Spotify：AI 广告平台的多智能体架构

📌 One-Sentence Summary

Spotify 工程师详述了其 Ads AI 平台从单体智能体向基于 Google ADK 的模块化多智能体架构演进的过程，强调了严格的归属权边界、用于数据落地的确定性工具以及闭环性能反馈。

📝 Summary

本次演讲实录介绍了 Spotify 构建「Ads AI」——一个用于生成广告创意的生产级多智能体系统的历程。团队最初依赖一个拥有大量指令的单一复杂智能体，但遭遇了脆弱性和幻觉问题。随后他们转向模块化架构，每个智能体（如脚本生成、护栏、受众解析）由特定团队负责，通过 Bazel 独立打包，并依据标准化的 OTel GenAI 规范进行监控。关键架构决策包括将 LLM 推理与确定性应用代码分离，利用工具为数据（如地理定位）提供支撑而非让 LLM 猜测，以及利用共享会话上下文在各步骤间累积信号。该演讲重点阐述了这种结构如何实现闭环度量，使性能数据能够反哺优化定向和创意生成策略。

💡 Main Points

模块化的智能体归属与打包

Spotify 强制执行「一个智能体、一个包、一个负责人」模型。每个智能体都是一个独立的 Bazel 包，具有明确定义的可见性规则，从而在编译时强制约束依赖关系。这种结构明确了责任归属、监控方式（通过 PagerDuty/YAML）和提示词管理，防止了「巨型指令」这一反模式的出现。

推理与确定性数据落地的分离

该架构严格区分了智能体的职责（情感分析、推理、意图提取）与工具/代码的职责（数据检索、验证）。诸如地理定位或兴趣细分等关键业务逻辑均由确定性 API 调用/工具处理，而非依靠 LLM 猜测，以确保准确性和可靠性。

用于整体信号的共享会话上下文

与孤立的函数调用不同，该多智能体系统使用由 Google ADK 管理的共享运行时上下文。随着用户推进营销活动创建流程，品牌语调、受众解析和历史表现等信号会在会话状态中累积，为后续的脚本生成等智能体提供更丰富的上下文。

标准化可观测性与闭环反馈

采用 OTel GenAI 语义约定使得生产工作流的标准化追踪和重放成为可能。这种可观测性支持构建闭环系统，将广告性能指标（CTR、转化率）反馈至平台，帮助调优定向模型和创意生成提示词。

💬 Key Quotes

当我提到智能体时，我指的是一个智能体、一个包和一个负责人。

凡是能确定性编码的内容，都应始终进行确定性编码。

直到 2026 年初，多智能体还只是一个研究演示，如今它已成为一种架构。

Schema 中包含关于工具功能的描述……这也是发送给 LLM 本身的信息，有助于 LLM 理解确切如何调用工具。

📊 Article Meta

AI Screening： 90

Featured： Yes

Source： InfoQ

Author： Pratik Rasam

Category： 人工智能

Language： 英文

Read Time： 28 min

Word Count： 6835

Tags：

AI 与智能应用 , Agent编排 , AI Agent , 系统设计 , 可观测性