AppsFlyer MCP、Agent Hub 与 AI 助手数据洞察与实践案例
53% 的 MCP 账户在使用一周后仍保持活跃
39% 的账户部署了「每周表现报告」智能体
20% 的 AI 助手问题涉及分析或检索数据
数据信号质量，决定 AI 价值
AI 的表象良好与否，与输入的数据质量密切相关。智能体本质上是服从指令的优化器，根据给定的目标和数据信号执行任务。如果信号割裂、重复计算、依赖于渠道自报或缺乏治理，自动化非但解决不了问题，反而会放大原有问题。
营销人员若想通过 AI 获益，不仅要拥有最先进的模型，更要先解决信号问题，基于可信赖的数据开展运营。
AppsFlyer 服务于数千家企业的营销团队，处于这些可信数据信号流转的核心。AppsFlyer MCP 帮助团队以程序化方式访问 AppsFlyer 数据，并通过任意界面查询归因和表现指标；AppsFlyer Agent Hub 提供了持续运行的智能体，可用于监测表现、发送预警和发现机会；AppsFlyer AI 助手则通过对话和数据可视化，帮助用户回答问题、验证假设和检索数据。三款产品共同构成 AppsFlyer 现代营销云中的完整 AI 工具栈。
本报告基于 AppsFlyer 平台上的真实使用数据，分析营销人员借助 AppsFlyer 的 AI 工具进行了哪些查询、配置了哪些智能体、构建了哪些工作流。报告将「关键趋势」部分的量化汇总数据，与「应用场景」部分覆盖不同领域的定性研究相结合，深入呈现 AI 在营销领域的应用现状及未来发展方向。
* 所有结果均基于完全匿名的汇总数据。为确保统计结果有效，我们设定了严格的数据量门槛并采用严谨的研究方法，仅在满足相关条件时呈现数据。
智能体和自动化应用加速普及，令牌认证占 MCP 连接总量的 48%
令牌认证指不经过聊天界面，以程序化方式直接访问 MCP 服务器，常用于 N8N、Make 及命令行客户端等工具，为自动化工作流或智能体工作流提供身份验证。令牌认证的应用场景涵盖定时数据拉取，以及构建智能化的跨工具推理系统。
2025 年 12 月至 2026 年 5 月，令牌认证在 MCP 连接方式中的占比从 13.6% 升至 47.7%，增幅达 250%，表明 MCP 正从探索测试走向生产应用。技术更成熟的用户群体正越来越多地采用自动化工作流，而不再通过聊天界面操作。在此技术的支持下，营销人员无需依赖开发人员或分析师，即可自行构建自动化和智能体。
Claude 和 Claude Code 则从另一角度印证了这一趋势。统计期内，Claude 的连接占比在 19% 至 32% 之间稳步增长，成为营销人员、分析师和开发人员通过对话方式查询 API 的主要交互界面。Claude Code 的占比从 3.8% 增长到 9.9%，接近原来的三倍，说明越来越多的开发人员已在开发环境中使用 MCP。两者合计占比从 22.7% 升至 42%，增幅达 85%，体现程序化访问与对话式交互的双重扩张。
Claude 的扩张反映了整体市场格局的变化。及至 2025 年年中，尽管 ChatGPT 在消费端遥遥领先（约 70% 的使用场景为个人事务），Anthropic 的企业业务收入已超过 OpenAI。更准确地说，Claude 在 API 和智能体编程领域占据主导。到 2026 年初，Anthropic 在企业编程市场的份额估计已达 54%。在 MCP 这一开发者和分析师主导的交互场景中，该优势被进一步放大。
从区域来看，亚太地区的令牌认证占比增长最为陡峭，从 13% 升至 63.7%，增幅达 390%，如今近 2/3 的交互来自自动化或智能体流程。北美走势类似，从 10% 升至 52.1%，增幅达 420%。欧洲、中东和非洲（EMEA）则是例外：令牌认证占比收缩 25%，从 19.1% 降至 14.4%，而 Claude 在当地 5 月的占比高达 54.5%，说明 EMEA 用户更倾向于直接进行对话式 API 交互，而不是构建自动化工作流。
