
无论用户是在Google搜索、去Amazon,还是向聊天机器人提问,AI现在都会直接给出包含商品的回答,而大多数电商品牌并不知道怎样成为那个被选中的商品。面向AI的商品数据质量,指的是您的标题、规格、标识符、价格和库存状态是否完整、在所有出现的位置保持一致,并且能被软件读取。把这些问题修好后,智能体就能把您的商品与竞品进行比较,并选择您的商品。
我觉得最好笑的一点是,这么多年大家都在精心打磨首页。智能体根本不会看您的首页。它读取的是商品数据源、商品目录,以及商品页面上的结构化数据;只要缺了什么,它就会继续往下看。您的首屏横幅再漂亮,也没人会看。
TL;DR
- AI智能体会用商品数据源字段、商品目录数据和商品页面上的结构化数据来比较商品,而不是看您的首页或品牌故事。
- 字段缺失、不一致或过期(如规格、标识符、价格、库存情况),是智能体跳过某件商品最常见的原因。
- 商品数据源和页面标记必须表达同样的信息。Google会同时使用这两者,并用其中一方核验另一方。
- 优先审核那些会让购物者做错选择的不一致项:身份、适配性、商品报价、落地页。
- 先从小范围开始:免费 ecentic 扫描会覆盖您的前10款商品,并显示是哪家竞品胜过了您,以及原因是什么。
当购物者是智能体时,商品数据质量意味着什么
对人来说,商品页面是一段带图片的叙事。对智能体来说,它是一条记录。智能体会问一个很直接的问题:这条记录有没有告诉我这是什么商品、是否符合请求、价格是多少、是否有货,以及去哪里购买?
一篇2026年关于AI购物发现的文章提出了一个 审慎的观点:完整的商品数据可以提高AI辅助系统评估并展示某件商品的可能性,但这并不能证明知名度较低的商品就一定会胜过更大的品牌。我认同这种表述。干净的数据只是入场券,并不是保证。
LogicBroker 的 Jager Robinson 在一篇 2026年关于商品数据质量的文章中提出了一个很有价值的观察:在 AI 驱动的商品发现中,赢家往往不是营销预算最大的品牌,而是数据足够干净、结构化且一致,能让模型读取并信任的品牌。大多数商品目录最初都是为了尽快上线商品而建立的,数据完整性只是附加项。过去这种取舍成本很低,现在已经不是了。
智能体会检查的四件事
我发现最容易理解的方法,是把它归纳成四个问题,这也对应了 First Brand AI 购物准备度报告:
- 身份识别。 这到底是哪一款商品、哪个变体?标识符和主图会回答这个问题。
- 适配性。 它是否符合购物者的需求?属性、兼容性和支持性证据会回答这个问题。
- 商品报价。 价格是多少?使用哪种货币?是否有货?有哪些条件限制?
- 落地页。 链接是否进入正确的商品页,并且有可正常完成购买的路径?
