Fitur

Tulis rule pakai bahasa biasa, lalu tinjau drafnya

Diperbarui 20 Agustus 2026

AI rule builder AdOps mengubah deskripsi berbahasa biasa menjadi draf rule JSON lewat layanan LangChain yang ditopang Claude, memakai tata bahasa 45 metrik yang sama dengan builder manual. Hasilnya disertai confidence score 0 sampai 100, dan draf itu Anda tinjau serta sunting sebelum rule dijalankan.

Tujuan berbahasa biasa menjadi draf task rule di editor biasa, ditandai AI generated dan diberi confidence score 0 sampai 100.

Dalam angka

Angka di balik fitur ini

Rentang confidence score: 0 sampai 100 Dikembalikan bersama task dan ditampilkan di tiap kartu task
Ukuran grammar metrik: 45 metrik Disuntikkan ke system prompt dari katalog hidup pada tiap request
Tahap progres yang tampil: 6 Dari Analyzing your goals sampai Finalizing recommendations, ditahan di 95 persen sampai respons tiba
Timeout request: 30 detik Timeout HTTP dari management API ke layanan AI
Budget extended thinking: 10.000 token Budget thinking bawaan di layanan AI, bisa diatur lewat environment
Validasi keluaran: Hanya parsing JSON Drafnya memang untuk Anda tinjau sebelum rule dinyalakan

Modal AI Rule Generator AdOps: kolom tujuan berisi sasaran yang diketik tentang menaikkan campaign di atas ROAS 3, empat contoh tujuan di bawahnya, dan tombol Generate Rules. — Jelaskan hasil yang Anda inginkan dan asisten menyusun kondisinya. Ini pratinjau — panel tersebut masih di balik feature flag pada build yang dirilis. Baca detailnya

AI rule builder AdOps mengubah tujuan berbahasa biasa menjadi draf task rule. AdOps menyuntikkan katalog 45 metrik miliknya ke dalam prompt agar model bekerja dari grammar yang sebenarnya, lalu menambahkan task yang kembali ke rule yang sedang Anda edit beserta confidence score 0 sampai 100. Drafnya adalah titik awal untuk ditinjau, bukan rule yang sudah disetujui.

Apa sebenarnya yang dikerjakan AI rule builder?

Anda membuka modal Generate with AI dari rule form dan menjelaskan hasil yang Anda inginkan. Modalnya memuat contoh tujuan sebagai kalibrasi tingkat detail, dan progress bar bertahap menarasikan enam langkah selama request berjalan, dari Analyzing your goals sampai Finalizing recommendations. Modal itu terkunci selama generasi berlangsung supaya rule setengah jadi tidak tertutup begitu saja.

Di baliknya, AdOps menyusun system prompt dari katalog metrik di databasenya, mengirimkannya bersama teks Anda ke layanan AI, lalu membaca task dan confidence score dari responsnya.

Kenapa katalog metrik ikut masuk ke prompt?

Karena model yang diminta menulis rule untuk sistem yang tidak bisa ia lihat akan mengarang nama field. AdOps menghindarinya dengan menyerialkan katalog terkininya pada tiap request: masing-masing dari 45 metrik lengkap dengan id, nama tampilan, kategori, satuan, dukungan lookback period, Meta API field, dan daftar persis operator yang diizinkan.

Prompt-nya menyatakan batasan itu terang-terangan, mewajibkan model hanya memakai metric id yang ada di skema yang diberikan dan hanya operator yang terdaftar untuk metrik tersebut. Karena katalognya adalah koleksi database, bukan daftar hardcode, menonaktifkan sebuah metrik langsung menghapusnya dari generasi berikutnya tanpa perawatan prompt.

Layanan AI-nya sendiri berjalan di atas model Claude lewat LangChain dengan extended thinking aktif dan budget bawaan 10.000 token thinking, jadi model menalar skemanya dulu sebelum mengeluarkan JSON, bukan menjawab sekali tembak. Nama model, batas token, dan budget thinking semuanya diatur lewat environment.

Apa yang tidak dilakukan AI rule builder

Bagian ini layak dibaca dua kali.

AdOps tidak memvalidasi keluaran model terhadap grammar metrik. Responsnya dibuang pagar kodenya lalu di-parse sebagai JSON; kalau parsing gagal, teks mentahnya yang dikembalikan. Tidak ada pemeriksaan skema yang memastikan metric id hasil generasi memang ada, operatornya diizinkan untuk metrik itu, atau period-nya valid. Rule hasil generasi adalah draf, dan alasan ia mendarat di editor biasa adalah supaya Anda bisa membaca tiap kondisinya sebelum menyalakannya.

Jejak penalaran model direkam layanan dan disimpan, tetapi tidak ditampilkan di antarmuka. Yang Anda lihat adalah task dan confidence score.