MCP 的采用格局呈现两面性：一边是令牌认证支持的自动化流程，另一边是开发者和分析师的交互式会话，两者均呈现增长态势，说明用户群体日趋成熟，并随时间推移主动向开发者工具靠拢。
MCP 主机的使用集中度进一步证明了以上趋势：84% 的账户仅通过一个主机连接，使用两个及以上的不足 15%。这说明多数用户仍处于「依赖单一入口」的阶段：营销者已找到适合自身工作流的工具，但尚未扩展到更多选择。
更多 MCP 使用场景，请参阅「实践案例」章节。
采用各类 MCP 接入方式的企业占比
MCP 主机连接数量分布
AppsFlyer MCP 账户数六个月增长 12 倍
2025 年 12 月至 2026 年 5 月，AppsFlyer MCP 的活跃企业账户数增长了 12 倍，但增速并不均匀。增幅的高峰出现在 2026 年 3 月，该月账户数环比激增 188%。
这一时间点与两件大事密切相关。3 月 9 日，Anthropic 发布了官方 MCP 路线图；同年 12 月，Anthropic 将 MCP 协议移交给了 Linux 基金会，纳入其旗下的供应商中立机构 Agentic AI Foundation（由 AWS、Google、Microsoft、Salesforce 和 Snowflake 等巨头共同支持）。此前，企业对供应商锁定的顾虑一直是拖慢采纳速度的主要原因，而此次移交消除了这一障碍。AppsFlyer 在 3 月出现的增长拐点，正是企业将 MCP 视为基础设施而非实验项目的直接体现。此外，Claude Cowork 的发布让营销人员能够通过 Vibe Coding 借助 MCP 进行编程，进一步降低了使用门槛。
从区域来看，亚太地区始终保持领先，到 5 月已占账户总数的 48.8%。北美地区增速最快，增幅达 1659%，其中大部分增长集中在 5 月（当月账户数较上月接近翻了两番）。EMEA 增长较为平稳；拉美虽然基数最小，但一直保持稳步增长。
区域分布折射出 AI 数据访问在不同市场的落地深度。亚太地区的占比与前一节中令牌认证的领先地位相一致：该区域的技术团队似乎最快完成了从探索测试到生产级程序化使用的转变。北美地区的后期加速则表明，第二波采纳浪潮可能仍在积聚。
各地区连接 AppsFlyer MCP 的企业数量
半数 MCP 账户至少留存至第 7 天，近 1/3 留存至第 30 天
MCP 的短期留存表现强劲：首次发起 MCP 查询后，66% 的用户在第 1 天及以后曾再次登录账户，53.4% 在第 7 天及以后仍有使用记录。考虑到 MCP 是按需使用的开发与分析工具，而非需要每天打开的日常产品，这些数据说明用户通常能在首周感受到实际价值，并再次使用 MCP。到第 30 天，仍有 32.7% 的账户在此后再次使用，接近总量的 1/3。
从第 1 天到第 18 天，单日再次使用率，即第 N 天再次使用 MCP 的账户占比，始终保持在 19% 至 24%，期间没有明显的持续下滑。度过最初的探索阶段后，账户通常会形成周期性的使用习惯，而不是逐渐停止使用。这说明，只要在早期建立使用习惯，后续留存往往也能保持稳定。
周度数据表明，第 5 周是用户行为发生明显变化的节点。第 N 周再次使用 MCP 的账户占比从第 5 周的 23.3% 降至第 6 周的 13.7%，降幅为 41%，是整组数据中单周降幅最大的一个阶段。这可能意味着，一些临时使用或仍处于探索阶段的账户在此时逐渐停止使用，留下使用意愿更强的核心用户。到第 8 周，仍有 11.2% 的账户在当周使用 MCP。
第 11 周的明显下降并不代表用户行为发生变化，而是受到数据截断的影响。部分账户直到观察期最后几周才首次连接 MCP，尚未经过足够长的时间，因此无法出现在后续周次的数据中，导致相关数值大幅下降。
MCP 留存率
全年无休：自动化流程全天候运行，周末活动量为工作日的 70%
