
一个 商品知识图谱 是由商品实体、属性和关系构成的结构化网络。ChatGPT、Gemini 和 Claude 等 AI 购物智能体在决定推荐什么时会查询这张网络。你并不直接拥有这张图谱——它 分布在零售商商品信息、Feed、评价和元数据之中 ——但只要让数据在所有出现的位置都保持机器可读且一致,就能对它产生决定性的影响。
如今,要让商品信息具备被推荐的条件,关键有三个动作:
- 在每个商品详情页上提供有效的
Product+OfferJSON-LD,包括规范的 GTIN 或 MPN、嵌套的Brand对象,以及准确的AggregateRating. - 统一价格和库存状态,确保 Feed、PDP 和各个平台商品信息中的值完全一致。
- 补全买家会用来筛选的类型化属性:尺寸、材质、兼容性、重量和评分。
专业提示: 在扩展到整个商品目录之前,先让一个旗舰 SKU 走完整个智能体模拟流程。单个 SKU 的测试就能暴露那些会在数百个商品上重复出现的失效模式。
关键要点
面向 AI 购物智能体的商品知识图谱,是一个分布式、结构化的商品实体与属性网络,智能体会查询它来决定推荐什么——而那些在 Feed、PDP 和各个平台上持续维护完整、一致、机器可读数据的商家,才更有可能被引用。
| 要点 | 说明 |
|---|---|
| 在每个 PDP 上提供有效的 JSON-LD | 在每个商品页中包含 GTIN/MPN、嵌套的 Brand、Offer 字段,以及带有 reviewCount 的 AggregateRating。 |
| 让所有渠道的数据保持一致 | Feed、PDP 和各个平台中的价格与库存状态必须完全一致——不一致会触发智能体验证层失败。 |
| 将属性填充率提升到 95% 以上 | Google 的 Shopping Graph 更青睐将必填和推荐字段填充到这一阈值或更高水平的商家。 |
| 先模拟,再规模化推广 | 先挑一个试点 SKU 跑智能体模拟,找出结构性问题,再把改动推到整个商品目录。 |
| 用自动化治理 | 使用商品数据源验证流程、schema 监测和定期重新扫描,确保图谱能随库存变化保持准确。 |
| 使用 Ecentic 进行诊断 | Ecentic 基于模拟的平台可识别商品被抑制的原因,并将修复直接发布到 Shopify 或 WooCommerce。 |
AI 购物智能体实际会使用哪些信号?
AI 购物智能体读取商品页面的方式并不像人类。它们会运行“检索—排序—验证”流程:先拉取候选商品,再按查询进行评分,最后检查数据是否足够可信,能否被引用。 商品目录问题——属性埋在文案里、缺少 GTIN、价格不一致、供应商记录重复——是最常见的原因:即使某个商品符合查询,也始终不会被展示出来.
按大致优先级排序,价值最高的信号包括:
- GTIN/MPN:这是智能体跨来源识别和统一商品实体时使用的主要标识符
- 价格+币种:必须在商品数据源、PDP 和各个电商平台中保持一致;不一致会降低可验证性
- 库存状态:
InStock,OutOfStock,或PreOrder在 schema 中,并以接近实时的方式更新 - AggregateRating + reviewCount:智能体会高度重视社会证明;只有评分而没有
reviewCount会被视为无法验证 - 类型化属性:材质、重量、尺寸、兼容性、成分——这些都直接对应买家的筛选条件
- 带元数据的图片:
alt文本和name字段可帮助智能体将图片信息与查询匹配起来 - Offer 数据:
priceCurrency,priceValidUntil,seller——这些都是智能体用来验证 Offer 是否仍然有效的字段
类型化属性留空,并不是中性的。 智能体会从三个层面评估页面——结构完整性、语义密度和信任信号 ——而结构层缺少字段,可能会让商品在排序开始前就被排除在候选集之外。数值冲突(例如您的 PDP 上写 $49,而 Google Merchant Center feed 里是 $52)会降低可验证性,并把商品往后压。
专业建议: 把您所在类目的买家筛选条件直接映射到 schema 属性字段。如果这个类目的购物者会按“材质”筛选,那么这个字段就应该写进 JSON-LD,而不只是放在描述里的某个要点中。
ACES 模拟研究证实,结构化信号——展示位次、价格、评分、背书和描述措辞——决定了智能体的选择;而在受控模拟中改写描述,已在多个智能体模型中带来了可测量的份额变化。

如何在 Shopify 和 WooCommerce 中实现商品知识图谱
Shopify
将 GTIN 存储在 条码 字段(原生)或 custom.gtin 元字段中。对于其他带类型的属性——如材质、兼容性、重量——请在 product 命名空间下使用带类型的值(single_line_text_field 或 number_decimal)。主题中的 product.json 模板应输出一个 <script type="application/ld+json"> 块,将这些元字段值写入有效的 Product schema 对象中。