Confidence score adalah perkiraan model itu sendiri. Ia berguna sebagai sinyal triase untuk menentukan draf mana yang perlu dibaca lebih teliti, dan ia bukan ramalan hasil campaign.

Bagaimana rule hasil generasi sampai ke editor?

Task hasil generasi bukan artefak terpisah yang tinggal di panel preview. Ia dibangun ke dalam daftar task yang sama dengan yang dipakai rule form untuk task tulisan tangan, dengan action picker yang sama, kontrol action frequency yang sama, baris kondisi yang sama, dan field nilai yang sama.

Tiap task hasil generasi tampil dengan badge AI Generated dan chip confidence yang menampilkan skornya dalam persen, dan ia tetap bisa diedit. Ubah ambangnya, ganti period-nya, hapus satu kondisi, tambahkan kondisi Anda sendiri. Begitu disimpan, ia hanyalah sebuah rule.

Alurnya pendek: jelaskan tujuannya, baca tiap kondisi yang dihasilkan draf, koreksi ambangnya sesuai ekonomi Anda, simpan sebagai draft, lalu set live setelah angka estimated match terlihat masuk akal.

Apa yang dicatat?

Tiap generasi menulis satu baris AI log sebelum panggilan dan memperbaruinya sesudahnya, menyimpan request, body respons, waktu respons dalam milidetik, confidence score, dan status. Generasi yang dilakukan saat mengedit rule yang sudah ada diatribusikan ke rule tersebut, jadi log bisa disaring menjadi riwayat generasi satu rule saja.

Log itu bisa ditelusuri per pengguna, terbaru dulu, 10 baris per halaman secara bawaan. Ia menjawab apa yang ditanyakan, apa yang kembali, berapa lama prosesnya, dan seberapa yakin model mengaku.

Kemampuan

Apa yang dikerjakan fitur ini, satu per satu.

Tiap baris adalah perilaku yang bisa Anda ulangi di produk hari ini.

Tujuan dengan kata-kata Anda sendiri: Jelaskan yang Anda mau, misalnya scale campaign di atas ambang ROAS selama spend harian masih di bawah batas. Modalnya menyediakan contoh tujuan sebagai patokan tingkat detail.
Berpijak pada katalog metrik hidup: System prompt disusun ulang tiap request dari katalog metrik di database, jadi model melihat 45 metrik beserta operator dan period yang diizinkan sebagaimana adanya saat itu.
Confidence score yang terlihat: Hasil generasi mengembalikan confidence score 0 sampai 100 bersama task. Rule form menampilkannya sebagai chip persentase di tiap task, berdampingan dengan badge AI Generated.
Draf mendarat di editor biasa: Task hasil generasi dimasukkan ke daftar task yang sama dengan yang diedit manusia, dengan kontrol action, frequency, value, dan kondisi yang sama. Tidak ada bagian yang read only.
Log generasi yang bisa ditelusuri: Tiap generasi ditulis ke log sebelum panggilan dan diperbarui sesudahnya dengan respons, latensi dalam milidetik, confidence score, dan status, serta bisa difilter per rule.

Pertanyaan

Yang sering ditanyakan soal fitur ini.

Jawaban langsung, lengkap dengan angkanya.

Bagaimana cara kerja AI rule builder AdOps?

Anda menuliskan tujuan iklan dalam teks bebas. AdOps memuat katalog metrik hidupnya, menyuntikkannya ke system prompt yang menyebut metrik, operator, period, dan bentuk action yang diizinkan, mengirim request ke layanan AI, lalu menambahkan task yang kembali ke rule yang sedang Anda edit beserta confidence score.

Apakah AI memeriksa keluarannya sendiri terhadap grammar metrik?

Tidak. AdOps membuang pagar kode dari respons model dan mem-parsing-nya sebagai JSON, tetapi tidak memvalidasi hasilnya terhadap skema metrik. AI rule builder menyusun draf untuk ditinjau manusia, dan draf itu terbuka di editor biasa sehingga setiap field bisa dikoreksi.

Apa arti confidence score?

Confidence score adalah angka 0 sampai 100 yang dikembalikan model bersama task hasil generasi, disimpan AdOps di log generasi dan ditampilkan di tiap kartu task. Anggap itu perkiraan model sendiri, bukan ukuran performa rule nantinya.

Bisakah saya tahu bagian rule mana yang ditulis AI?

Bisa. Task hasil AI rule builder ditandai di rule form dengan badge AI Generated dan chip confidence, serta membawa metadata generasi pada rule yang tersimpan, jadi task hasil AI tetap bisa dibedakan dari task yang ditulis manual.

Apakah ada catatan atas apa yang digenerasi?

Tiap generasi ditulis ke AI log dua kali, sekali sebelum panggilan dan sekali sesudahnya, merekam request, respons, waktu respons dalam milidetik, confidence score, dan status. Log itu bisa dibaca per pengguna dan difilter per rule.

Berdekatan