自动化智能体驱动的 MCP 与人类的工作节奏有较大差异。MCP 周末活动量平均可达工作日的 70%，较工作日仅小幅回落；反观依赖人工操作的工具，周末活动量几乎归零。
采用令牌认证的自动化流程和智能体任务并不遵循五天工作制。用户在 N8N、Make 及命令行客户端等工具中构建的工作流，可按团队设定的日程自动执行，即便周末也不停机。AppsFlyer AI 助手的使用情况则呈现出另一番景象：此类工具完全由人工驱动，周末使用量急剧下降，几乎可以忽略。两者对照，MCP 在周末的持续活跃尤为突出。
周末不间断的活动量，也印证了前文的结论：随着令牌认证在全部 MCP 连接方式中的占比接近半数，平台的使用重心正从人工发起的会话转向始终在线的自动化流程。
更多智能体使用场景，请参阅「实践案例」章节。
每日 MCP 调用量 *
「每周表现报告」配置量居首，智能体使用深度持续提升
AppsFlyer Agent Hub 为营销人员提供了一系列预置智能体。其中，「每周表现报告」的配置量最大，占所有配置的 38.6%。该智能体能自动、定期提供表现数据概览，满足了营销人员最普遍的需求。「配置问题检测」紧随其后，占比 24.7%，对于任何重视衡量质量的团队来说几乎是必备项。两者合计占全部配置的近 2/3。
「作弊防护策略优化」的配置占比为 14.2%，该智能体的使用者主要是运行 AppsFlyer Protect360 的客户，他们需要主动检测作弊，而不仅仅是被动查看报告。
「素材优化机会洞察」和「表现异常检测」这两个智能体的配置占比均低于 5%，两者应用场景更专业、适用范围较窄，可能导致了使用率较低。
横跨两个统计周期来看，活跃账户中每账户配置的智能体类型平均数量从 2.74 个增至 2.92 个。更值得关注的是分布结构的变化：仅配置 1 款智能体的账户占比下降了 42%，从 16.7% 降至 9.7%；配置 3 款及以上的账户占比稳步上升。这表明，留在平台上的用户会持续拓展智能体的应用范围，而非固守单一工作流。
各类型智能体的配置占比
按配置智能体数量划分的账户占比
AI 助手查询：数据分析占两成，用户技术深度持续显现
在 AppsFlyer AI 助手的 37082 条分析问题中，平台导航和操作指南类问题占比最高，达 36%。例如，用户会询问如何找到某个功能、怎样完成某项任务、某个设置的具体作用。AI 助手能够承担如此大量的基础咨询，已能够充分说明其在运营层面的价值，但这一结果并不让人意外。整体来看，74% 的问题体现出更深入、专业的使用需求，反映出用户正越来越多地将 AI 助手用于数据分析和技术实施。
有约 1/5 的问题聚焦于表现数据调取及分析，占比达 20.1%。用户会直接要求助手呈现数据结果，例如按来源查看安装量、按广告系列查看 ROAS、按地区查看同期群细分，或按周期查看对比趋势。这种用法已超越常见的技术支持范畴，更接近分析师的工作。用户显然已经意识到，通过对话获取洞察比手动操作数据面板高效得多。
用户的技术深度在接下来三个类别中体现得更为明显。归因与衡量类问题占 9.7%，技术配置与 SDK 对接类占 7.1%，深度链接与 OneLink 配置类占 6.3%。三者合计占全部问题的 23.1%，总量已接近数据查询类问题，说明用户对落地层面的技术细节已相当熟悉。
这类问题涉及归因窗口、回传配置、S2S 事件设置，以及 OneLink 的排查。提问者已不仅是泛泛了解产品功能的入门级营销人员，更像是深谙衡量层运作原理、并借助助手进一步深挖的专业人士。
图表解读与趋势分析类问题占 3.9%，异常排查类占 2.4%。两者都体现了助手已深度嵌入分析工作流：用户会贴出实时图表或数据模式，请 AI 助手进行分析解读，而不是将其视为一个独立的咨询工具。
更多 AI 助手使用场景，请参阅「实践案例」章节。
AI 助手问题类型分布
- 实时获取表现洞察 [Square]
-
在会议中实时查询表现数据
Square 的主要做法是通过 MCP 搭建的自定义数据面板取代手动查表的流程。这个面板集成了实时图表、数据可视化和按需查询 AppsFlyer 数据的功能，所有信息汇集在一个视图中，可直接用于展示。
