Meta 廣告 2026 完全攻略

AI 接管一切

Andromeda + GEM 雙引擎如何改變 Meta 廣告的遊戲規則

從手動駕駛到全自動駕駛

想像你正在開車。2024 年以前，你得自己握方向盤、踩油門、判斷路況——這就是手動投放廣告的時代。

2026 年，Meta 要你當乘客就好。告訴車子目的地（轉換目標）和加多少油（預算），剩下的交給 AI。

🚗

過去：手動駕駛

廣告主全程操控受眾、版位、出價，每個細節都要自己調整。

🤖

現在：輔助駕駛

半自動化工具幫忙，但你還是要坐在駕駛座監督。

🛸

2026：全自動駕駛

AI 端對端接管，廣告主只需提供產品 URL + 預算。

雙引擎核心：Andromeda + GEM

2026 年 Meta 廣告投遞系統由兩個 AI 引擎驅動。它們就像自動駕駛汽車的「眼睛」和「大腦」。

👁️

Andromeda — 眼睛

廣告檢索引擎，搭載 NVIDIA GH200，從數千萬廣告中毫秒篩選候選。比舊系統快 100 倍。

🧠

GEM — 大腦

生成式推薦模型，深度評估候選廣告，預測點擊/購買可能性。比原始推薦模型高 4 倍準確度。

📅

關鍵轉折點

2026/01/09 起，Ad Set 層級的受眾比對邏輯正式棄用，全面改為 Retrieval 邏輯。廣告不再「推送」給受眾，而是被「搜尋」出來。

看 AI 雙引擎如何投遞一則廣告

點擊「下一則」觀看 Andromeda 和 GEM 如何協作，把對的廣告送到對的人面前。

0 / 7 messages

2026 關鍵時間線

從 Andromeda 部署到端對端全自動化，Meta 用不到兩年完成轉型。點擊「下一步」逐步瀏覽。

🔍

2024 底
Andromeda

🧠

2025 中
GEM

🔄

2026/01
Retrieval

⚡

2026 Q1
API v25.0

🛸

2026 底
全自動化

點擊「下一步」開始瀏覽時間線

Step 0 / 5

Advantage+ 產品線全景

Advantage+ 是 Meta 把所有 AI 自動化功能打包的品牌。2026 年，四大子產品構成完整的「自動駕駛系統」。

🛒

Advantage+ Sales

原 ASC。強制開啟 CBO + A+ Audience + A+ Placements，官方數據 CPA 降低 20%。

🎯

Advantage+ Audience

你設定的受眾只是「建議」，AI 會自動擴展到更有可能轉換的人群。受眾定義權從廣告主移交 AI。

🎨

Advantage+ Creative

AI 自動生成背景、把靜態圖轉影片、擴展文案長度。每組素材自動產生多種變體測試。

📋

Advantage+ Leads

名單型廣告也加入全自動化行列，AI 優化表單填寫流程與受眾配對。

Meta 官方三支柱策略

即使 AI 接管投遞，廣告主仍需掌握三大核心。這是你在自動駕駛時代的「安全帶」。

Creative 創意素材

提供 8-15 組多元素材，讓 AI 有足夠變體可測試。靜態圖、影片、輪播混搭效果最佳。

Campaign Structure 活動架構

精簡為 1-2 個活動，避免受眾重疊。讓 AI 有最大預算池進行優化。

Data Accuracy 數據準確度

Pixel + CAPI 雙重追蹤，確保 AI 收到正確的轉換訊號。垃圾數據進，垃圾結果出。

2026 AI 創意工具箱

Meta 把創意生產線也交給 AI。以下是你不用再外包的事。

🎬

靜態轉影片

上傳一張產品圖，AI 自動生成 6 秒短影片，含動態轉場效果。

🎙️

AI 配音 + 音樂

自動為影片配上語音旁白和背景音樂，支援多語言。

👤

人物形象生成

AI 生成虛擬代言人形象，免拍攝、免模特費用。

📊

效能預測

素材上傳前就能預估點擊率和轉換率，省下無效測試預算。

等等，AI 真的萬能嗎？

全自動化聽起來很美好，但數據告訴我們要保持警覺。

⚠️

反直覺發現：ASC 不一定比手動好

獨立測量公司 Haus 在 640 檔增量實驗中發現，58% 的案例手動設定活動的表現優於 ASC。原因可能是：你的產品類別、客單價或銷售週期不適合全自動化。

💡

實戰建議

永遠用 A/B 測試驗證。開一個 ASC 活動、一個手動活動，跑 2 週比較 ROAS 和增量轉換。數據說話，不盲信 AI。