一个最简但完整的 JSON-LD 结构如下:
{
"@context": "https://schema.org/",
"@type": "Product",
"name": "Merino Wool Crew Neck Sweater",
"sku": "MW-CREW-M-NAVY",
"gtin13": "0123456789012",
"brand": { "@type": "Brand", "name": "YourBrand" },
"offers": {
"@type": "Offer",
"price": "89.00",
"priceCurrency": "USD",
"availability": "https://schema.org/InStock",
"priceValidUntil": "2026-12-31"
},
"aggregateRating": {
"@type": "AggregateRating",
"ratingValue": "4.7",
"reviewCount": "312"
}
}
在每个 PDP 上部署这套结构,是获得 ChatGPT Shopping 资格最有效的做法。对于变体,请保留一个规范的 Product 实体,并将变体嵌套为 hasVariant 对象,而不是发布重复父级信息的独立 schema 块——重复 schema 是下文提到的最常见问题之一。
WooCommerce
使用 WooCommerce 内置的 商品属性 面板来管理带类型的值(材质、尺寸、兼容性)。对于 GTIN/MPN,可通过 Yoast SEO Premium 之类的插件或轻量级自定义 metabox 添加自定义字段。对于 JSON-LD 输出,可以配置 schema 插件(Rank Math 和 Schema Pro 都支持 Product + Offer),也可以手动插入 <script> 块,插入到 single-product.php 模板中。
商品 Feed 与爬虫说明
- 将您的商品 Feed 提交到 Google Merchant Center ,并对竞争激烈的类目按小时刷新。 Google 的 Shopping Graph 对必填字段的属性填充率目标是 95%+,并且每小时处理数十亿次更新 ——低于这一填充阈值的商家会失去曝光。
- 在域名根目录添加一个
llms.txt文件,列出您的商品 Feed URL 和站点地图,以便智能体爬虫发现您的结构化数据端点。 - 检查
robots.txt,确认没有误拦截 GPTBot、Googlebot-Shopping 或其他智能体爬虫。
专业建议: *在商品描述的前 200 个字符中优先放入买家最关心的属性。
| 字段 | Shopify 中的位置 | WooCommerce 中的位置 |
|---|---|---|
| GTIN/MPN | 条码字段或 custom.gtin 元字段 |
自定义字段或 Yoast SEO Premium |
| 材质/属性 | 商品元字段(product 命名空间) |
商品属性面板 |
| JSON-LD 输出 | 主题 product.json 模板 |
Rank Math、Schema Pro 或 single-product.php |
| Feed 提交 | Google & Meta Sales Channels 应用 | Google Listings & Ads 插件 |
| 库存同步 | 在 Shopify 后台跟踪库存 | WooCommerce 库存管理 |
如何测试 AI 智能体是否会推荐您的商品?
在扩展之前先进行测试,是区分数周内见效与花数月盲目摸索商家的关键。实践中有效的方法有三种:
- 受控智能体提示词:编写 5–10 条与核心 SKU 匹配的查询(例如“100 美元以下适合寒冷天气的最佳美利奴羊毛毛衣”),并在 ChatGPT、Gemini 和 Perplexity 中运行。记录出现了哪些商品,以及其中是否包含您的商品。
- 通过 Ecentic 进行智能体模拟:Ecentic 的 UCP Playground 会针对您的店铺运行结构化模拟,按属性完整性、Schema 有效性和可验证性为每个 SKU 打分,并精确标记导致被抑制的字段。
- A/B 商品描述重写:重写一个 SKU 的商品描述,优先展示类型化属性,然后再次运行模拟。ACES 研究表明,描述变更会带来可测量的商品选择变化,但影响程度会因智能体模型而异。
每周跟踪以下 KPI:
| KPI | 衡量内容 | 目标 |
|---|---|---|
| AI 选择率 | % 的模拟查询会返回您的 SKU | 周环比持续提升 |
| 智能体驱动会话 | 归因于 AI 智能体引流的会话 | 通过 UTM + 落地页跟踪 |
| 属性填充率 | 已填写必填字段占比(%) | 95%+ |
| Feed 错误率 | Google Merchant Center 标记的错误 | 低于 1% |