在与程序化广告合作伙伴的会议中，营销团队如果遇到意料之外的表现问题，可通过 Claude 连接的 AppsFlyer MCP 可以实时给出答案，省去了手动拉取报告的步骤。这类查询包括：哪些应用类型带来的安装或事件效果最好、各程序化渠道在漏斗顶部质量和流失率方面的对比，以及收入拆解——这些分析过去需要数小时才能完成。
对接 AppsFlyer 数据与内部数据源
第二层应用是将 AppsFlyer MCP 与内部专有数据打通。Square 拥有城市级别的收入数据，无法对外共享。但通过 Databricks 将这些数据与 AppsFlyer MCP 对接后，团队可以提出跨数据集的问题，例如：哪些商户类别在特定月份表现更好，是否需要据此调整素材投放时机。MCP 负责处理 AppsFlyer 侧的数据，内部连接处理专有数据，AI 将两者融合，终端用户无需具备 SQL 知识。
并行运行多个 MCP
Square 同时连接多个 MCP：AppsFlyer MCP 提供归因和事件数据，Google UAC 和 Apple Search Ads 直接提供花费数据，AppsFlyer MCP 再提供聚合事件数据。连接这些数据的关键是共同的「媒体渠道」维度。这套架构虽然需要手动搭建，但一旦识别出数据集之间的共同键，整个过程就变得清晰直接。
清理历史命名规范
一个更偏运营层面的用例是，利用 MCP 梳理历史数据中命名规范不一致的问题。随着时间推移，OneLink 命名在不同团队之间出现了差异——大小写、下划线、空格等格式不统一。通过 MCP 查询，无需人工逐条审计即可发现并清理这些模式。
「我可以让 AI 拉取表现数据，直接切入收入洞察。过去需要几小时的工作，现在不到两分钟就能完成。」
Sara San Antonio，Square 全球移动营销高级经理
观看网络研讨会 - 每日分析同群组表现趋势 [Supersonic Studios]
-
从多面板排查到两分钟查询
Supersonic 使用 MCP 的核心目的，是缩短从提出问题到拿到答案的等待时间。以前，UA 经理需要向利益相关方汇报 ROAS 概况时，必须从多个数据源拉取数据、整理格式，再手动撰写分析说明。接入 AppsFlyer MCP 并连接到大语言模型后，同样的需求只需几分钟就能用自然语言得到回答，而过去需要数小时。
每日同期群 progression 分析
更深入的应用，是将同期群分析的粒度提升到每日级别——这是人力无法持续支撑的工作强度。Supersonic 会追踪 ROAS 从 D0 到 D7 再到 D30 的变化，并将当前同期群的走势与同一产品、同一广告系列的历史数据进行对比。如果某个同期群的 D0 ROAS 看似正常，但到 D3 的进展已经落后于历史同期，这本身就是问题信号。然而，要每天对所有活跃产品和广告系列逐一排查这些变化，人工操作并不现实。MCP 让这项工作从多面板排查变成了一次对话式查询。
对接 AppsFlyer 数据与更多数据源
Supersonic 还将 AppsFlyer MCP 与内部数据源对接，用于回答跨数据集的问题。这些内部数据源的具体内容不便公开，但应用逻辑与更广泛的用例一致：MCP 作为连接层，将 AppsFlyer 的归因和收入数据与团队需要的内部专有数据整合在一起。
先确保数据质量
早期的试验中，团队直接将原始数据喂给大语言模型，结果并不可靠——字段名不一致、收入维度重叠，导致模型只能猜测计算结果，团队很快就失去了信心。Supersonic 的解决方案是，在通过 MCP 传输数据之前，先在 BI 侧针对每个具体用例对数据进行预聚合。这样，大语言模型收到的数据范围明确、精度可控，输出结果也能与团队在自有数据面板中看到的数字保持一致。
「确实可以用 MCP 来构建自己的智能体和工作流。但这个过程仍需要人工监督，这种探索本身就很有意思。」