測試你的理解

Q1：Andromeda 和 GEM 在廣告投遞中各自扮演什麼角色？

Q2：關於 Advantage+ Shopping Campaigns (ASC)，以下哪個說法最正確？

Q3：在 AI 全自動化時代，Meta 建議廣告主聚焦的「三支柱」不包含以下哪一項？

帳戶架構設計

從 KOL 框架到實戰，找到最適合你的帳戶結構

從多兵團作戰到精銳特種部隊

以前的帳戶架構像是一個國家派出很多小部隊各自作戰——每個 Campaign 對應一個受眾細分，兵力分散、指揮混亂。

2026 年的新共識：精銳特種部隊模式。人少但裝備精良（1-3 個 Campaign + 多樣素材），讓 AI 指揮官決定派誰去哪個戰場。

⚔️

過去：多兵團分散作戰

10+ 個 Campaign，每個鎖定不同興趣受眾，預算分散、互相競爭。

🎖️

2026：精銳特種部隊

1-3 個 Campaign，集中火力，用素材多樣性取代受眾細分，AI 自動配對最佳戰場。

三大 KOL 框架

國際頂尖投手各有自己的帳戶架構方法論，但核心共識一致：精簡架構，讓素材說話。

🔥

Ben Heath

2-Campaign（80/20 法則）—— Scaling 80% + Testing 20%。冷暖受眾合併在同一個 Campaign，用素材區分。

📐

Charley T

1-Campaign + 3:2:2 Method——全 Broad 定位，3 組 Proven + 2 組 Iteration + 2 組 New，績效民主制淘汰。

🧘

Jon Loomer

1 Campaign + 1 Ad Set——最極簡架構。所有素材扔進同一組，完全交給 AI 分配。

Ben Heath 2-Campaign 架構圖

點擊各組件查看詳細說明。這是最多台灣中小品牌適用的架構。

帳戶層級

🏢

Ad Account

Scale Campaign（80% 預算）

🚀

Scale Campaign

🌐

Broad Ad Set

🏆

贏家素材 ×5-8

Testing Campaign（20% 預算）

🧪

Testing Campaign

🎨

新素材 ×3-5

點擊上方任一組件查看說明

台灣中小品牌：依預算選架構

不同預算規模適合不同架構。以下是台灣市場的實戰建議。

< 30K TWD/月 → 1 Campaign All-in-One

1 個 Campaign、1 個 Ad Set、5-8 組素材。預算太小不值得拆分，全部集中讓 AI 有足夠數據學習。

30K-100K → Ben Heath 2-Campaign

Testing 20% + Scale 80%。用 Post ID 移動贏家素材，每週固定更新 3-5 組新素材。

$$$

100K-500K → 混合架構（手動 + ASC）

Creative Testing 10-15% + Manual Scale 20-30% + ASC 50-60% + Retargeting 5-10%。

$$$$

> 500K → Charley T 或完整混合

預算充足可跑 Charley T 的 3:2:2 Method，或建構完整的 4-Campaign 混合架構。

素材生命週期：Testing → 驗證 → Scale

贏家素材不是憑感覺挑的。點擊「下一步」看完整的素材畢業流程。

🧪

Testing
Campaign

✅

素材驗證
3-5 天

🚀

Scale
Campaign

👤

用戶
轉換

點擊「下一步」開始瀏覽素材生命週期

Step 0 / 5

帳戶架構「程式碼」表示法

用偽代碼看 Ben Heath 2-Campaign 架構，讓邏輯一目了然。

pseudocode

account
              BenHeath2026 {
              campaign
              "Scale" {
              budget:
              80%
              objective:
              "conversions"
              budget_type:
              "CBO"

