要点速览
- Shopping research（购物调研）是 ChatGPT 的商品发现模式：你描述需求，它追问澄清问题，然后基于实时网页数据（价格、库存、评测、规格、图片）输出一份个性化选购指南。
- 它由一个购物专用的 GPT-5 mini 变体驱动，在 GPT-5-Thinking-mini 基础上后训练，目标是跨可信商品站点做综合、标注信源、并严格处理价格 / 尺寸 / 库存这类硬约束。
- 位置是自然获得的，没有付费位。 商品能否出现取决于数据质量与结构——Schema.org 标记、属性完整度、使用场景描述、第三方评测、价格准确性。
- GEOly 数据：2026 年 8 月 1 日至 10 月 10 日追踪的 1,166,910 条 ChatGPT 回答中，72.3% 出现了购物或商品元素，平均引用 7.34 个信源。在商业类提问里，商品卡已是默认形态，不是例外。
- 要做的事并不性感：修好商品 feed 和 schema、进入第三方榜单、把约束条件变成机器可校验的数据。没有创意层面的捷径。
Shopping research 到底是什么
Shopping research 是 ChatGPT 内部一个独立模式，面向 Free、Go、Plus、Pro 各档的已登录用户，移动端和网页端均可用。它和「随口问 ChatGPT 一个商品问题」不是一回事。
流程是对话式的。你描述自己要找什么，ChatGPT 反问澄清问题——预算多少、送给谁、最在意哪些功能。随后它会花几分钟搜索网络，抓取最新的价格、库存、评测、规格与图片数据，并边搜边把选项呈现给你。过程中你可以把某个商品标记为「不感兴趣」或「要更多这类」，调研会实时根据反馈调整。最终产出是一份选购指南，而不是单一推荐。
技术上，它由 GPT-5 mini 的购物专用变体驱动，自 GPT-5-Thinking-mini 后训练而来。OpenAI 对训练目标的描述，恰好就是优化的切入点：跨可信商品站点做综合、标注信源、处理约束条件（价格、尺寸、规格、库存）。
这三件事，每一件都是一个杠杆。
它为什么改变了 GEO 的问题本身
传统 AI 可见度工作问的是：模型提到我的品牌了吗？Shopping research 问的是一个更难的问题：模型能不能不靠猜就填满关于我商品的那一行对比表？
这首先是数据问题，其次才是内容问题。一份选购指南需要为每个候选商品拿到价格、库存状态、某个规格值和评价信号。只要其中任一项缺失、无法解析，或在网上别处被其他数据反驳，模型最安全的做法就是丢掉你的商品，换一个它能自信描述的。
我们的追踪数据显示这类界面已经变得多常规。2026 年 8 月 1 日至 10 月 10 日，GEOly 针对商业类 prompt 观测了 1,166,910 条 ChatGPT 回答，其中 72.3% 包含购物或商品元素，平均每条回答引用 7.34 个信源。作为对照，同一窗口内 Google AI Mode 的 66,990 条观测中有 100% 出现商品界面，平均引用 9.77 个信源。
换句话说：在商业品类里，商品界面本身就是答案。纯文字提及反而成了少数情况。
决定你的商品是否出现的因素
OpenAI 异常明确地说明了：选择是自然的，依据数据质量与结构。把这句话翻译成可执行的工作：
1. Schema.org Product 标记要完整且真实。 不只是 name 和 image。真正让模型能填满对比表格的字段是：带 price、priceCurrency、availability 的 offers；aggregateRating 与 review；brand；gtin 或 mpn；sku。如果你的价格只存在于 JavaScript 渲染出的 DOM 里，就当它不存在。
2. 属性完整度。 Shopping research 要处理尺寸、规格这类约束。一个只填了 6 个属性的商品，会输给填了 20 个属性的竞品——因为竞品能被更多约束条件匹配上。要像排查死链一样排查商品库里的空属性字段。
3. 用自然语言写清使用场景。 买家问的是带约束的问题——「坐飞机用」「小户型用」「左手用」。模型无法从规格表推断适用性。把场景明确写在商品页和 feed 描述里。
4. 第三方评测。 很多品牌恰恰在这里悄无声息地失分。我们的接地查询数据显示，ChatGPT 自行生成的搜索中 26.9% 含「review」、58.4% 含「best」。ChatGPT 伸手去拿的是评测站和排序榜单。如果你所在品类的评测覆盖里没有你，你就不在候选池中——自家网站无法替代这一层。
5. 价格准确性。 当你的商品页、feed、schema 以及读取这三者的零售渠道之间价格不一致时，这本身就是被丢弃的直接理由。模型会惩罚矛盾，因为对它来说引用一个错价格比漏掉一个商品更糟。