Ofer Regev，Supersonic Studios AI 与自动化产品经理
查看案例研究 - 使用 claude.md 文件预设工作流 [Shamanth Rao]
-
打造一位可按需运行的「表现分析师」
这个 MCP 用例超越了即时查询的层面，进入了预编程工作流的领域。通过使用 claude.md 文件（一组存放在 MCP 连接同目录下的自然语言指令），可以定义一个多步骤分析流程，只需一个短语即可触发并完整运行。「给我一份表现检查」不再是简单的查询指令，而是启动了一个预先构建好的「分析流程」。
工作流实际执行的内容
示例流程会自动运行八个步骤：从 AppsFlyer 拉取各付费渠道过去七天的数据、计算 ROAS、标记 ROAS 最低的渠道、按效率对所有渠道排序、对比付费与自然表现、识别 ROAS 为负的付费渠道、推荐应加码的渠道，最后给出预算调整建议。输出结果是一份结构化的报告，而非原始数据堆砌。整个流程仅通过一个提示词即可触发运行。
与对话式查询的区别
即时查询是遇到问题时才向 MCP 提问，而 claude.md 模式则完全不同：它将分析判断预先编码到系统中，确保每次都能执行同样严谨的复盘流程，无需人工触发。这套工作流还可以持续进化——只需加入一条规则，比如「对比 iOS 与 Android 表现」，就能永久更新流程，无需任何重建工作。这种做法更像是为自己打造一个专属分析师，而不是使用一个现成的工具。
「借助 MCP，你只需说出一个预先设定好的短语，就能激活一系列步骤。这就是 claude.md 的魅力所在。」
Shamanth Rao，ROCKETSHIP HQ
观看视频 - 跨应用产品组合分析 [某游戏公司]
-
一次查询整个产品组合
对于同时管理多款应用的团队来说，逐个查询应用、逐个查看结果，既耗时，也难以全面比较。借助 MCP，团队可以一次分析整个产品组合，快速回答跨应用的问题。例如：哪些应用在某个地区的表现低于自身的全球平均水平？哪些应用的 D0 ROAS 表现突出，却没有获得相应的预算投入？通过统一分析多款应用，团队无需再逐一打开数据面板，就能掌握整个产品组合的表现。
发现产品之间的受众重叠
MCP 还可以帮助团队发现，同一产品组合中的不同应用是否正在争夺相同用户。如果两款游戏在同一地区、通过相同渠道触达相似受众，就可能在竞价中彼此推高成本，导致双方的 CPI 上升。MCP 可以识别游戏、地区和媒体渠道之间的重叠，帮助团队及时调整预算分配。否则，这类问题很容易被分散在各自独立的广告系列数据中，难以被发现。
根据整体表现确定投入重点
MCP 提供的不只是数据对比，还能帮助团队明确下一步应优先关注哪些产品。UA 经理无需逐一查看十多个数据面板，再手动汇总整个产品组合的表现。通过一次查询，就能了解哪些游戏获得的资源超过了实际表现，哪些游戏根据同期群数据仍有加大投入的空间，以及当前最值得扩大投入的增长机会。这样，团队可以从整体角度分配预算和资源，而不是只看各个广告系列的单独表现。
- 异常检测智能体 [Supersonic Studios]
-
当关键信号隐藏在多层数据之下。造成最大损失的异常，往往并不会直接出现在数据面板上。对 Supersonic 而言，监测工作的难点不是发现明显的整体指标下滑，而是找到那些在汇总数据中难以察觉、却在底层持续累积的表现问题。一款游戏的整体收入可能看似稳定，但某个广告系列、地区或 KPI 已经开始出现异常，并可能在几天后演变成更严重的问题。
智能体发现了人工可能遗漏的问题。Supersonic 的产品组合中曾出现过一个实际案例：某款游戏因游戏内调整导致表现下滑，但整体收入的变化幅度还不足以触发提醒。持续监测该广告系列的异常检测智能体深入分析了更细颗粒度的 KPI，发现异常后立即通过 Slack 发送了详细提醒。团队当天便展开调查并解决了问题，而此时相关信号尚未出现在任何数据面板中。