              adset
              "Broad" {
              targeting:
              "none"
              // 全 Broad
              ads:
              "winners[]"
              // 5-8 組贏家
              } }

              campaign
              "Testing" {
              budget:
              20%
              objective:
              "conversions"

              adset
              "NewCreatives" {
              targeting:
              "none"
              ads:
              "new[3-5]"
              // 每週新增
              } }

              // 畢業規則
              rule
              promote(ad) { if ad.cpa
              <
              1.5
              * target
              && ad.spend
              >
              2
              * target_cpa
              →
              move_by_post_id("Scale") } }

白話翻譯

帳戶名稱：Ben Heath 2026 架構

Scale Campaign（80% 預算）：放已驗證的贏家素材，使用 CBO 讓 AI 自動分配預算，Broad 定位不設限制。

贏家素材：維持 5-8 組表現最好的廣告。

Testing Campaign（20% 預算）：專門測試新素材，每週投入 3-5 組，同樣 Broad 定位。

畢業規則：如果新素材的 CPA 低於目標 1.5 倍，且花費超過 2 倍目標 CPA（代表有足夠數據），就用 Post ID 移入 Scale Campaign。

常見設定錯誤

這些錯誤會讓你的 AI 指揮官做出錯誤判斷。

🚨

未設現有客戶預算上限

ASC 預設會大量投遞給舊客（因為轉換率高），導致你花錢打已經會買的人。務必在 ASC 設定中將現有客戶預算上限設為 10-20%。

⚡

同時開太多 ASC

多個 ASC Campaign 會互相競價搶同一批用戶。建議最多 1-2 個 ASC，避免自己打自己。

🎨

素材數量不足

ASC 至少需要 8 組以上素材才能充分測試。素材太少，AI 沒有足夠的「武器」可以選擇。

⏳

過早判斷效果

Learning Phase 需要約 50 次轉換。在此之前的數據波動是正常的，至少等 5-7 天再做判斷。

冷/暖/熱受眾：2026 新做法

過去你用不同 Campaign 區分冷暖熱受眾，現在用素材分層取代。

💡

不分 Campaign，用素材分層

冷受眾（教育型素材）、暖受眾（社會證明型素材）、熱受眾（急迫感型素材）全放同一個 Campaign。AI 會自動把對的素材配對到對的受眾階段。

❄️

冷受眾素材

教育型內容：產品知識、品牌故事、使用教學。讓陌生人認識你，建立初步信任。

🔥

暖受眾素材

社會證明型：客戶評價、使用前後對比、KOL 推薦。讓猶豫的人看到別人的好評。

🔥🔥

熱受眾素材

急迫感型：限時優惠、庫存倒數、專屬折扣碼。推動已經心動的人立刻下單。

動手練習：預算配對架構

把每個預算規模拖到對應的最佳架構。

月預算 <30K

月預算 30-100K

月預算 100-500K

月預算 >500K

1 Campaign All-in-One

Drop here

Ben Heath 2-Campaign

Drop here

混合架構（手動 + ASC）

Drop here

Charley T 完整混合

Drop here

情境測驗

情境

你是一個台灣 DTC 保養品品牌，月廣告預算 NT$50,000，目前只有 1 個 Campaign 但效果開始下滑。

Q1：你應該採用哪種帳戶架構？

情境

你的 Testing Campaign 中有一組素材表現優異，已累積 500 讚和 80 則留言，你想把它移到 Scale Campaign。

