模态缺失是根因]

根因三 表达缺失——主观需求无法无损翻译成标签。客户Brief是感性的("温馨治愈""松弛感""高级")，系统词表是客观标签。中间靠媒介人脑做"你想要什么→你需要输入什么"的转译(省广指令标准手册、敷尔佳建议建提示词库/PromptPilot)。转译有损：抽象的内容风格强制指令会变干扰项(仟传"无法识别剧情演绎类，硬塞风格反成噪声")。[确证：仟传"风格指令变干扰项" + 敷尔佳/悦普建提示词库建议]

三根因的关系：根因一二是能力天花板(没数据没模态，AI再强也判不了)，根因三是接口阻抗(就算AI能判，人也说不清要什么)。当前小星三者都中，所以软标签只能100%甩给人工二筛。另两个次级短板同源：圈选偏窄(只推本行业，破圈不足)=半硬标签匹配过度保守，倾向高相似度;深层指标调用不足(缺A3预估/15天播放均值)=数据接入工程没把星图深字段全接进检索。[确证：仟传圈窄+省广深指标 pain_points][推测：归因到匹配保守+接入不全]

对照qlai现状(查全率40%→80%、查准率50%→70%)，小星给的不是"抄什么"而是"边界在哪、人机怎么分工"。逐条落地：

查全率(40%→80%)——小星的答案是超量召回+破圈，宁滥勿缺：

• 小星敢推201(敷尔佳90初筛盘)是因为后面有人工二筛兜底；qlai查全率低部分是不敢多召回。建议把召回和精排彻底解耦：召回层只做硬标签过滤(粉丝/报价/CPM/画像)放宽阈值多召回，把精度让渡给排序+人工。qlai已有的 ap_xingtu_lake 数据湖(库内+星图混合查询)就是查全率的正确方向，继续做大星图侧召回。[确证：小星超量召回 + qlai datalake目标查全率80%]
• 主动破圈：小星短板是"只推本行业"，qlai要在召回层显式支持人群/场景关键词破圈而非只按行业类目召回——把八大人群占比、观众画像作为召回入口(人群包找人/商品找人)，而不只是过滤条件。[确证：仟传人群包找人/商品找人 + 圈窄短板]

查准率(50%→70%)——小星证明纯标签精排到不了70%，必须补两样：

• qlai的 mapping_engine 现状F1=0.31，语义字段(达人类型/内容类型)是FN大头，规则覆盖不了——这与小星主观Brief→标签转译有损是同一个病。小星的解法是指令标准手册+人机多轮，qlai的P1路线(接LLM做达人类型/内容类型语义映射+BM25 few-shot)方向正确，应优先级最高。[确证：qlai mapping F1=0.31语义FN大头 + 小星转译有损]
• qlai的8因子rank公式(AUC 0.73)是小星没有的优势——小星只做分桶+选中率标记，没有连续精排。qlai应把这个公式做成召回后的精排层(历史通过率30分是最强信号)，相当于把小星"人工二筛"里可量化的部分(历史商单/通过趋势/性价比)自动化,只把不可量化的(调性/真人感)留给人。这是qlai相对小星的差异化护城河。[确证：reuse-rank-score AUC0.73 vs 小星无精排]
• 补软标签短板=补模态：小星最痛是看不了视频(建议加抽帧)。qlai内容搜索已有豆包抽帧+V10标签化基建(见内容搜索索引链路memory),应把视频帧/内容标签接进达人特征,做真人出镜/调性/质感的初判,哪怕只把人工二筛工作量减一半,查准率就能往70%走。这是qlai可能反超小星的点。[确证：qlai已有豆包抽帧V10标签化 + 小星缺该能力]

人机分工的硬约束(小星血泪)：

• 别幻想AI下最终决策。小星四案例一致——AI初筛→人工二筛→客户选定三层不可省。qlai要把产品形态设计成AI圈池+人定人,把人工二筛的动作(看调性/查竞品/判原生感)做成高效工具(一屏看视频+画像+商单),而不是追求全自动。查准率从50%到70%的最后20%大概率是让人二筛更快更准赚来的,不是让AI更准赚来的。[确证：小星三层漏斗 + 人工补软标签]
• 排除清单用star_id不用昵称：小星标记低质达人要持久化排除,qlai已踩过emoji昵称失配漏网的坑(exclude SSOT用NFKC归一化+star_id反查)——这条经验和小星的"标记达人定向排除"是同一需求,qlai的SSOT实现已领先,保持。[确证：qlai exclude SSOT + 小星标记低质]