一、案例背景
1.1 企业简介与业务定位
京东集团是中国领先的技术驱动型供应链服务企业，覆盖超7亿年度活跃用户。在京东的商业生态中，搜索、推荐与广告（简称”搜广推”）业务扮演着核心撮合层的角色——它连接两端：一端是广告主和商家，另一端是消费者。平台上70%的商家同时也是广告主，每月帮助顶级品牌触达超4000万核心受众。面向B端用户的”京准通”营销推广平台与C端流量双向协同，驱动增长。
京东零售广告产研部算法应用负责人对搜广推业务的定位一语中的：”搜广推这个业务，是京东在同时撮合广告主，甚至是商家、卖家，跟我们京东消费者进行最重要的匹配，这件事情的用户体验的好和差，很大程度上直接决定京东业务发展的体量。”换言之，搜广推不只是推荐系统的一个子集，而是京东商业效率的核心引擎；匹配得好不好，直接体现在成交、转化和平台收入上。
电商广告的基本商业逻辑可以概括为一个简洁的公式：广告成交 = 曝光 × 点击率 × 转化率。过去十几年，整个互联网广告行业沿着这条路径持续迭代——从规则投放，到机器学习，再到深度学习，每一次技术范式的跃迁都带来了匹配效率的显著提升。而京东广告系统当前正站在新一轮范式迁移的前沿：从深度学习走向生成式推荐，并着眼布局Agentic AI。
1.2 行业背景：生成式推荐范式的兴起
推荐系统的技术演进经历了清晰的代际更迭。传统推荐系统一般被称作”判别式推荐”，其核心是基于统计关联和手工特征工程的传统机器学习方法。2015年之后，深度学习逐渐融入推荐系统，通过嵌入向量、注意力机制等技术大幅提升了推荐精度。而近两年，生成式技术落地广告场景，带来了两位数级别的收入提升——但这一切的前提是：具备先进的算法和充裕的算力。
生成式推荐的核心变化在于：用统一的序列模型将用户行为建模、特征交叉、候选生成与排序等环节融合在一起，从而更完整地捕捉用户意图。这种范式转变带来的直接后果是模型规模和数据量的急剧膨胀。京东广告在过去一两年从深度学习迁移到生成式推荐，实现了三个”量级跳”：行为上下文增长10倍、生成式模型结构放大100倍、算力需求提高约1000倍。
……