Q2：移動這組素材的正確做法是？

情境

你剛開了一個 ASC Campaign，放了 3 組素材，沒有調整任何預設設定。跑了一週發現 ROAS 很差，但發現大部分預算花在現有客戶身上。

Q3：以下哪個修正方向最正確？

數據追蹤與歸因

沒有好數據，再強的 AI 也是瞎子

偵探破案：你的數據追蹤夠完整嗎？

數據追蹤就像偵探收集證據。 Pixel 是裝在嫌疑人家門口的監視器——只能拍到誰進出； CAPI 是線人回報的情報——知道裡面發生什麼事。

兩者結合才能還原完整犯罪現場（用戶旅程）。而 EMQ 就是你這個偵探的「破案率」，分數越高代表你收集的證據越完整。

🎥

Pixel = 監視器

裝在瀏覽器端，記錄誰造訪、點了什麼。但被廣告阻擋器和 iOS 隱私政策影響。

🕵️

CAPI = 線人情報

從伺服器端直接傳送，不受瀏覽器限制。能補回 Pixel 漏掉的 20-30% 數據。

📊

EMQ = 破案率

分數 1-10，越高代表 Meta 能配對越多用戶身份。目標至少 7 分以上。

2026 歸因重大變更時間線

Meta 在 2026 年對歸因機制進行了三波重大調整，直接影響你看到的轉換數據。

⚠️

歸因窗口移除影響

2026/01/12 移除 7d_view 和 28d_view 歸因窗口後，部分廣告主轉換數一夜下降 15-40%。如果你的報表數字突然變難看，先別急著砍預算——可能只是計算方式改了。

2026/01/12 — 移除觀看歸因窗口

7d_view、28d_view 正式移除。只看不點的「觀看歸因」不再計入，部分廣告主轉換數下降 15-40%。

2026/03 — 點擊歸因收窄 + 新增互動歸因

Click-Through 僅計「連結點擊」；新增 Engage-Through Attribution，按讚和留言不再算點擊歸因，改為獨立追蹤。

2026/03 — 增量歸因可選用

Incremental Attribution 上線：15% 對照組 vs 85% 實驗組，衡量廣告的「真實增量效果」。

Pixel + CAPI 雙軌追蹤數據流

同時部署 Pixel + CAPI 可帶來 12% 歸因提升。點擊「下一步」看完整數據流。

👤

用戶
瀏覽器

📡

Meta
Pixel

🖥️

網站
伺服器

🔗

CAPI

⚙️

Meta
廣告系統

點擊「下一步」觀看 Pixel + CAPI 雙軌追蹤流程

Step 0 / 6

🔑

關鍵：event_id 去重

Pixel 和 CAPI 傳送同一事件時，必須使用相同的 event_id。Meta 會自動去重，確保一次購買不會被計算兩次。

三種 CAPI 整合方式比較

依據你的技術能力和需求，選擇最適合的整合方式。速度與彈性的取捨。

🚀

合作夥伴整合

透過 Shopify、WordPress 等平台一鍵啟用。最快上線（30 分鐘內），適合非技術背景。推薦首選。

🌐

CAPI Gateway

Meta 提供的雲端中繼服務，不需修改伺服器程式碼。中等難度，適合有基本技術能力的團隊。

⚙️

直接 API

自行開發伺服器端整合。彈性最高、可完全客製化，但需要工程師資源。適合大型電商。

EMQ 分數優化漏斗

EMQ 分數直接影響你的廣告成效。從上層到下層，越接近購買的事件需要越高的配對品質。

上

Page View — 目標 EMQ 6+

頁面瀏覽事件。基礎追蹤層，確保至少能辨識大部分訪客身份。

中

Add to Cart — 目標 EMQ 7+

加入購物車事件。這些用戶有明確購買意圖，需要更精準的身份配對。

下

Purchase — 目標 EMQ 8+

購買事件。最關鍵的轉換訊號，EMQ 必須最高，才能讓 AI 精準學習。

EMQ 8.6 → 9.3 僅提升 0.7 分就帶來以下三大改善

CPA -18% 每次轉換成本降低 18%

配對率 +24% 用戶身份配對率提升 24%

ROAS +22% 廣告投資報酬率提升 22%

EMQ 七大關鍵參數

傳送越多參數，Meta 越能精準配對用戶身份。所有個人資料傳送前必須經過 SHA-256 雜湊加密。

程式碼 // EMQ 七大關鍵參數（傳送前需 SHA-256 雜湊） em: "user@email.com", // 電子郵件 ph: "0912345678", // 電話號碼 fn: "王", // 姓氏 ln: "小明", // 名字 ct: "台北", // 城市 st: "台灣", // 州/省 fbc: "fb.1.123456789" // Facebook Click ID

