
Gemini 和 Perplexity 几乎通过完全不同的链路发现商品。Gemini 更依赖您的商品 feed、Merchant Center,以及正在兴起的 Universal Commerce Protocol(UCP);Perplexity 更依赖可抓取页面,以及其他网站提到您的频率。两者仍会检查相同的核心信号:完整的 schema、一致的价格和库存,以及真实评价。如果只能先修一项,优先为您的畅销 SKU 做服务端渲染的 Product JSON-LD,并确保与 feed 保持一致。
TL;DR:
- 优先部署服务端渲染的 Product JSON-LD,确保 schema 完整、价格一致,并每天更新 feed,以保证在 Gemini 和 Perplexity 中的可见性。
- 修复库存和价格不一致的问题,尤其是高营收 SKU 上的问题,避免商品因信任信号受损而从智能体结果中掉出。
- 避免使用客户端注入 schema,以及过于严格的机器人拦截措施,否则可能在无提示的情况下把您的商品排除在 AI 智能体索引之外。
- 使用模拟工具找出 schema 缺口,并在部署全商品目录更新前,先在高影响商品上测试修复效果。
- 定期跟踪属性完整度、库存不匹配等运营指标,持续维护并提升 AI 购物智能体的可见性。
Gemini 和 Perplexity 如何发现商品(以及为什么这会改变一切)
Gemini 的购物结果来自一条数据链路,而不是它碰巧抓取到的某个页面。它会从您的 Merchant Center feed 中提取数据,与 Google 的 Shopping Graph 进行匹配,并且在商店支持时,越来越多地直接查询 UCP 端点。如果您的 feed 缺少 GTIN、价格过期,或因违规被标记为不予批准,那么无论商品页面做得多好,Gemini 都不会展示该商品。

Perplexity 更像研究助手,而不是购物引擎。它会实时搜索网页,读取实际 HTML,解析页面中的结构化数据,并评估有多少独立网站、评测和论坛提到您的商品。 Perplexity 更依赖实时网页搜索和第三方引用,这意味着即使竞品价格更差,只要编辑内容覆盖更充分,也可能胜过没有媒体提及且页面结构化数据薄弱的商品。
这两类智能体最终都依赖结构化数据,而不是像消费者那样阅读页面。 智能体会查询结构化商品 feed、商品结构化数据以及已索引的商品目录数据 ,再根据消费者提出的条件进行匹配,例如“低于 50 美元”或“周五前送达”。两者的区别在于:
- Gemini 更看重商品 feed 完整性、Merchant Center 数据规范以及 UCP 协议支持。
- Perplexity 更看重可抓取的 HTML、页面级结构化数据和第三方引用。
- 两者都会 检查 Product 结构化数据、Offer 数据、库存状态和聚合评分。
- Gemini 更接近数据库查询; Perplexity 更接近实时研究分析。
这里对优先级最关键的一点是:这些智能体在实际要求上约有 80% 重叠。干净的结构化数据、准确的商品 feed 和真实评价,对两者都有效。
优先级检查清单:Schema、Feed、库存与评价
请按顺序执行。每一步都会为下一步打基础,跳步骤通常只会导致后面返工。
- 部署服务端渲染的 Product JSON-LD。 每个核心 SKU 都需要包含
name,description,sku,brand,offers,aggregateRating,image,以及GTIN或MPN,并直接出现在原始 HTML 响应中,而不是页面加载后再注入。完整的服务端渲染 Product schema 是智能体稳定解析的前提,缺少一个字段,往往就足以让商品完全失去被推荐的机会。 - 确保所有位置价格一致。 您的商品 feed、商品详情页和结账页必须显示相同价格。智能体会对比商品 feed、PDP 和结账价格,不一致会被视为信任问题,而不是简单的四舍五入误差。
- 至少每天刷新一次 feed。 对于更新频繁的品类、服装尺码、限量发售或闪购,更新频率需要接近实时。 每日刷新只是最低要求,不是目标。
- 公开实时库存状态。 准确填写
Availabilityschema,如果可以提供商品目录 API endpoint,就应该提供。能够暴露兼容 UCP endpoint 的商家,会因为竞争对手尚未普及而获得早期可发现性优势。 - 统一分类体系并补全品类属性。 尺寸、材质、颜色、版型等品类要求的属性,都需要完整且一致,不能零散地埋在自由文本描述中。
- 发布
MerchantReturnPolicy和ShippingDeliveryTimeschema。 这两个字段经常被忽略,但智能体会用它们回答消费者最常问的问题:“能退货吗?”以及“周五前能送到吗?”
