一、背景与引入
1.1 从经典 SEO 到“可被模型理解的商务”
过去二十年，独立站优化的核心是让搜索引擎爬虫高效发现、抓取并索引页面，例如 robots.txt、sitemap.xml、结构化数据等。
进入生成式 AI 与代理自动化时代，流量与转化的入口正在分化。
用户既在 Google / Bing 搜索，也在 ChatGPT、Perplexity、Copilot 等环境中提问并获得答案；同时，自主购物代理、比价助手、语音助手下单等“代理商务”（agentic commerce）场景也在快速演进。
在这一背景下，业界逐步出现面向大模型的纯文本“站点摘要”约定，例如广泛讨论的 llms.txt 思路：
用机器友好、低噪声的文档说明“你是谁、核心事实是什么、权威入口在哪里”，以降低模型幻觉与重复爬取成本。
与之并行的是程序化交易协议，例如 Universal Commerce Protocol（UCP）与 MCP（Model Context Protocol）等，它们把“发现能力 → 工具列表 → 购物车 / 结账流程”暴露给代理运行时。
矛盾在于：
如果把所有这类信息仅散落在首页 HTML、博客或 PDF 中，模型与代理很难稳定定位“官方、最新、低歧义”的版本。
于是，需要一层显式的、可发现的元数据基础设施。
1.2 Shopify 的平台级动作：Agentic Discovery 子站点地图
Shopify 在近期为商户店面提供的机制中，包括在主站点地图体系下增加 sitemap_agentic_discovery.xml。
示例商户：
https://www.getcasely.com/sitemap_agentic_discovery.xml
该子站点地图会固定枚举三类 URL，并给出 weekly 更新频率提示：
/llms.txt
/llms-full.txt
/agents.md
下文将围绕同一框架说明：
- 为什么需要单独的子站点地图。
llms.txt、llms-full.txt、agents.md分别代表什么。- 这些文件对 GEO 和 agentic commerce 有什么商业价值。
- Shopify 在 AI 时代建站与商务基础设施上的平台友好度意味着什么。
二、sitemap_agentic_discovery.xml：为何是“子站点地图”？
2.1 职责分离：Separation of Concerns
主 sitemap.xml 通常承载大量商品、集合、博客等 URL，主要服务于经典爬虫与抓取频次管理。
而将 llms.txt、llms-full.txt、agents.md 单独放入 sitemap_agentic_discovery.xml，传递的是另一层信号：
这些 URL 不是传统意义上的“页面流量入口”，而是面向模型与代理机的“元数据与协议层”。
它们与海量商品 URL 解耦，有利于降低索引噪声，并由平台以统一模板维护。
2.2 机器可发现的入口清单
对 LLM 爬虫、合规 bot，以及未来进一步标准化的“代理发现”流程而言，XML 站点地图是一种低成本、低歧义的枚举格式。
它不需要解析复杂 HTML，就可以列出商店为 AI / 代理准备的 canonical 文档集合。
其中，<changefreq>weekly</changefreq> 在传统 SEO 中多为提示性质；在代理调度场景中，同样可以作为新鲜度假设的参考，便于抓取计划。
2.3 产品叙事：GEO 与代理商务的双重对齐
agentic_discovery 这个命名，明确对齐两条主线：
GEO / AEO
让商店在生成式答案环境中更容易被引用、摘要、对齐事实，减少错误品牌信息与过时联系方式。