| 引用可验证率 | 与页面数据一致的智能体引用占比(%) | 100% |

为了进行归因,请使用 UTM 参数标记智能体引荐流量(utm_source=chatgpt, utm_medium=ai_agent),并使用 Ecentic 的 智能体流量跟踪 区分 AI 驱动会话与自然流量。在任何 Schema 变更前后,都要使用 Google Rich Results Test 和 Schema.org 验证工具检查您的 JSON-LD。
应该先修复什么?30/90 天路线图
按“影响力 × 工作量”排序优先级:先修复影响收入最高 SKU 的问题,并优先处理无需编写代码的改动。
第 1–30 天(紧急修复):
- 修复 Google Merchant Center 中的所有 Feed 错误(价格不一致、缺少 GTIN、库存状态冲突)
- 为收入最高的前 20 个 SKU 添加 GTIN/MPN
- 使用 Rich Results Test 验证这些 SKU 的 JSON-LD
- 确认智能体爬虫未被
robots.txt - 针对利润率最高的单个 SKU 运行试点模拟
第 31–90 天(全目录优化):
- 将类型化属性覆盖扩展到整个商品目录(材质、重量、兼容性)
- 实施
hasVariant结构,消除变体 PDP 上重复的 Schema - 为有竞争力的现货商品设置每小时 Feed 刷新。
- 添加
FAQPageSchema 到排名前 10 的 PDP。FAQ Schema 对是智能体回答中最容易被引用的格式之一。 - 运行 Ecentic 的全目录扫描,并执行按优先级排序的修复列表
| 优先级层级 | SKU 标准 | 负责人 | 时间线 |
|---|---|---|---|
| 第 1 层 | 高利润 + 高搜索意图 + Feed 错误 | 开发 + 商品运营 | 第 1–14 天 |
| 第 2 层 | 收入最高、缺少类型化属性 | 商品运营 + PIM | 第 15–30 天 |
| 第 3 层 | 全目录属性填充与变体清理 | 开发 + PIM | 第 31–90 天 |
如何治理并自动化您的商品数据
治理机制能确保知识图谱上线后依然保持准确。如果缺乏治理,ERP 中的价格更新未同步到 Feed,几小时内就会造成可验证性失败。
- 为每项属性指定 唯一可信数据源 ——通常是您的 PIM 或 ERP——并记录哪个系统负责价格、库存状态以及每项类型化属性。
- 建立 Feed 验证流水线 ,在每次提交 Feed 之前检查是否缺少 GTIN、价格不一致以及必填字段为空。
- 设置 Schema 监控 (对核心 PDP 进行简单的定时爬取),以便在主题更新后 JSON-LD 丢失时发出警报。
- 进行 定期重新扫描 ——Ecentic 的自动优化功能会持续执行此操作——并在任意 SKU 的属性填充率低于 95% 时发出警报。
- 对于供应商补充的数据(成分、认证、兼容性列表),请为每项属性附加 更新时间戳 和来源标识符,以便智能体验证数据来源。
专业提示: 从供应商 Feed 拉取数据时,切勿用供应商的变体覆盖您的标准 GTIN 或品牌名称。请保留您的标准值,并仅将供应商数据作为补充信息。
导致 AI 智能体忽略您商品的常见问题
缺少 GTIN/MPN。 如果没有标准标识符,智能体无法跨来源解析您的商品实体。修复方法:在 Shopify 的 Barcode 字段或 WooCommerce 的自定义字段中添加 GTIN,然后验证它是否出现在您的 JSON-LD gtin13 字段中。
重复 Schema 导致变体冗余。 为每个变体(颜色、尺寸)分别发布 Product Schema 块,会生成大量近乎相同的实体,智能体会将其视为噪音。修复方法:使用一个标准 Product 及其 hasVariant 子项。
库存状态过期或价格不一致。 商品在 Schema 中显示为 InStock ,但页面上显示“缺货”,或者 JSON-LD 中为 89 美元而 Feed 中为 94 美元,都会触发验证层失败。修复方法:从单一来源实时同步库存状态和价格,并通过定时爬取进行验证。
AggregateRating 缺少 reviewCount。 ratingValue 单独存在时无法验证。修复方法:始终将 reviewCount 作为类型化整数与 ratingValue.
智能体爬虫被阻止。 Disallow: / 中针对 GPTBot 或 Googlebot-Shopping 的 robots.txt 会让整个店铺对这些智能体不可见。修复方法:检查 robots.txt 并明确将智能体爬虫加入白名单。
类型化属性为空。 商品缺少 material, weight或 compatibility 字段时,无法匹配基于筛选条件的查询。修复方法:至少填充您所在品类买家常用的筛选属性,并从第 1 层 SKU 开始。
每次修复后,重新运行受控智能体提示词和 Ecentic 模拟,确认该 SKU 已从被抑制状态变为可引用状态。
商家实际可以期待哪些结果?