「我们在这款游戏上部署了一个智能体。它找到了问题的核心，并通过一条简单的提醒告诉我们发生了什么，接下来便可以由人采取行动。由于这不是主要 KPI，在数据面板中也不够明显，之前一直被忽略。但智能体不断深入分析，最终找到了问题。」
Ofer Regev，Supersonic Studios AI 与自动化产品经理
持续监测，而非定期检查。智能体的价值不只在于更快发现问题，更在于能够大规模发现人工定期检查难以捕捉的异常。面对数十款游戏和数百个广告系列，UA 经理依靠人工逐一查看数据面板，难免会有所遗漏。持续运行的智能体不会感到疲倦，不会因为另一款游戏更受关注而跳过某个项目，也不会等到每周报告发布后，才指出周二已经发生的变化。
「系统能自动完成监测，并在出现问题时提醒我们，这对我们来说非常有价值。我们可以迅速采取行动，避免收入损失。」
Ofer Regev，Supersonic Studios - 智能体周末照常运行 [某游戏公司]
-
发现隐藏在底层数据中的异常
真正可能造成损失的问题，往往不会直接反映在数据面板上。对 Supersonic 而言，监测的难点不在于发现整体指标明显下滑，而在于识别那些被汇总数据掩盖、却在持续恶化的问题。一款游戏的整体收入可能仍然稳定，但某个广告系列、地区或 KPI 已经出现异常，并可能在几天后带来更大影响。
提前发现难以察觉的问题
Supersonic 曾遇到这样一个案例：某款游戏因游戏内调整导致表现下滑，但整体收入的变化尚未达到提醒阈值。持续监测该广告系列的异常检测智能体进一步分析了更细的 KPI，发现异常后立即通过 Slack 发出详细提醒。团队当天便展开调查并完成修复，而当时相关变化尚未明显反映在数据面板中。
「我们为这款游戏部署了一个智能体。它准确定位了异常，并通过一条简单的提醒说明了具体情况，随后再由团队跟进处理。由于受影响的并非核心 KPI，数据面板上的变化也不明显，因此此前一直没有引起注意。但智能体持续深入分析，最终识别出了问题。」
Ofer Regev，Supersonic Studios AI 与自动化产品经理
持续监测，而不是定期排查
智能体的价值不仅在于更快发现问题，还在于能够持续监测大量游戏和广告系列，捕捉人工定期排查容易遗漏的异常。面对数十款游戏和数百个广告系列，UA 经理很难逐一查看所有数据面板。持续运行的智能体不会因为工作量过大而遗漏项目，也不会等到每周报告发布后，才发现几天前已经出现的问题。
「系统可以自动完成监测，并在发现异常时及时提醒我们。这对我们非常有价值，也让团队能够迅速采取行动，减少收入损失。」
Ofer Regev，Supersonic Studios - 优化防作弊策略 [Nomad]
-
作弊手段不断翻新，人工防护很难及时跟上
广告作弊手段一直在快速演变。分析师开始排查日志时，作弊者可能早已换了新的方式，原有规则也随之失效。对于投入大量广告预算的增长团队来说，发现得越晚，损失就越大，而这些问题往往要等到事后复盘时才会暴露。
利用 AI 更快发现并应对作弊
AppsFlyer 的 AI 增强型防作弊能力会持续分析归因数据，及时识别新的作弊特征，并不断调整检测方式。相比传统防作弊手段，它能更快响应新型攻击，同时提升检测的准确性和稳定性，进一步加强实时防护效果。
实际效果十分明显：检测准确率提升 7 倍，发现新型作弊后恢复防护的速度提升 8 倍，有效遏制同类作弊的时间延长 14 倍。作弊者因此更难在短时间内找到新的突破口。「优化防作弊策略」智能体还会主动捕捉早期迹象，并提出应对建议，帮助团队在损失扩大前及时处理。
Nomad：用更可靠的数据支持增长决策
对 Nomad 而言，AI 增强型防作弊能力的价值不只在于减少无效支出。Nomad 高级增长经理 Gabriel Sampaio 认为，作弊同样会影响数据质量。只有先排除无效和异常流量，团队才能更准确地评估投放效果，并据此优化后续策略。
「AppsFlyer 的 AI 不仅帮助我们提升收入表现，也让我们更清楚地了解自身数据，从而持续优化未来的营销策略。」