整个流程应先从营收最高的商品开始,而不是整个商品目录。优先审查收入排名前 20% 的 SKU,通常能更快看到效果,也能为后续自动化扩展到整个商品目录建立模板。
专业建议: 在这里,结构化数据质量始终比视觉改版更重要。即使商品页视觉风格过时,只要 schema 完整,也会比设计精美但标记混乱的页面更容易被推荐,因为智能体评估的是数据层,而不是配色。

Shopify 与 WooCommerce:实施步骤与常见陷阱
上面的检查清单与平台无关,但具体执行方式并非如此。
在 Shopify上,先确认您的套餐是否支持新兴的智能体店面功能,然后检查主题是否在服务端渲染 JSON-LD,而不是依赖页面加载后由应用客户端注入。商品 feed 应直接通过 Shopify 后台同步到 Merchant Center,而不是依赖按自身周期运行的第三方导出工具。同时检查 CDN 和防火墙规则;某些机器人防护设置会默认拦截智能体爬虫,这会在没有任何报错提示的情况下,让您的商品从 Perplexity 结果中消失。
在 WooCommerce上,应优先选择服务端 PHP schema 插件或直接模板注入,而不是完全依赖 Google Tag Manager 的方案。建立真正可靠的 feed 自动化流程,手动 CSV 导出很快就会与实际数据脱节,而这种偏差正是 feed 一致性失败的根源。如果商品目录规模允许,建议开放商品目录 API endpoint,这样通过 UCP 直接查询的智能体无需等待 feed 刷新周期,就能直接访问您的商品库存。
这两个平台上最常见的三个问题是:
- 仅客户端注入 schema。 页面首次加载后才触发的标签,对很多智能体爬虫来说完全不可见,因为它们通常不会像浏览器一样执行 JavaScript。
- Feed 延迟导致库存不一致。 如果 feed 每 48 小时才更新一次,就会频繁显示已经售罄的商品仍然有货。
- 过于激进的机器人挑战机制。 CAPTCHA 验证和严格的
robots.txt规则原本用于阻止爬虫,却经常把您希望获得推荐的智能体一起拦截掉。
免费的 JSON-LD schema 生成器可以帮助您在投入完整工程实施前,快速验证标记结构是否正确。此外,在认定修复已生效之前,也请使用自己的 结构化数据检查清单 抽样检查部分页面。
测试与衡量智能体可见性
修复 schema 和 feed 只是完成了一半工作。您还需要证明这些修复有效,并建立可重复执行的方法,在问题再次出现并导致流量损失前及时发现。
- 先运行模拟测试。 在 UCP Playground 等工具中测试重点 SKU,并记录智能体是否能针对每个查询返回准确的价格、库存和引用数据。
- 执行手动查询作为合理性校验。 挑选 10 到 15 个高价值 SKU,直接向 Gemini 和 Perplexity 提问,并将结果与实时 PDP 和 feed 数据进行对比。
- 按智能体来源细分分析数据。 为 perplexity.ai、chatgpt.com 和 copilot.microsoft.com(常见的智能体引荐来源)等已知来源建立 GA4 分段,并对能够捕获的任何协议级引荐使用 UTM 标记。
- 每周跟踪运营健康指标,而不仅仅是转化数据。
| 指标 | 反映内容 |
|---|---|
| 商品数据源审核不通过率 | 当前有多少商品对 Gemini 不可见 |
| 属性完整率 % | 您的商品目录距离完整 schema 覆盖还有多远 |
| 每周库存不一致事件数 | 刷新频率是否真正稳定执行 |
| 智能体引荐加购率 | 可见性是否真正转化,而不仅仅是获得曝光 |
