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。
如何验证
- 抽样把一批产品 URL 跑一遍结构化数据校验,确认 `Offer`、`AggregateRating`、`MerchantReturnPolicy`、`FAQPage` 无报错解析。 - 审计数据源的属性完成率,确认高优先字段(材质、尺码、楦型、GTIN、使用场景)接近 95% 已填。 - 向 ChatGPT 和 Perplexity 问一个约束很多的购买问题,看你匹配的 SKU 是否以正确价格出现。 - 在 GEOly 里按 SKU 观察上卡率和 Share of Card,确认提升并抓出零售截流。
常见问题
我的目录数据到底要多完整?在买家真正拿来筛选的属性上冲到 95% 以上——材质、尺码、楦型、颜色、GTIN、使用场景。缺字段不只是降排名,而是把你从基于约束的查询里彻底排除。
只有结构化数据够吗,还是页面文本也重要?都重要。schema 给模型可靠事实;干净的、以属性为先的文本和页面 FAQ 给它可引用的语境。智能体两者一起用。
这和关键词 SEO 有什么区别?关键词 SEO 瞄准人打的短语。面向 AI 的目录优化瞄准智能体推理的属性和关系,好匹配复杂的自然语言约束。
上千个 SKU 怎么高效优化?先修系统性缺口——漏了 `MerchantReturnPolicy` 的主题、缺 `material` 的数据源——因为一次模板改动会传播到整个目录。GEOly 的审计能在规模上标出这些模式。
GEOly 怎么切入?它显示哪些 SKU 赢下 AI 卡、缺哪些属性、转售方在哪截你。更多见 [GEOly AI 是什么](/zh/blog/what-is-geoly-ai) 和 [GEOly AI 作者页](/zh/blog/author/geoly-ai)。
延伸阅读:SKU 级 AI 可见度追踪:衡量 AI 到底在推荐哪款商品。
延伸阅读:AI 购物监控:按 SKU 的跨引擎露出历史。