白話翻譯

em（電子郵件）：配對率最高的參數，幾乎必填。

ph（電話號碼）：台灣用戶常用手機註冊，配對效果極佳。

fn / ln（姓名）：輔助配對，搭配 email 或電話效果加乘。

ct / st（城市/州省）：地理位置輔助，幫助排除同名同姓。

fbc（Facebook Click ID）：從 URL 的 fbclid 參數取得，串聯點擊與轉換的關鍵橋樑。

AEM 大幅簡化

還記得以前要在 8 個事件中痛苦取捨嗎？2026 年，這個限制正式走入歷史。

🎉

AEM 簡化好消息

不再需要手動設定 8 個優先事件——Meta 現在自動聚合所有事件，無上限。網域驗證也不再是必要條件。少了一個大麻煩！

❌

以前：8 事件限制

每個網域只能追蹤 8 個優先事件，排序錯了就漏追蹤關鍵轉換。

✅

現在：無上限自動聚合

所有事件自動追蹤，不需手動排序。網域驗證也不再是必要條件。

GA4 與 Meta 數據差異處理

「為什麼 GA4 和 Meta 的轉換數字對不起來？」——這是每個廣告主都問過的問題。答案是：接受差異為常態。

接受差異為常態

兩個平台的歸因模型、計算方式完全不同。10-30% 的差異是正常的，不要試圖讓數字完全一致。

GA4 原生匯入 Meta 廣告數據

2025/10 推出的功能，可在 GA4 中直接查看 Meta 廣告花費和成效，省去手動對帳的痛苦。

2026/03 點擊歸因收窄有助縮小差距

Meta 收窄點擊歸因定義後，與 GA4 的「最終點擊」模型更接近，兩邊數字差距可望縮小。

隨堂測驗

情境

你的工程師說：「我們已經裝了 Pixel，CAPI 太麻煩就不用了吧？」你要如何回應？

關於 Pixel 和 CAPI 的部署策略，以下哪個說法最正確？

情境

你在 Meta 事件管理工具中查看 EMQ 分數，發現 Purchase 事件的 EMQ 只有 5.2 分。你的優化目標應該是多少？

Purchase 事件的 EMQ 分數目標應該是多少？

情境

2026 年 1 月中旬，你的客戶緊急來電：「我的廣告轉換數一夜之間掉了 30%！是不是帳號出問題了？」你會怎麼解釋？

最可能的原因是什麼？

Meta 廣告完全攻略

AI 接管一切

從手動駕駛到全自動駕駛

雙引擎核心：Andromeda + GEM

看 AI 雙引擎如何投遞一則廣告

2026 關鍵時間線

Advantage+ 產品線全景

Meta 官方三支柱策略

2026 AI 創意工具箱

等等，AI 真的萬能嗎？

測試你的理解

帳戶架構設計

從多兵團作戰到精銳特種部隊

三大 KOL 框架

Ben Heath 2-Campaign 架構圖

台灣中小品牌：依預算選架構

素材生命週期：Testing → 驗證 → Scale

帳戶架構「程式碼」表示法

常見設定錯誤

冷/暖/熱受眾：2026 新做法

動手練習：預算配對架構

情境測驗

數據追蹤與歸因

偵探破案：你的數據追蹤夠完整嗎？

2026 歸因重大變更時間線

Pixel + CAPI 雙軌追蹤數據流

三種 CAPI 整合方式比較

EMQ 分數優化漏斗

EMQ 七大關鍵參數

AEM 大幅簡化

GA4 與 Meta 數據差異處理

隨堂測驗

準備進入實戰篇