Gencopy.

一个基于 LLM 的电商搜索广告生成与诊断看板，把 Query 意图增强、证据召回、候选生成、校验排序串成可观察的广告文案生产链路。

GitHub repo

Demo mode / generated ad cards

Role

产品逻辑 / LLM pipeline / 看板设计

Stack

Streamlit · Python · JSONL

Core

Query → Evidence → Copy → Rank

Status

GitHub prototype

System walkthrough.

这不是一个只展示最终文案的页面，而是把广告生成链路拆开给用户看：输入 Query、选择 provider、查看中间产物、标记 badcase，再回到候选生成与排序。

Realtime invocation result table and provider status cards — Realtime invocation / product-copy matching table

Debug mode with sidebar settings and result cache — Debug mode / provider controls

Settings sidebar for LLM provider and candidate count — LLM provider settings

GitHub README showing V5 advertising generation dashboard — README / system documentation

Technical proof.

项目重点是“可观察、可诊断、可迭代”的生成系统。它保留 provider / fallback / cache / badcase 标记等状态，让文案生成不再是黑盒。

GitHub project

完整代码与 README 已放在 GitHub，可查看目录结构、运行方式、JSONL 输出和 badcase 收集设计。

Open repo

StreamlitPythonLLM providerBadcase loopJSONL outputs

Generation chain

Query
  -> intent enrichment
  -> evidence retrieval
  -> candidate copy generation
  -> validation / rank / rewrite
  -> final ad copy + badcase feedback

01 Background

广告文案不能只“像人写的”，还必须可信。

电商搜索广告的难点不在生成一句漂亮文案，而在于让文案贴合 query 意图、商品证据与平台规范。单纯 prompt 容易出现卖点漂移、事实幻觉和风格不稳定。

02 Pipeline

把生成任务拆成有约束的后置链。

Gencopy 不是 Prompt 套壳，而是围绕“输入理解 - 证据筛选 - 多模型生成 - 校验排序”构建的文案生产链路。

Query 意图增强

判断用户真实购买动机与使用场景。

证据筛选

只允许文案使用商品资料中可验证的卖点。

多 provider

支持 local fake / DeepSeek 等 provider 切换与 fallback。

校验排序

按事实一致性、吸引力和平台规则进行筛选。

03 Outcome

工业级广告生成系统的雏形。

自然多变只是表层，真正的价值是可控、可校验、可持续生产。

Open system walkthrough / Gencopy

System walkthrough.

录屏展示 Query 输入、provider 选择、中间产物观察、badcase 标记与候选排序，让完整生成链路保持可追踪。

Recorded walkthrough / Ecommerce CopyGen Studio

← Previous / Hagglo Next / Can Do →