正确跟踪 AI 购物流量 才能把这件事从一次性修复,变成能够在预算会议中长期证明价值的持续项目。
为什么模拟比猜测更有效
大多数商家发现商品对 AI 智能体不可见时,往往已经太晚——通常是先发现流量没有出现,而不是提前定位真正原因。ecentic 的观点恰恰相反。在投入工程时间盲目排查之前,您应该先明确到底是哪个 schema 字段、哪个 feed 属性,或哪个一致性缺口导致商品被排除。
基于模拟的测试能够直接定位具体故障点。在受控环境中针对商品运行查询,您看到的是智能体实际看到的内容,而不是您以为它看到的内容。这个差别决定了您是本周就修复核心 20 个 SKU 中真正关键的 5 个字段,还是等到下个季度发布一次大范围 schema 更新,再寄希望于它能生效。采用这种方法的客户表示,在修复模拟测试识别出的具体问题后,AI 驱动的访问量和销售额都出现了可衡量的增长。
有效的运营顺序是:先对高营收 SKU 做针对性模拟测试,确认修复确实改变了智能体的回答,然后再把同样的修复模式自动化扩展到整个商品目录。跳过验证步骤,往往会让团队重复重建同一套 schema。
— Xhurian
无需猜测,也能被 Gemini 和 Perplexity 推荐
逐个 SKU 手动查询智能体无法规模化,而泛泛的 SEO 建议也无法告诉您,究竟是哪个具体字段导致商品失去推荐机会。ecentic 会通过模拟智能体查询分析您的真实商品页面,然后用清晰易懂的方式告诉您问题出在哪里:缺少 aggregateRating、feed 价格与 PDP 不一致,或某个 schema 字段被智能体静默忽略。

该平台可直接连接 Shopify 或 WooCommerce,扫描您的 商品信息,并生成可一键发布的修复方案,无需进入工程排期。您还可以直接使用 UCP Playground,在修改前后测试 Gemini 和 Perplexity 对核心 SKU 的实际响应,从而衡量真实的智能体行为,而不是主观假设修复已经生效。
先从免费扫描开始,找出影响最大的修复项,再通过真实智能体查询进行验证,然后再决定是否推广到整个商品目录。
FAQ
Perplexity 在商品推荐方面比 Gemini 更好吗?
并不存在绝对更好的一方。Gemini 在 feed 和 Merchant Center 数据规范完善时效果最佳,而 Perplexity 更偏好结构清晰、拥有第三方引用支持的页面,因此哪一个更适合,取决于您的店铺当前更擅长处理哪类信号。
ChatGPT 与 Gemini 在购物场景中的区别是什么?
ChatGPT 和 Gemini 都依赖结构化商品目录数据,但 Gemini 的购物结果与 Google 的 Merchant Center feed 和 Shopping Graph 绑定更紧密,而 ChatGPT 更依赖通用网页抓取和引用,方式更接近 Perplexity。
Gemini 和 Perplexity 需要分别优化吗?
大多数情况下不需要。这两个智能体约有 80% 的底层要求相同,包括干净的 schema、准确的 feed 和真实评价,因此修复这些问题基本就覆盖了双方的大部分需求。
商品 feed 应该多久更新一次?
对于稳定商品目录,每日刷新是最低要求;而服装、限量发售等变化频繁的库存,则需要接近实时更新,以避免智能体继续显示已售罄商品有货。
在正式发布修改前,可以测试 Gemini 和 Perplexity 如何理解我的商品吗?
可以。通过 UCP Playground 等模拟工具测试重点 SKU,您可以在全面上线前,准确了解智能体如何解析当前的 schema 和 feed 数据。