试点结果——单个 SKU 或小规模商品组——通常会在实施有效 Schema 并修复 Feed 错误后的 2–6 周内,在智能体选择率上体现出可测量的变化。
需要关注的业务 KPI:
- 智能体驱动会话占总流量的比例(标签上线后按周跟踪)
- 智能体引荐落地页的转化率(这些访客通常具有更高购买意图)
- 归因于智能体订单的平均客单价
- Google Merchant Center 中 Feed 错误率下降(整体数据质量的代理指标)
在实施 UCP 集成的同时采用 Schema 与 Feed 最佳实践的商家表示,在早期采用阶段,智能体归因收入出现了可测量的增长。需要注意的是:智能体模型权重会随着每次更新周期变化,因此在某个时间点排名良好的商品,在大型模型发布后可能需要重新优化。持续监控——而非一次性修复——才是维持增长的关键。
为 AI 智能体构建商品数据时的数据隐私与合规
为 AI 智能体构建商品数据,主要涉及公开可用的商品属性——价格、库存状态、材质、评分——因此相比消费者数据场景,隐私暴露风险较低。不过,仍需注意一些合规要求。
如果商品描述或评论中包含任何个人身份信息(例如与健康状况相关联的评论者全名),请在这些数据进入结构化 Feed 或 JSON-LD 之前进行清理。根据欧盟 GDPR 及其他地区类似法规,公开可爬取的结构化数据中的个人身份信息仍受数据主体权利约束。
对于销售受监管品类——食品、补充剂、医疗器械、化妆品——的商家,知识图谱中的成分与声明数据必须符合销售市场的标签法规。Schema 中列出的成分如果与实体标签不一致,不仅会带来合规风险,也会导致智能体验证失败。请确保 Schema 声明与已批准的商品文案保持一致。
最后,如果使用第三方数据增强服务填充属性,请确认这些服务商的数据共享协议允许在面向公众的结构化数据中进行下游使用。从供应商数据库拉取数据时,这通常是一个常见缺口。
如何处理多语言和多币种商品信息
AI 智能体正变得越来越多语言化。如果商品仅以英文和美元定价展示,即使支持全球配送,在法国、德国或日本用户的查询中也会表现不佳。
最稳妥的方法是:为每个语言区域维护独立的 Product 实体,并使用对应语言的 name, description、类型化属性,以及对应语言区域的 Offer 块,包含正确的 priceCurrency 和 price。在 Shopify 中,Markets 原生支持区域定价;再结合区域专属 metafield 存储翻译后的属性值。在 WooCommerce 中,WPML 或 Polylang 等插件负责管理翻译内容,而 WooCommerce Multilingual 则负责不同币种定价。
对于您的 Feed,请向 Google Merchant Center 提交针对不同语言区域的补充 Feed,而不要依赖自动翻译。自动翻译的属性值往往无法通过智能体可验证性检查,因为翻译文本与对应语言区域页面上的内容不一致。
一个实用规则:切勿在单个 Offer 块中混用货币。如果商品同时支持 USD 和 EUR,请发布两个独立的 Offer 对象,并明确指定 eligibleRegion 字段,或使用 priceCurrency 并限定到正确市场。
AI 购物智能体可见性的电商基准
这一领域的具体基准仍在形成中,但已有一些值得关注的趋势信号。ACES 模拟框架——在 2025 年对多个智能体模型中的结构化信号进行了测试——发现价格敏感度和评分敏感度都会对智能体选择产生统计学上的方向性影响,而描述重写也会在受控实验中改变份额。影响程度会因模型和时间快照而异,这也是为什么持续模拟比一次性测试更重要。
在数据质量方面,Google 的 Shopping Graph 每小时处理超过 20 亿次更新,覆盖 500 亿条以上的商品信息。
对于运行过 Ecentic 模拟驱动优化的商家,反馈模式非常一致:先修复核心 SKU 的 Schema 错误和属性缺口,再扩展到整个商品目录,能够最快带来智能体选择率的可测量提升。这项工作带来的电商 SEO 优化通常也会提升传统搜索排名,因为智能体依赖的结构化数据同样会被 Google 的富媒体结果使用。
如今,电商 SEO 与面向智能体的结构化数据优化越来越像是同一项工作——让 AI 智能体能够引用商品的信号,与传统搜索中获得富媒体结果的信号高度重合。
塑造商品知识图谱优化的未来趋势
现在有三项变化值得提前布局。
