真实面经题目 · 原创解析
这题的核心是广告系统里“出价”和“排序/混排”的职责边界。OCPX 中 bid 不只是广告主手填的静态价格，而是围绕优化目标、转化率预估、预算消耗、约束和平台机制形成的有效出价信号；它最终要进入广告候选的价值计算，例如 eCPM、pCTR、pCVR、bid、质量分、用户体验和业务约束的组合。混排不是由出价侧单独决定，也不应该完全脱离出价信号放在推荐排序里随意处理。更合理的边界是：出价侧负责把广告主目标、预算、CPA/ROI 约束和竞价机制转换成可解释、可控、可校准的 bid 或 value 信号；排序/混排侧负责在用户请求上下文中融合广告和自然内容，综合收益、相关性、体验、多样性、频控和商业约束做最终排序。广告混排逻辑通常更靠近排序/混排侧，但需要消费出价侧产出的价值信号，并把曝光、点击、转化和消耗反馈回出价系统形成闭环。
我会先区分 bid 和混排职责。OCPX 的 bid 可以理解为广告主围绕目标转化成本、ROI 或深度转化价值给出的出价约束，系统会结合 pCTR、pCVR、预算和投放状态转成每次展示的有效竞争价值，常见排序价值类似 `eCPM = pCTR * pCVR * bid * 1000`，实际还会乘质量分、校准系数和平台策略。出价侧应该负责广告主目标建模、预算 pacing、CPA/ROI 约束、智能出价调整和有效 bid 输出；它不应该直接决定某个用户页面里广告和自然内容的最终混排位置。混排更适合放在排序侧或独立混排层，因为那里有用户上下文、自然内容分数、广告相关性、体验约束、频控、多样性和页面配额，可以统一权衡商业收益和用户体验。但排序侧不能忽略 bid，它要把出价侧产出的 value 作为商业价值信号，并通过 A/B 验证 CTR、CVR、收入、广告主 ROI、用户停留、投诉和长期留存。边界上可以是出价侧产出可解释 value，排序侧做最终融合，反馈链路再帮助出价侧校准。
传统 CPC/CPM 中 bid 更像广告主对点击或曝光愿意支付的价格；OCPX 场景下，广告主往往表达的是目标 CPA、目标 ROI、转化目标或深度转化价值，系统需要根据 pCTR、pCVR、转化价值、预算消耗和投放阶段，把目标转成每次请求可参与竞争的有效出价。一个简化表达是 `ad_value = pCTR * pCVR * bid`，如果是 GMV/ROI 目标，还可能是 `pCTR * pCVR * value_per_conversion * bid_adjustment`。因此 bid 不是孤立价格，而是广告主目标、模型预估和投放控制共同形成的价值信号。
广告候选通常先经过定向/召回，过滤预算、地域、类目、人群、创意状态等约束；然后粗排和精排估计 pCTR、pCVR、相关性、质量分和价值；出价系统根据广告主目标、预算 pacing、竞争环境和历史效果输出有效 bid 或调整因子；最后混排层把广告候选与自然内容、推荐内容或其他商业内容放到同一个页面中。这个链路里 bid 进入排序价值计算，但最终位置还受用户体验、广告负载、频控、内容多样性和页面结构影响。
出价侧更适合负责广告主视角的优化：如何在目标 CPA/ROI 下消耗预算，如何根据转化反馈调整 bid，如何处理冷启动、预算 pacing、竞争强弱、时段波动和转化延迟。它输出的是可供排序使用的商业价值信号，例如有效 bid、预估转化价值、预算紧张度、探索权重或投放状态。出价侧不应直接嵌入页面混排逻辑，因为它缺少完整的用户自然内容体验和页面上下文，也不适合判断自然内容与广告之间的整体体验平衡。
