AI-агент, который ведёт рекламу в Meta как таргетолог с опытом, а не как уверенный новичок.

Три грабли голого LLM в рекламе

Если дать LLM задачу «настрой рекламу в Meta» без контекста, он будет звучать уверенно и галлюцинировать. Это не баг конкретной модели — это свойство всех LLM: они генерируют правдоподобный текст, а не проверенные факты.

Вот три конкретных грабли, на которые наступает «голый» LLM:

1. Выдумывает цифры. Спросишь «какой нормальный CPA?» — LLM назовёт «$15» с уверенным видом. Откуда $15? Ниоткуда, просто звучит правдоподобно. Реальная медиана для US e-commerce — $38.19 (Triple Whale, 2026). Разница в 2.5 раза — это разница между «всё отлично» и «пора паниковать».
2. Советует устаревшее. LLM обучен на текстах прошлых лет и посоветует «настрой узкий таргетинг по 20 интересам». В 2026 это мёртвая стратегия — Meta перешла на broad + Advantage+, интересы теперь только подсказки для алгоритма.
3. Убивает рекламу слишком рано. LLM «на глаз» решит, что реклама не работает, после двух дней и 30 кликов. Это статистический шум, на нём нельзя строить выводы. Первые 3–7 дней кампания в фазе обучения — цифры скачут и врут.

Проблема не в том, что LLM «тупой». Он звучит на 10 из 10 по уверенности — и именно поэтому опасен. Когда кто-то уверенно врёт про пороги рекламы, ты теряешь деньги, прежде чем замечаешь ошибку.

Мне нужен был не «ещё один промпт про рекламу», а слой дисциплины — набор правил с конкретными порогами, который держит агента за руку и не даёт ему выдумывать.

«Руки» и «мозг» — разные вещи

MCP-сервер для Meta Ads — это «руки». Он умеет нажать кнопку: создать кампанию, прочитать статистику, поменять бюджет. Но он не знает, стоит ли это делать. Этот проект — «мозг».

Голый LLM vs LLM + слой дисциплины

Проект не зависит от конкретного MCP-сервера. Работает с любым, у которого есть нужный набор инструментов — полный список совместимости лежит в репозитории.

И важно: это не автопилот. Агент предлагает решения — человек подтверждает. Реклама = деньги, нельзя отдавать их на полный автомат.

Дисциплина решений — сердце проекта

Это не «фишки» и не лайфхаки. Это правила с конкретными порогами, которые отличают опытного таргетолога от новичка. Каждое правило в базе стоит на источнике и помечено по надёжности — агент применяет его, потому что так говорит проверенная практика, а не потому что «звучит логично».

Каждое из этих правил — из базы знаний проекта. Не из статей, не из чьих-то твитов. С источниками, с пометками надёжности, с конкретными числами.

Честная математика, не угадывание LLM

Скрипты в analytics/ считают детерминированную Python-математику. В коде 0 обращений к OpenAI/Claude — только math, csv и requests к Meta API за сырыми цифрами.

Четыре скрипта покрывают весь цикл пост-аналитики:

• creative_analysis.py — по каждому объявлению выдаёт вердикт: KILL / SCALE / REFRESH / WAIT / KEEP. Без субъективных оценок — детерминированные пороги.
• significance_test.py — z-тест статзначимости A/B. Можно ли уже делать вывод, или это ещё шум?
• fatigue_curve.py — детектор «выгорания» креатива по тренду за дни.
• meta_client.py — клиент к Meta API, считает CPA/ROAS из сырых конверсий.

Когда скрипт говорит «confidence 81.6%» — это посчитанная формула (z-тест), всегда одинаковая, проверяемая на калькуляторе. Если бы то же «прикинул» LLM — он мог бы выдать разные числа на один вопрос.

Принцип: цифры отдаём математике, суждение поверх цифр — агенту. Агент решает «что делать», но считает не он.

Можно прогнать аналитику на готовых демо-данных, без ключей и без денег — одной командой в терминале. Увидишь своими глазами, как скрипт классифицирует каждое объявление (KILL / SCALE / WAIT), прежде чем подключать свой рекламный кабинет.

Откуда берутся решения: источники и их надёжность

Это и есть слой стратегии. Любое решение агента — что делать с кампанией, какой порог применить — опирается на размеченный по надёжности источник, а не на «чутьё» модели. Маркетинг полон цифр-мифов, которые все повторяют, но никто не проверял, поэтому каждое правило в базе помечено, насколько ему можно доверять:

Пометки не дают агенту выдать миф за факт. Классический пример: «85% видео смотрят без звука» — это claim 2016 года, Meta его не подтверждала. В базе он стоит как [НЕ ПОДТВЕРЖДЕНО], и агент не будет на нём строить стратегию.

Пять правил, если вы запускаете рекламу через AI

1. MCP-сервер — это руки, а не мозг. Сервер умеет нажать кнопку, но не знает, стоит ли. Без слоя знаний агент ведёт рекламу как уверенный новичок.
2. Не давайте LLM считать. CPA, ROAS, статзначимость — это математика, а не «прикинь». Детерминированный Python-скрипт даёт один ответ на один вопрос, LLM — разные.
3. Не трогайте кампанию 3–7 дней. Learning phase — не абстракция. Алгоритму Meta нужно ~50 конверсий на адсет, чтобы выйти из обучения. До этого все цифры — шум.
4. Помечайте надёжность каждого правила. Если вы не знаете, откуда взялось число — вы не знаете, можно ли на него опираться. Четыре уровня надёжности — минимум.
5. Считайте пороги от своего рынка. US-бенчмарки к не-US рынку = неправильная линейка. Спрашивайте гео, валюту, вертикаль перед тем, как сравнивать.