电商面临的 GEO 新问题

传统电商 SEO 的主战场是品类页与商品页的关键词排名。但在 AI 购物场景里，用户问的是「预算 3000 元、经常出差，选哪台笔记本」这样的复合条件问题，答案往往不是某个页面，而是模型综合多个来源后给出的一组推荐。

这带来两个变化。第一，竞争单位从「页面」变成了「商品实体」：模型需要先确认你的商品是一个可识别的实体，才可能把它放进候选集。第二，胜负手从「关键词覆盖」变成了「参数可核验性」：模型推荐时会引用具体规格、价格区间和适用场景，如果你的页面无法提供这些可核验字段，就会被跳过。

结果就是：很多在 Google 排名很好的商品页，在 AI 回答里从未出现。原因不是权重不足，而是模型无法从页面里稳定提取出决策所需的字段。

商品结构化数据的最低完整配置

商品页必须使用 Product 类型，且只标记一个主实体。必备字段包括 name、image、description、sku、brand（嵌套 Brand 对象，不是字符串）、以及 offers。

offers 是决定成败的部分。它应当包含 price、priceCurrency、availability、itemCondition、priceValidUntil 与 url。缺 price 或 availability 的商品，在 AI 的候选集筛选阶段就会被排除，因为模型无法确认这个商品是否真的能买到、多少钱。

变体商品的处理最容易出错：如果一个页面有颜色与尺码多个 SKU，应使用 ProductGroup 配合 hasVariant 声明，或者在 offers 里列出多个 Offer。只标记父商品且不带任何价格，等于放弃被推荐的机会。

AggregateRating 与 Review 属于加分项，但必须真实。虚构评分在结构化数据里属于欺骗性标记，风险远大于收益。

对比型内容：电商 GEO 的最高杠杆

AI 在回答购物问题时最常生成的就是对比结构，因此你主动提供对比内容的收益最高。三类页面值得优先建设：品类选购指南（回答「怎么选」）、横向对比页（回答「A 还是 B」）、场景适配页（回答「适合某类人群的款式」）。

关键在于这类页面必须给出可核验的参数表，而不是营销话术。把核心规格整理成结构清晰的表格或列表，标明单位与测试条件。模型可以引述「续航 12 小时（实验室条件，屏幕亮度 150nit）」，但无法引述「续航超强」。

同时要处理竞品对比的公平性问题：对比页如果只包含自己的优势维度，可信度会下降。纳入竞品确实占优的一两个维度，反而会提升整页被采信的概率——这是多数电商站点不愿意做但效果明显的动作。

评论与 UGC 的正确用法

评论对 GEO 的价值不在数量而在信息密度。一百条「很好用」不如十条写明了使用场景、使用时长和对比对象的评论。

操作上，优先展示包含具体场景描述的评论，并在页面上保留可索引的文本内容——很多站点把评论放在需要异步加载的组件里，AI 爬虫看不到，等于这部分内容不存在。

评论区的结构化标记使用 Review 类型，须包含 author 与 datePublished。匿名评论的权重明显低于具名评论，因此如果平台允许，鼓励用户使用昵称与身份标签。

还需要管理负面评论。全部五星的评分分布反而降低可信度，保留并公开回应合理的负面反馈，是向模型传递真实信号的低成本方式。

品类词与场景词的采样策略

电商的提问空间极大，不可能全部覆盖，需要分层采样。

第一层是品类核心词，例如「降噪耳机推荐」。这类词竞争激烈，用于衡量你的基础可见性水位。

第二层是场景长尾词，例如「通勤地铁用降噪耳机」「开放式办公降噪耳机」。这类词转化意图更强，也是 AI 回答中最常出现具体品牌的地方，应当作为优化重点。

第三层是条件约束词，例如「500 元以内」「续航 30 小时以上」。这类词直接检验你的参数可核验性——如果页面上没有清晰的价格与规格，你在这一类提问中几乎不可能出现。

建议按 3:5:2 的比例配置这三层，每层固定 10 到 15 条提问，形成可复现的采样集。用 Broccoli AI GEO 按周执行，观察各层的提及率变化，才能判断优化动作是否真的生效。

常见失败模式与修正

第一种常见失败是商品页完全依赖 JavaScript 渲染，AI 爬虫取到的 HTML 里没有价格与规格。修正方式是服务端渲染关键字段，或提供预渲染快照。

第二种是价格与库存频繁变动导致结构化数据过期。建议把 offers 的生成与后端商品系统直连，而不是写在静态模板里。

第三种是站点把 AI 爬虫挡在门外。电商的 CDN 防护通常很严格，OAI-SearchBot 与 PerplexityBot 经常被误判为恶意流量。需要在 WAF 层显式放行检索型爬虫，否则前面所有优化都不生效。

第四种是只优化爆款而忽略长尾。AI 回答的推荐往往覆盖多个价位段，只让头部商品具备可核验参数，会在条件约束型提问中系统性失分。