Gabriel Sampaio，Nomad 高级增长经理 - 发现素材优化机会 [某游戏工作室]
-
素材表现分散，难以及时发现优化机会
一家中型移动游戏工作室同时在六个广告平台投放 UA 广告系列，但各平台的素材表现仍由不同负责人分别复盘。负责 TikTok 和 Mintegral 的团队成员，很难及时掌握 Google 或 AppLovin 上的高表现素材。某款新素材在 TikTok 上线七天后开始显现增长潜力，但团队未能及时确认这款素材是否已覆盖其他平台。等到每周复盘时发现这一趋势，扩大投放的最佳时机已经缩短。
及时发现跨平台扩量机会
部署「发现素材机会」智能体后，工作室可以主动收到提醒，及时了解哪些素材在不同广告平台上出现了较强的早期信号，不再只依赖各平台负责人分别跟进。启用后的前几周，智能体发现一款素材在 Mintegral 上表现快速提升，但尚未投放到另外两个受众特征相近的平台。团队在 24 小时内完成上线。过去，同样的判断需要人工跨账户核对数据，通常只能等到下一次每周复盘时才能完成。
更早识别潜力素材，及时扩大投放
移动游戏素材的表现通常会随时间逐渐衰减。从新素材开始显现优势，到表现趋于饱和，往往只有几天时间。智能体持续监测素材表现，并在增长信号刚刚出现时提醒团队，帮助团队更快调整预算和投放范围。投放规模越大，提前发现机会带来的价值也越明显。
- 提升分析效率与决策信心 [Peaksel]
-
缩短排查时间，更快找到答案
Peaksel 是一家同时运营多个渠道广告系列的移动游戏工作室。对团队而言，AI 助手最大的价值，是将过去耗时的排查过程转化为直接、清晰的答案。无论是日常表现分析、归因配置检查，还是技术验证，以前都需要翻阅大量文档、提交支持工单或逐项核查；如今，通过 AI 助手即可快速获得解决思路，大幅缩短排查时间。
让配置验证更简单
Meta AEM 资格验证就是一个典型场景。过去，要确认当前配置是否符合要求、找出遗漏项并判断需要调整的内容，往往需要反复查阅文档，对照多项配置逐一核实。而如今，AI 助手可以直接生成清晰的检查清单，帮助团队快速完成验证，买安去了重新整理资料或反复确认文档的繁琐操作。
辅助决策，而不是代替决策
Peaksel 对 AI 助手的定位十分明确：AI 助手负责提供信息、降低操作门槛，最终决策仍由团队作出。它帮助团队更快定位问题、验证方案、确认下一步行动，但不会替代人工判断。
「AI 助手帮助我们更快验证假设、解决技术问题。过去需要花很长时间排查，现在很快就能获得明确的指导，既节省了时间，也减少了不确定性。」
Milorad Grkovic，Peaksel UA 负责人 - 数据查询与报告示例
-
1/5 的问题要求 AI 助手直接查询并分析表现数据。用户通常会要求 AI 助手调取账户数据，例如查看不同广告系列的 ROAS、按媒体渠道分析同期群曲线，或比较不同国家和地区的留存趋势。
过去，这类分析需要创建报告、导出数据，或等待分析师处理。现在，用户只需通过自然语言提出问题，AI 助手便可在数秒内完成查询并给出答案。
示例：- 「请提供过去 30 天的每日 D7 ROAS 趋势，并按媒体渠道拆分同期群数据。」
- 「请按国家或地区查看这款应用过去 30 天的 D7 和 D30 ROAS，并按广告支出列出排名前 15 的国家或地区。」
- 「仅查看 Triumph: Play for Cash，请提供 2025 年 1 月至 2026 年 2 月的 D1、D7、D30 和 D60 留存率，并尽可能呈现月度趋势。」
- 「请按广告系列查看该媒体渠道每周的 D7、D14 和 D21 ROAS，仅使用已完整成熟的数据。」
- 「请按媒体渠道提供 paid_imp_18 的独立用户转化率，包括 D1、D7 和 D14。」
- 归因与衡量示例
-
这类问题通常来自对归因配置较为熟悉的用户。相关设置会直接影响后续数据，例如是否启用浏览归因、如何设置再互动回溯窗口，以及为何关闭浏览归因后，部分激活仍会归因至广告展示。