四项里只要有一项出错,智能体就会猜测或直接离开。猜测对商家更糟,因为向购物者展示错误价格或错误尺寸,最后只会变成退货或流失订单。
为什么数据缺口会让智能体跳过你
LogicBroker 认为,这类问题在大规模场景下是可预见的: 规格信息不完整、描述堆满关键词、SKU 属性填写不一致,以及同一商品在不同渠道使用不同名称。它的总结很直接:模型不会替你补全缺失数据,它只会继续往下看。
Google 也表达了类似观点。Google 的 Merchant Center 商品数据规范 指出,错误、不准确或缺失的商品信息可能导致商品被拒登、资格受限或展示错误,而准确且格式正确的数据,是在 AI 驱动格式中投放广告和免费展示商品的基础。
还有一种更隐蔽的问题:人类能获取的数据,智能体却拿不到。Core dna 描述过一次对 Clark Rubber 网站的测试,其中 商品级信息可以获取,但门店级库存被放在一个检索路径无法触达的交互之后。用户点击门店选择器后能看到库存,但智能体不会点击任何东西。可以理解,它毕竟是机器人,但最终决定谁拿到订单的还是它。
我们在自身模拟中看到的情况
以下数据来自 ecentic 自己的模拟结果,请按我们的数据理解。截至 2026 年 10 月,我们已运行 36,797 次模拟购买。在同一个商品目录中,ChatGPT 选择某商品的频率大约是 Claude 或 Gemini 的三倍,分别为 51.6% 和约 18.5%。所以,“AI”并不是单一买家。不同模型对数据的权重不同,一个在某模型中胜出的商品,在另一个模型里可能会输。

在一次匿名审查中,一家年销售额约 7000 万欧元的烈酒电商平台,其 9,699 个商品中有 88% 存在智能体读取的数据问题。当智能体被问到应去哪里购买该平台销售的两瓶酒时,平台在 20 次回答中被提及的次数为 0。此前没人发现,因为网站本身看起来很好。
另一次针对一家瑞典护肤品牌的检测发现,由于配送设置要求填写电话号码,智能体结账在6个国家里有0个能进入支付阶段。向购物车添加商品的智能体并没有顾客的电话号码。只是一个很小的设置,却阻断了所有订单。
应该提供哪些规格和属性
先从平台本身要求的字段开始。OpenAI 的 商品 Feed 规范 要求提供 item_id、title、description、url、brand、seller_name、image_url、availability 和 price。它还列出了 condition、product_category、material、color、size、gender、age_group、dimensions 和 weight 等可选字段。所谓“可选”只是客气说法。当两个商品竞争时,填写了材质和尺寸的商品,更容易匹配到具体需求。
Xorosoft 在它的 购物智能体数据指南中给出了很实际的观点:事实信息的完整性比营销语言更重要,而结构化属性让比较更容易,因为软件不必从自然语言描述里推断细节。它举的例子是,购物者寻找一张宽度小于 50 英寸的胡桃木书桌。如果材质和宽度是独立字段,而不是段落里的形容词,这种匹配会可靠得多。
Photoroom 提出了一个 七层商品信息结构 ,我认为很适合作为检查清单:
| 层级 | 包含内容 |
|---|---|
| 标题 | 商品类型、品牌、型号、材质、颜色、尺寸、容量 |
| 结构化属性 | 颜色、尺寸、材质、性别、成色、兼容性、尺寸规格 |
| 描述 | 结构、性能、包含内容、用途、维护方式 |
| 标识符 | GTIN、MPN、SKU、商品组 ID |
| 商品报价数据 | 价格、货币、库存状态、成色、配送、退货 |
| 图片 | 主图、不同角度、细节图、场景图 |
| 页面与 Feed 一致性 | 价格、库存、标题、变体、图片和 URL 保持一致 |
注意这里缺少了什么:宣传口号。像“你唯一需要的马克杯”这样的标题,对智能体没有任何意义。“炻器咖啡杯,12 oz,哑光黑,可用洗碗机清洗”则提供了它能比较的全部信息。如果想更深入了解标题和描述的写法,可以阅读我们的 商品信息优化 指南,其中专门介绍了重写方法。
Feed 与页面标记必须一致
大多数商店实际上维护着两套“真实数据”:商品 Feed,以及商品页上的结构化数据(JSON-LD,一种机器可读的数据块)。而这两者偏离一致性的速度,往往比大家愿意承认的更快。
Google Search Central 文档指出, 同时提供结构化数据和 Merchant Center Feed,可以最大化展示资格,并帮助 Google 验证数据。某些展示形式会结合两者,因此当页面标记缺少价格时,商品摘要可能会从 Feed 中读取价格。Merchant Center 的帮助页面还列出了一些常见踩坑规则: 标记必须存在于服务器返回的 HTML 中,而不是由 JavaScript 动态生成;标记内容必须与用户看到的一致;页面需要包含带嵌套 Offer 的 Product 对象;价格的小数分隔符必须使用句点.
