企业官网建设流程全解析

meta-ads-mcp 是一套开源的 MCP 服务器，让 AI 助手（Claude、ChatGPT、Cursor、Perplexity）通过自然对话来管理 Meta 广告（Facebook / Instagram）。它的 42 个工具中，定向工具是最常被新手用到的一组：search_interests（兴趣）、search_behaviors（行为）、search_demographics（人口属性）、search_geo_locations（地域定向）四大类搜索，外加兴趣建议、兴趣验证与受众规模预估。本文给出完整工具清单 + 精准锁定受众的 7 步工作流，读完即可用对话完成定向配置。

一、为什么用 AI 对话做 Meta 广告定向更简单

传统做法是登录 Ads Manager，在"受众"面板逐个搜兴趣、勾行为、翻人口属性；或手写targeting字典调 API，容易踩坑（地域 key 写错、兴趣 ID 失效、advantage_audience缺失）。

meta-ads-mcp 把这一整套流程封装成可被 AI 调用的 MCP 工具：你只要说一句"帮我找做户外用品生意、25-45 岁、住在美国加州的女性"，AI 就会按需调用 6 个定向搜索工具 + 1 个规模预估工具，最终把完整的targeting对象写进广告集。

二、7 个定向工具完整清单（先看一遍全貌）

全部实现在 meta_ads_mcp/core/targeting.py：

三、兴趣定向：从关键词到兴趣 ID

3.1search_interests按关键词搜兴趣

输入一个关键词（如cooking、baseball、travel），Meta 会返回匹配的兴趣标签，每个标签带：

• id：写入定向用的兴趣 ID（如6003139266461）
• name：兴趣名（如Movies）
• audience_size：该兴趣的受众规模
• path：分类路径（如["Sports", "Tennis"]），帮助判断层级

实现见 targeting.py#L12。

3.2get_interest_suggestions基于已有兴趣扩展

当你已经选了"篮球"和"足球"，可以让 AI 调用get_interests_suggestions拿到 Meta 官方推荐的关联兴趣（如"橄榄球""羽毛球"），快速扩量。实现见 targeting.py#L41。

四、行为定向：定位高价值人群

search_behaviors一次性拉取 Meta 行为标签库（默认 50 条，可调大limit）。每条返回id/name/ 受众规模上下界 /path/ 描述。

常见高转化行为标签：

• Engaged Shoppers（活跃购物者）
• Business Travelers（商务旅客）
• Facebook 重度用户

行为标签与兴趣组合使用，能精准筛出"既喜欢露营、又常在线下单"的人群。实现见 targeting.py#L463。

五、人口属性定向：7 大类标签任选

search_demographics通过demographic_class参数切换 7 类：

返回的每个标签都带受众规模上下界，帮你判断"会不会筛太窄"。实现见 targeting.py#L488。

六、地域定向：从国家到选区 6 级

search_geo_locations接受关键词 + 类型过滤：

• query：如California、New York、Japan
• location_types：可选country/region/city/zip/geo_market/electoral_district
• 不传location_types则搜所有类型

返回key（写入定向的值，如US、3847）、name、type与层级信息（如country_code、country_name）。实现见 targeting.py#L515。

七、把定向写进广告集：create_adset的targeting参数

搜索工具拿到 ID 后，最终通过create_adset（meta_ads_mcp/core/adsets.py）的targeting参数写入。一个典型的targeting字典：

{ "age_min": 25, "age_max": 45, "geo_locations": { "countries": ["US"] }, "flexible_spec": [ { "interests": [ { "id": "6003371567474" } ] }, { "interests": [ { "id": "6003462346642" } ] } ], "targeting_automation": { "advantage_audience": 0 } }

要点：

• 不传targeting时：默认 18-65 岁、美国、开启 Advantage 受众（见 adsets.py#L292-L306）
• 传了自定义定向但漏写targeting_automation：自动补advantage_audience: 0，避免 Meta 智能扩量覆盖你的精准设置
• flexible_spec里多个兴趣块之间是OR关系（扩量），块内多字段是AND关系（交叉）

八、投放前必做：用estimate_audience_size预估受众规模

estimate_audience_size（targeting.py#L70）是定向流程的"最后一道闸门"。传入account_id+ 完整targeting，它调用 Meta 的reachestimate端点，返回：

• estimated_audience_size：月活受众中间值
• estimate_details：estimate_mau、users_lower_bound、users_upper_bound
• 若主端点失败，可降级到delivery_estimate端点拿数据

前置要求：targeting必须含geo_locations（国家/州/城市/邮编/广电市场/选区任一）或custom_audiences，否则 Meta 返回Missing Target Audience Location错误。

九、精准锁定受众的 7 步工作流（对话示例）

把下面这句话丢给接入 meta-ads-mcp 的 AI 助手即可：

"帮我创建一个广告集：面向 25-45 岁、住在美国加州的女性，对'户外露营'或'徒步旅行'感兴趣，并且是'活跃购物者'。先帮我预估受众规模，再创建，初始状态暂停。"

AI 会按以下顺序调用工具：

1. search_interests("outdoor camping")→ 拿到兴趣 ID
2. search_interests("hiking")→ 拿到兴趣 ID
3. search_behaviors()→ 找到Engaged Shoppers的 ID
4. search_geo_locations("California", ["region"])→ 拿到 region key
5. search_demographics("demographics")→ 拿到Female标签
6. estimate_audience_size(targeting=..., account_id=...)→ 确认受众规模合理
7. create_adset(targeting=...)→ 写入广告集，状态PAUSED

十、4 种典型定向组合（按业务目标选）

十一、常见问题 FAQ

Q1：兴趣 ID 写错了怎么办？用estimate_audience_size传interest_list或interest_fbid_list做快速验证，返回valid: true/false+ 受众规模。

Q2：受众规模预估显示"Missing Target Audience Location"？targeting里必须含geo_locations至少一个字段，或至少一个custom_audiences。

Q3：search_geo_locations可以只搜城市吗？传location_types: ["city"]即可，避免把国家/州混进结果。

Q4：兴趣标签和行为标签怎么选？兴趣标签数量巨大（百万级）、适合做主题扩量；行为标签更"贵"但更精准（如是否购买过、是否换过工作），建议先用兴趣打底、行为收口。

Q5：这些定向工具有配套测试吗？有。单元测试见 tests/test_targeting.py、tests/test_estimate_audience_size.py，端到端用例见 tests/test_targeting_search_e2e.py。

十二、相关源码与文档

• 定向工具实现：meta_ads_mcp/core/targeting.py
• 广告集创建与定向默认值：meta_ads_mcp/core/adsets.py
• 工具参数速查（含 6 个定向工具的输入输出说明）：README.md
• 单元与 E2E 测试：tests/test_targeting.py · tests/test_targeting_search_e2e.py · tests/test_estimate_audience_size.py

小结：meta-ads-mcp 的定向工具覆盖了"搜兴趣 → 扩建议 → 选行为 → 配人口 → 选地域 → 估规模 → 写入广告集"完整链路，7 个工具各司其职。配合 AI 助手对话，无需手写targeting字典，就能把 Meta 广告精准送到目标人群面前。