当买家问 ChatGPT「200 美元以下、适合宽脚的最佳防水登山靴有哪些？」，AI 不会像人一样浏览你的店。它扫描结构化数据和文本，找明确匹配四个约束的产品：防水、登山、200 美元以下、宽楦。如果你的目录没有用机器可读的方式陈述这些属性，你的靴子就是隐形的——在买家看到之前就被筛掉了。
这篇讲的是把这件事做到目录规模。经典电商 SEO 优化的是「登山靴」这类关键词。AI 购物优化的是属性和关系，好让智能体有把握地说「这正是用户要的」。下面五步：最大化属性密度、补全 `Product`/`Offer` schema、结构化产品问答、保持数据源干净、监控哪些 SKU 真正赢下了 AI 商品卡。
核心要点
- AI 智能体按明确属性筛产品，而非营销形容词。对搜「防水羽绒派克、700 蓬松度、黑色」的买家来说，「舒适冬季夹克」是隐形的。 - 填满每个相关字段。让材质、颜色、尺码、楦型、GTIN、使用场景等属性完成率冲到 95% 以上——这些正是智能体拿来匹配的字段。 - 结构化你的问答。尺码、护理、兼容性、退货应放进 `FAQPage` schema 和干净的页面区块，而不是埋在一段话里，好让智能体直接搬走答案。 - 完整的 `Product`/`Offer` schema——含价格、可售状态、`AggregateRating`、`MerchantReturnPolicy`——是模型检索到准确事实、而非幻觉的关键。 - GEOly 的目录与 Share of Card 分析显示哪些 SKU 上了 AI 卡、缺了哪些属性、零售报价在哪截你的流量——让你在规模上修根因。
步骤 1：最大化属性密度
AI 模型按具体属性筛选，而非模糊的营销语言。「舒适冬季夹克」这样的标题几乎什么都没告诉智能体；找「防水羽绒派克、700 蓬松度、黑色」的买家永远匹配不到它。这两者之间的差距就是属性密度，把它补上是你能做的最见效的目录改动。
填满购物数据源和结构化数据规范提供的每一个字段。要具体：材质是「100% 再生聚酯纤维」，不只是「聚酯纤维」；图案是「几何」，不是「很酷的设计」；场合是「商务休闲、婚礼嘉宾」。在每个 SKU 上填齐尺码、颜色、楦型、GTIN、品牌、使用场景。目标是全目录 95% 以上的属性完成率，把空字段当作丢掉的推荐机会。
注意：具体必须是准确，而非注水。塞无关属性来显得完整，会干扰匹配、把产品归进它满足不了的查询里。精准胜过冗长。
步骤 2：实施产品问答 schema
买家向智能体问具体问题——「能机洗吗？」「适合宽脚吗？」「退货期多久？」——明确回答这些的目录赢下推荐。别把这些细节埋在描述段落里；把它们结构化，让智能体能直接提取答案。
在产品页嵌入 `FAQPage` schema，每条是干净的一问一答：问「这可以机洗吗？」答「可以，冷水循环。请勿烘干。」覆盖你品类里真正驱动购买决策的问题——尺码、护理、兼容性、保修、材质。在页面上用一个简短的 FAQ 区块镜像同样内容，让人和模型都看得到。
注意：答案保持事实、及时更新。智能体从你的 schema 里搬走「可机洗」、而顾客洗坏了衣物，就是信任和退货问题。产品规格变了，问答也要更新。
步骤 3：补全 Product 与 Offer schema
结构化数据（Schema.org）不再只服务富媒体摘要——它是 AI 理解你产品的主要途径。每个产品页都应暴露一个完整的 `Product` 对象、内嵌 `Offer`，让模型检索事实而非自己编。
填齐智能体用来比较和推荐的字段：`Offer`（`price`、`priceCurrency`、`availability`）；带真实数字的 `AggregateRating` 和 `Review`；带退货期的 `MerchantReturnPolicy`；带费用和到货预估的 `shippingDetails`；以及 `material`、`color`、`size`、`gtin`、`brand` 等属性。很多主题已输出部分 schema，所以工作是补全，而非重复。上线前用 Google 富媒体测试工具校验每一页。店铺级操作见 [Shopify GEO 优化指南](/zh/blog/shopify-geo-optimization-guide-geoly)。
注意：绝不为显得更强而编造评分或政策。智能体会拿评论和第三方来源交叉核对，虚假 schema 会侵蚀信任、还可能触发惩罚。只发布真实的。
步骤 4：保持数据源干净一致
一个逐页优化的目录，若底层数据源不一致，仍会输。同一个 SKU 在产品页一种描述、在 Merchant Center 数据源另一种、在市场平台第三种，会给模型互相矛盾的事实——矛盾让它犹豫、或转去挑一个更干净的竞品。
让标题、属性、价格、可售状态在产品页、结构化数据、以及各购物数据源之间对齐。用一致的 GTIN，让模型能跨来源解析出同一个产品。及时清理停售的 SKU，因为智能体推荐了一个缺货商品，浪费的是买家的信任——和你的。按计划做，因为目录会随产品、价格、库存变化而漂移。
注意：留意跨市场的币种和单位错配。价格用错币种、或尺码用错体系（美码 vs 欧码），会悄悄把你从本能赢下的查询里剔除。
步骤 5：监控哪些 SKU 赢下 AI 商品卡
没有度量的优化是猜。对一个目录来说，决定性的问题是哪些 SKU 真正出现在 AI 商品卡里，以及出现时是你还是转售方赢下成交。这就是 Share of Card：你的商品卡出现在 AI 商品卡里、相对以（常常不同的）价格转售同一商品的零售商的频率。
追踪上卡率（一个 SKU 到底有没有卡）、上了哪些产品、零售报价在哪截你的流量。GEOly 的目录分析与 Share of Card 在你的整个目录上正好呈现这些，而且因为 GEOly 带行业级货架数据，你能看到品类白空间和竞品 SKU 的定位，而不只是自家。在 `app.geoly.ai` 注册可免费试用 3 天，跑一遍 29 项 GEO 审计拿到按优先级排的属性修复清单。如何解读见 [Share of Card 指标详解](/zh/blog/share-of-card-metric-shopify-brands-ai-shopping)。
常见坑
- 因为「描述里写了」就留空数据源字段。智能体按结构化属性匹配，不是散文。 - 页面、数据源、市场平台之间数据不一致——矛盾的事实让模型犹豫。 - 为显得有竞争力而在 schema 里编评分或退货条款；模型会交叉核对并惩罚。 - 属性优化一次就再不复审，任由价格、库存、SKU 变化。