Universal Commerce Protocol 博客列出了 智能体电商所需的最低 Product schema 属性:name、description、sku 或 gtin13、brand、image、包含价格和库存状态的 offers,以及 aggregateRating。它还建议添加 weight、height、width、depth、color、size、category 和 additionalProperty,用于表达特定商品类型的属性。如果你刚开始接触标记本身,可以先阅读关于 Schema 标记如何工作 的通俗说明;而关于添加商品 Schema 标记的分步指南,还提供了可直接复制的示例。
| 商品 Feed | 页面结构化数据 | |
|---|---|---|
| 所在位置 | 上传到 Merchant Center 等渠道 | 存在于每个商品页的 HTML 中 |
| 最擅长 | 大规模维护价格、库存和商品身份信息,并保持更新 | 帮助系统验证页面与 Feed 是否一致 |
| 常见问题 | 价格或库存数据过时 | 缺少 Offer,或仅使用 JavaScript 生成标记 |
| 通常由谁负责 | 增长团队或渠道团队 | 开发者或网站主题 |
BBQ Growth Lab 对此总结得很好,它将体系分为 四层:源事实层(PIM、ERP、库存、定价)、标准化商品模型层、渠道输出层(页面 HTML、JSON-LD、Feed),以及状态、警告和拒绝信息组成的反馈层。他们的原则是,任何平台 Feed 都不应该悄悄覆盖源事实。我认为这是正确的,而大多数小型商店第一次犯错,往往是在销售渠道里直接修改标题的时候。
也需要补充一点:结构化数据并不能保证获得推荐。Core dna 的说法比较准确,它认为结构化数据只是让 AI 系统拥有更好的商业信息,而商品是否被发现,仍然取决于相关性、上下文和其他信号。另外,拥有 API 并不等于智能体一定可以访问,除非智能体有受支持的使用方式。
如果想了解我们对标记的看法,可以参考 商品页结构化数据检查清单 以及关于 基于模拟验证的商品 Schema.
如何检测商品目录
第一天不需要修复 10,000 个商品。优先修复那些一旦信息不一致,就会导致购物者做出错误选择的商品。这也是 First Brand 在其 准备度检测中提出的优先级原则,我认为这是个合理的筛选方式。
- 导出商品 Feed,选出销量最高的 20 个商品。小样本也能很快暴露规律。
- 逐个检查身份信息:每个变体是否都有独立标识符?网站、Feed 和各平台中的标题是否一致?
- 检查适配性:材质、尺寸、规格、兼容性和用途是否作为字段填写,而不是埋在描述文字里?
- 检查商品信息:对比 Feed 中的价格、货币和库存状态,与线上页面和 JSON-LD 中显示的是否一致。
- 检查落地页:点击 Feed URL。它应当进入正确的变体页面,并且购买流程不需要登录或填写电话号码。
- 像真实购物者一样,向几个聊天机器人询问你的商品,并记录它们提到的是谁,而不是你。
大多数团队会卡在第 6 步,因为手动操作很慢,而且不同模型给出的结果也不同。这也是我们开发 ecentic 模拟功能的原因。后面会详细介绍。
如何衡量你的数据是否足够好
目前没有统一的行业评分标准,因此我建议使用一个简单的评分卡,并按月跟踪。以下四项指标已经足够:
- 完整性: 填写了所有必填和推荐字段的商品占比。
- 一致性: 标题、价格和库存状态在 Feed、页面和平台之间保持一致的商品占比。
- 准确性: 抽样核对真实商品、包装和供应商资料。
- 时效性: 系统中的价格或库存变更,到 Feed 中同步更新之间所需的时间。
你现有的工具已经能提供帮助。Merchant Center 会显示商品级警告和拒登信息,这相当于根据 Google 自身规则进行的免费一致性检查。职责划分也很重要。BBQ Growth Lab 的观点是:商品团队负责事实定义,商业系统负责价格和库存真实性,工程团队负责分发,增长团队负责平台映射和质量门槛。真正需要治理的,是价格、库存、标识符、变体和图片是否在所有地方都被正确表达,而不是谁上传了文件。
