AI 读不懂的商品，正在退出货架|数据源|索引

2026 年 7 月，Adobe 对美国零售网站的机器可读性评分是 61 分 —— 近四成首页内容，AI 读不出来。同一时期，AI 带来的零售流量同比增长 62%，且转化率连续十一个月高于非 AI 渠道。

需求侧在快速迁移，供给侧的表达方式却还停留在上一代。这两条曲线之间的落差，正在变成一块新的市场。

一、决策链新增了一个读取方

过去十年，电商内容的优化对象始终是两个：搜索排序，与人工阅读。标题堆砌关键词，主图争夺点击，详情页用长图讲述情绪。这套方法成立的前提只有一个 —— 读内容的是人。人会联想，会宽容，会被一句 "陪伴成长" 打动。

现在，决策链上多了一个读取方。

它不推断言外之意，只处理可被解析的属性、数值、单位与约束条件，再与同类商品逐项比对。无法解析的部分，后果不是权重低一点，而是直接缺席 —— 不进入比较、不进入推荐，也不出现在任何一条推荐理由里。

不是权重高低的问题，而是有与无的问题。

二、Agent 完成一次购物，要过五个阶段

在需求理解阶段，一段自然语言输入被拆解为可执行的约束：预算上限、适用身高区间、可放置宽度、板材环保等级。模糊表述会被补全成默认值 ——"气味小" 通常被映射为 "低气味释放"，而非具体的环保等级。这个映射是否准确，取决于商品侧有没有提供可供对齐的字段。

在商品搜索阶段，它面对的不是货架，而是索引。能被召回的，是属性齐全、单位规范、类目清晰的商品。一件没有在参数表里写明桌面尺寸的商品，从一开始就不在这场比较里。

参数比较与购买建议，是对数据同构性要求最高的两个阶段。Agent 需要同构的数据：三件商品的承重，一件写 60kg，一件写 120 斤，一件只印在图片角落 —— 后两件的比较，在开始之前就已经失败。而它给出的每一个推荐理由，都必须能回溯到具体字段；写不出依据的推荐，在工程上不会被输出。

三、非结构化表达的读取损耗

一段写得不错的句子对人有效，在 Agent 那里是零信息 —— 不能归入属性，不能参与比较，也不会被引用。

更隐蔽的问题藏在图片里。大量关键参数只存在于详情长图：人看得到，机器读不到。还有一类冲突更麻烦 —— 详情页写承重 50kg，参数表写 60kg，检测报告上是第三个数。人未必会注意，Agent 会。一旦发现自相矛盾，它最安全的策略是调低置信度，然后换一件更 "确定" 的商品。

这一点已经写进了平台的官方规范。OpenAI 面向商家的商品 feed 指南明确要求描述事实化、可自证，并给出对照示例：写 "运行噪音 45 dB"，而不是 "静音级体验"—— 前者可以与 52 dB 直接比较，后者无法进入任何比较运算。这不是文案偏好，是数据规范。

可被解析，是进入推荐序列的前提。

四、商品信息，值得分成两层写

并不意味着面向人工阅读的内容会失去价值。场景叙述与视觉呈现，仍然是转化链路中的一环。真正的问题在于，过去只有这一种语言。

在实操中，一段详情文案会被拆成两类可核对的表达：一类继续面向人，保留叙事与质感；另一类面向机器 —— 名称、卖点、参数、适用场景、常见问题、限制条件，每个字段都有单位、有取值、有来源。

"陪伴孩子成长" 会被改写为 "升降范围 520–760mm，覆盖身高 110–150cm"。前者负责打动，后者负责被引用。这些字段以结构化数据随商品一同发布：对人，它仍是详情页；对 Agent，它是一条可解析、可比对、可追溯的记录。

五、发布之前，先让 Agent 问一遍

结构化完成，不等于 Agent 一定读得对。真实的问法千奇百怪：1.15 米的墙放不放得下，甲醛释放量是多少，和另一款比哪个更稳。

把校验前移的做法是：发布之前，让 Agent 以买家身份连续提问，逐一检查它引用了哪些字段、是否答错、有没有把图文冲突暴露出来。一轮二十四个问题跑完，缺失的字段、互相矛盾的表述，会以清单形式浮出水面 —— 比如 "详情页写承重 50kg，参数表是 60kg"。以一次实测为例，24 问中 21 问引用准确，3 处待修正被明确列出。

这很像详情页的 A/B 测试，只是被测对象从人的点击，换成了机器的理解。