智能体购物闭环。 ChatGPT 的购物模式和 Google 的 AI Overviews 只是更长期趋势的早期版本:智能体不仅会推荐商品,还会自主完成购买。Universal Commerce Protocol(UCP)正在成为向智能体直接开放商品数据、价格和结账端点的新标准。现在就构建兼容 UCP 的端点,将让商家在智能体购物规模化时获得结构性优势。
多模态商品理解。 智能体越来越多地会结合文本属性评估商品图片、视频和 3D 资产。图片 alt 文本和结构化 ImageObject Schema 已经是信号之一;随着视觉模型能力提升,预计视觉属性提取(从图片中识别颜色、形状、纹理)将成为排名因素。
实时知识图谱更新。 随着智能体索引刷新频率不断提高,数据过期的代价也会增加。每天仅批量更新一次 Feed 的商家,将越来越难与具备实时或准实时同步能力的商家竞争。前文提到的治理自动化模式——Feed 验证流水线、Schema 监控、PIM 回写——正是适应这种环境所需的基础设施。
Google AI Overviews 已经展示了编辑影响力与结构化数据之间的关系:在多个来源中保持一致且可验证数据的商品,更容易出现在 AI 生成面板中。随着智能体索引成熟,这一趋势会进一步加强。
为什么应先模拟再优化
大多数商家处理商品数据的方式是错误的:他们先优化文案,再看智能体是否会响应,如果会的话。这种顺序会浪费精力,因为相比结构性修复,文案调整对智能体选择的影响更小且更难预测。
更可靠的方法是先模拟。先用智能体查询测试您的核心 SKU,再动任何一句文案。如果商品没有出现,问题几乎总是结构性的——缺少 GTIN、爬虫被阻止、价格不一致、类型化属性为空。先修复这些问题,重新模拟,然后才考虑是否需要调整描述。
这很重要,因为反馈见效最快的商家,并不是拥有最好文案团队的商家,而是把商品数据当作基础设施来管理,并在关注说服力之前先修复机器可读层。模拟能让这一顺序变得可见、可测,而不是靠猜。
大多数指南低估了另一点:智能体奖励的不只是完整性,更是 一致性。一个商品在 Schema 中评分为 4.7 星,而页面上是 4.2 星,不仅是错误,更意味着信任信号失败,甚至可能导致商品被完全抑制。Schema、Feed 和页面内容之间的每一次不一致,都会成为智能体跳过您、转而选择数据更一致竞品的理由。
Ecentic 诊断并修复您的 AI 购物可见性
大多数商家只有在被智能体忽略后,才会发现商品数据存在问题。Ecentic 改变了这一顺序:连接您的 Shopify 或 WooCommerce 店铺后,Ecentic 的模拟引擎会在您损失任何一笔销售之前,先让核心 SKU 与 ChatGPT、Gemini、Claude 和 Perplexity 进行对比测试。

该平台会提供清晰易懂的诊断结果——准确指出缺失了哪些属性、哪些 Schema 字段无效,以及哪些竞品正在赢得本应属于您的查询。随后,Ecentic 会生成重写建议,并支持一键将修复直接发布到您的店铺。智能体归因分析还会跟踪这些修复是否真正转化为可测量的智能体驱动会话和收入。现在即可访问 Ecentic 商品信息优化 页面,免费扫描您的核心 SKU;或者探索完整的 AI 电商工具 套件,查看当前到底是什么在压制您的可见性。
FAQ
什么是面向 AI 购物智能体的商品知识图谱?
它是由商品实体、属性和关系构成的结构化网络,ChatGPT、Gemini 等 AI 智能体会在生成购物推荐时查询它。品牌可以通过在 PDP、Feed 和平台商品信息中发布一致、机器可读的数据来影响它。
哪些 Schema 字段对 AI 智能体资格最重要?
有效的 Product + Offer JSON-LD(包含 GTIN 或 MPN)、嵌套的 Brand 对象、 priceCurrency, availability以及 AggregateRating 及类型化的 reviewCount ,是进入智能体候选集合最关键的高杠杆字段。
商品 Feed 应该多久刷新一次?
在竞争激烈的品类中,建议每小时更新一次。Google 的 Shopping Graph 每小时处理数十亿次更新,而每天批量更新一次的商家会逐渐落后于具备准实时同步能力的商家。
如何判断 AI 智能体是否忽略了我的商品?
使用与核心 SKU 匹配的查询运行受控智能体提示词,然后检查您的商品是否出现。Ecentic 的模拟工具会自动执行这一过程,并精确指出导致被抑制的属性或 Schema 字段。
修复商品数据后多久能看到效果?
试点 SKU 的优化通常会在 2–6 周内带来智能体选择率的可测量变化。