混排更适合在排序侧或独立的 rank/mix 层完成，因为这里能同时看到广告候选和非广告候选的分数、用户上下文、位置价值、页面广告负载、用户对广告敏感度、内容多样性和实时策略。排序侧可以把广告 value 转成与自然内容可比较的效用分，例如 `utility = revenue_weight * ad_value + relevance_weight * relevance - experience_penalty`，再结合 hard constraints 做位置分配。这样可以避免广告短期收入最大化伤害用户体验，也避免自然排序完全忽略商业目标。
一个清晰边界是：出价侧不决定最终页面顺序，而是提供广告候选的有效出价、预算状态和优化目标；排序/混排侧把这些信号与 pCTR、pCVR、质量、相关性和体验约束融合，决定广告是否展示以及展示位置；曝光、点击、转化、扣费、预算消耗和用户反馈再回流给出价侧和预估模型。这样职责分离但闭环打通：出价侧保证广告主目标，混排侧保证用户请求级别的全局最优。
实际混排可以从简单规则到模型化逐步演进。简单策略是先算广告 eCPM，再按广告位配额插入自然流；进阶策略会考虑位置校准、广告疲劳、用户广告接受度、内容相关性和长期价值。常见约束包括每页广告数量、相邻广告间隔、同广告主频控、类目多样性、低质创意过滤、预算不足过滤和广告主 ROI 护栏。公式上不能只用 bid 排序，因为高 bid 低相关性广告会伤害体验；也不能只用 pCTR，因为平台收入和广告主目标会失真。
OCPX 混排的验证不能只看广告收入。平台侧看 eCPM、消耗、填充率、GMV/收入、请求级收益和延迟；广告主侧看 CPA、ROI、转化量、预算利用率、冷启动速度和投放稳定性；用户侧看 CTR、停留、负反馈、投诉、跳出率、留存、广告疲劳和自然内容消费。还要关注校准：pCTR/pCVR 偏差会让 bid 参与排序时放大错误，导致高估广告过度展示或优质广告被低估。A/B 必须配置护栏指标，避免短期收入提升但广告主 ROI 或用户体验下降。
如果把混排放在出价侧，出价系统会被迫理解自然内容分数、页面结构和用户体验策略，职责膨胀且难以复用；如果排序侧完全自己调 bid 或绕过出价约束，又会破坏广告主目标、预算 pacing 和扣费一致性。另一个风险是多个团队各自改分数，导致 eCPM、质量分、校准、扣费和混排不一致。解决方法是明确接口契约、统一 value 语义、保留策略版本、做端到端 trace，并用实验衡量边界调整。
出价侧的主目标是广告主投放效率和预算控制，它通常缺少完整自然内容候选、页面位置结构、用户体验护栏和多内容生态目标。如果让出价侧决定混排，容易短期商业价值过强，牺牲用户体验，也会让出价系统承担过多页面排序职责。更合理的是出价侧输出 value，混排侧做请求级全局权衡。
不能只按 eCPM 展示。可以在排序价值里加入相关性和质量分，设置低相关性硬过滤或体验惩罚，也可以用用户广告敏感度、负反馈风险和长期价值做校正。广告系统的目标不是单次收入最大化，而是平台收益、广告主效果和用户体验的长期平衡。
pCVR 直接影响有效价值计算。如果高估某些广告，会让它们以不合理高分获得曝光，导致广告主 CPA 变差、预算浪费和用户体验下降；低估优质广告则会错失转化和收入。因此需要校准、分场景评估、延迟转化处理、冷启动策略和线上反馈闭环。
不一定。精排通常负责对候选广告或内容做高精度打分；混排更强调跨类型内容的最终位置分配和约束满足。有些系统会把混排逻辑并入最终排序模型，有些会做独立 rerank/mix 层。关键不是名字，而是职责是否清楚：打分、约束、位置、配额、体验和商业目标如何协同。
预算 pacing 应由出价/投放控制侧转成预算紧张度、bid adjustment 或候选可投状态，混排侧消费这些信号。如果某广告预算紧张，出价侧可以降低有效 bid 或限制参与；混排侧不应该自己猜预算策略。这样能保证投放目标一致，也便于广告主效果解释。