过去，用户需要查阅多份文档，逐项核对配置和归因逻辑。现在，AI 助手可以结合具体情况快速说明原因、检查配置，并在数据受到影响前发现潜在问题。
示例：
- 「再互动浏览归因目前处于关闭状态，是否需要开启？如果再互动点击归因回溯窗口设置为 7 天，浏览归因窗口设为 30 天是否合适？」
- 「Facebook 再营销带来的转化中，75% 来自再营销，其中 80% 归因至展示。应该设置沉默期，还是不计入基于展示的再互动转化？」
- 「Meta 广告未启用浏览归因，但 AppsFlyer 激活原始数据中，部分 Facebook 广告激活的归因触点类型仍显示为展示。这是什么原因？」
- 「请检查这些主要媒体渠道是否已配置点击归因窗口、浏览归因窗口和再互动窗口，并说明检查结果。」
- 「Meta 广告系列会先将用户引导至 Typeform 问卷，用户提交后再通过 OneLink 安装应用。应该如何配置链接，才能正确衡量点击和展示归因，并在安装后回传事件？」
- 异常调查示例
-
在所有用户提问中，这一类问题最复杂。用户通常会先提出判断，再请 AI 助手结合数据进行验证。例如：ROAS 下滑只是回收周期较长，还是变现能力本身出现问题？当前表现只是延迟体现，还是 LTV 确实正在下降？D7 表现走弱是否与素材疲劳有关？AI 助手既能帮助用户理清分析路径，也能在同一轮对话中调取数据，验证或排除相关判断。
示例：
- 「请按广告系列拆分 Google 数据，判断是否有特定市场正在拉低 ROAS。对比 D7 ROAS 和 LTV ROAS，确认问题来自回收周期较长，还是变现能力本身出现缺口。」
- 「请叠加对比 D7 ROAS 和 D3 ROAS，判断当前表现只是变现延迟，还是 LTV 确实正在下降。」
- 「请分析自 12 月 1 日以来加拿大市场的短表单提交情况，说明激活量、短表单提交量，以及激活到短表单提交转化率的趋势、规律和潜在问题。」
- 「请分析表现较弱的素材，并检查 D1、D7 和 D30 ROAS 是基本持平，还是仍在持续上升。」
- 「请对比 D7、D1 和 D30 留存，判断不同广告系列带来的用户质量是否正在下降。」
84% 的账户只连接了一个 MCP 主机，而 MCP 账户数在六个月内增长了 12 倍。这说明，许多团队可以先从一个具体场景入手，无需一开始就搭建复杂的工作流。建议优先选择重复频率高、数据处理量大的任务，例如每周表现检查或渠道效率复盘，先实现自动化，再根据实际需求逐步扩展。随着应用场景增加，MCP 带来的效率提升也会不断累积。
目前，通过令牌认证发起的 MCP 活动已接近总量的一半，周末调用量仍达到工作日的七成。这说明，许多高频应用场景已经不再依赖人员实时操作。对于目前仍主要通过对话界面使用 MCP 的团队，下一步可以尝试搭建定时运行的自动化工作流，让数据查询、表现检查和异常监测在无人值守的情况下持续运行。
在活跃的 Agent Hub 账户中，仅使用一种智能体的账户占比在统计期内下降了 42%，每个账户平均使用的智能体类型也从 2.74 种增至 2.92 种，说明团队正在逐步拓展智能体的应用深度。与其同时部署大量用途单一的智能体，不如先深化已经验证有效的场景，再逐步扩大应用范围。例如，在监测和预警的基础上，进一步加入主动优化和机会发现，让智能体从发现问题，走向帮助团队明确下一步行动。
近半数账户会在首周内再次使用 MCP；而一旦形成持续使用习惯，前三周的日活跃水平基本保持稳定。这说明，首周能否快速找到明确、可持续的应用场景，是影响长期留存的关键。因此，应加强首周引导与支持，帮助用户尽早完成首次有效应用。
对 AI 助手应用较为深入的用户，已将其作为分析伙伴。他们不只要求 AI 助手查询数据，还会先提出假设，再结合数据进行验证。相比简单的信息查询，这类问题更有助于发现深层原因并获得可执行的洞察。目前主要使用 AI 助手了解平台功能和操作方法的团队，可以进一步探索同期群分析、异常诊断和归因验证等场景。
