广告埋点参数自动化校验：让 AI 补充规则引擎而不是替代它

广告埋点校验通常已经有一套确定性规则：字段是否存在、类型是否正确、枚举是否合法。真正难的是跨参数关联、页面上下文和复杂业务约束。搜狐技术产品的公开摘要介绍了一种渐进式做法：保留原有规则引擎，再增加 AI 校验链路，用 AI 补充难以编码的复杂检查。

本文根据奇舞周刊第 597 期摘要整理。摘要明确提到新旧链路并行、超时、缓存、熔断、异常回退和“只补充新发现的问题”的结果融合策略；具体模型、规则数量和线上指标未在周刊笔记中披露。

一、为什么不直接让 AI 接管校验

规则引擎适合硬约束，具有确定性、低延迟、可解释和易回归的特点。AI 适合处理复杂语义关联，但可能出现幻觉、波动、超时和误报。两者能力边界不同：

类型	示例	更适合的执行者
字段存在与类型	event_id 必须存在且为字符串	规则引擎
枚举范围	platform 只能取固定值	规则引擎
跨参数关联	页面类型和商品字段组合必须匹配	AI + 规则
业务语义	事件是否符合当前投放场景	AI 辅助、人工校准
安全与发布门禁	是否阻止上线	确定性系统

二、新旧链路并行

迁移时保留旧规则引擎作为基准，新 AI 链路旁路运行：

埋点输入
  ├─→ 传统规则引擎
  └─→ AI 复杂关联检查
        ↓
结果融合
  → 原有错误保持不变
  → 只补充有证据的新问题

这样可以比较 AI 的新增发现、误报、漏报、延迟和成本，也不会因为模型暂时不可用而丢失原有校验能力。

三、超时、缓存与熔断

AI 校验必须有独立的运行时保护：

• 超时：超过预算后返回明确的“AI 检查未完成”，不要阻塞主流程无限等待。
• 缓存：相同版本、相同输入和相同规则的结果可复用，但缓存键必须包含 Prompt、模型和规则版本。
• 熔断：连续超时、错误率或费用超过阈值后暂停 AI 链路。
• 回退：AI 失败时回到确定性规则，不能把“没有 AI 结果”当作“校验通过”。
• 审计：保存输入摘要、模型版本、输出、耗时和融合结果。

四、结果融合不能推翻传统结论

如果传统规则已经判断某字段非法，AI 不应把它改判为合法。AI 结果可以增加新的风险提示，但覆盖硬错误会破坏确定性基线。建议把结果分为：传统硬错误、AI 新发现、AI 建议复核和 AI 不确定。

五、AI 规则如何进入生产

AI 发现的问题不能直接变成阻断规则。需要经过：样本收集、人工确认、误报分析、规则固化、离线回归、灰度和监控。只有重复验证后，才决定是继续作为提示、升级为软门禁，还是成为硬门禁。

六、验收清单

• 传统规则引擎仍是确定性基线。
• AI 链路有独立超时、缓存、熔断和回退。
• 缓存包含模型、Prompt、规则和输入版本。
• 结果融合只补充证据充分的新问题。
• AI 误报、漏报、延迟和成本都有指标。
• 新 AI 规则经过人工确认和回归后再阻断发布。

来源与边界

原文：搜狐技术产品｜广告埋点参数自动化校验的 AI 升级实战。本文依据奇舞周刊摘要整理，未取得原文全文和配图；“新旧链路并行、异常回退、只补充新发现”是周刊摘要明确披露的实践要点。