如果需要更长期的推进计划,我们的 AI 商品页优化 30 到 90 天计划 以及关于 AI 购物使用哪些数据源 的文章,已经梳理好了实施顺序。
我们对未来趋势的看法
我们认为,商品数据正在成为新的店面。当用户让智能体寻找礼物、比较两款搅拌机,或再次购买咖啡时,智能体读取的是商品记录。它不会浏览页面,不会被横幅吸引,也不会原谅缺失的尺寸信息。
这也是为什么 ecentic 专注于商店本身:包括 AI 智能体用于购买的商品 Feed、商品目录和结账流程。我们可以连接 Shopify、WooCommerce 或商品 Feed。我们让 ChatGPT、Claude 和 Gemini 将你的每件商品与指定竞品进行比较,并用通俗语言展示你的商品为什么会输。当你点击 Apply 时,我们会重写标题、描述和结构化数据,并发布到你的商店。
结账环节同样重要。通过 UCP(Google 的开放式智能体结账标准),Google AI Mode 和 Gemini 已经在美国支持在 AI 回答中直接购买。对于 WooCommerce,免费的 ecentic 插件允许智能体通过 UCP 搜索商品、添加购物车并完成结账。在 Shopify 上,我们会把修复内容同步到 Google Merchant Center,并跟踪来自 AI 助手的访问。ChatGPT 仍然链接到商店自己的结账流程,因此商品页和结账流程依然需要对智能体可用。OpenAI 有 ACP,Google 有 UCP,而 Amazon 仍是封闭体系。
我们的第一个试点客户 DUA Flavours,在 2026 年 4 月到 7 月期间,来自 AI 助手和直接流量的访问量增长了 12%。这里指的是访问量,不是销售额,我想明确这一点。这个领域仍然很早期,我们目前也还在进行试点。
Xhurian Shaba
从免费扫描开始
如果相比阅读介绍,你更想直接看到问题所在,免费的 ecentic 扫描会检测你排名前 10 的商品,无需绑定银行卡,并展示每个 AI 模型更偏好哪个竞品以及原因。你也可以为自己的商店运行 免费 WebMCP 购物检测 ,并在连接任何内容之前先阅读 工作原理。

如果需要将修复内容正式发布,Compete 套餐为每月 $14.90,最多支持 100 个商品。Scale 套餐为每月 $44.90,最多支持 1,000 个商品,并增加一键修复功能。Dominate 套餐为每月 $149,并增加 Google Merchant Center 同步和智能体结账设置。另有按使用付费选项,按 AI 归因订单的 3% 收费,每月封顶 $500。当前条款见 定价页面,更大规模的商品目录可查看 Enterprise.
FAQ
什么是面向 AI 的商品数据质量?
它指的是你的商品记录是否完整、一致、准确且保持最新,以及软件是否能够读取这些数据。智能体会根据标题、属性、标识符、价格和库存状态等字段比较商品。存在数据缺口的记录很容易被跳过,因此信息更完整的商品通常更容易被推荐。
哪些商品规格对 AI 购物智能体最重要?
先从平台要求的字段开始:标题、描述、品牌、图片、价格和库存状态,以及 GTIN 或 SKU 等标识符。 OpenAI 的 Feed 规范 还将材质、颜色、尺寸、规格和重量列为可选字段。应将这些内容填写为独立字段,而不仅仅放在描述里。
我是否同时需要商品 Feed 和结构化数据?
需要,因为它们承担不同职责。Google 文档指出,同时提供两者可以最大化展示资格,并允许系统互相验证。价格、库存状态、标题和变体信息必须保持一致,同时要确保标记存在于服务器返回的 HTML 中。
干净的数据能保证 AI 推荐我的商品吗?
不能。干净的数据会让商品更容易被读取和比较,但相关性、上下文和其他信号仍然重要。它真正能做到的,是消除那些原本可以避免、而且通常修复成本最低的被跳过原因。