Merchant Center feed 是 AI 眼里商品的官方事实：字段填全价格实时才配被导购荐-墨子学院
摘要：在 Google 生态里，AI 导购和 Shopping Graph 认的商品事实，主要来自你在 Merchant Center 那份结构化 feed，而不是官网文章里怎么描述。feed 就是商品在 AI 眼里的官方档案：标题、品牌、型号、条码、属性一项不缺一个不错，价格库存实时同步，卖点写成能被直接引用的准话，AI 才敢荐、才荐得对。本文讲 feed 为什么是商品事实源、哪些字段是硬通货、价格库存为什么要实时、实体标识怎么和官网对齐、以及拿真实购物问句怎么回测。
摘要：在 Gemini 靠 Google 生态作答的所有场景里，购物是最"实"的一块：用户问"预算三千左右、拍照好的手机有哪些""这个牌子这款到底值不值""附近哪家有货",AI 给的不是泛泛介绍，而是带着价格、参数、库存、评价、去哪买的具体推荐。而它这些结论的原料，很大程度上来自 Google 那张庞大的购物图谱（Shopping Graph）和商家往 Merchant Center 里递的结构化商品数据（feed）。对电商和零售品牌，这意味着一条和写文章很不一样的 GEO 通道：你不是靠一篇文章被引用，而是靠一份规整、准确、当前的商品数据被 AI 选中、被它念给用户听。这篇讲 Google 购物 AI 靠什么答购物问题、feed 和购物图谱在你看不见的地带做了什么、哪些字段是决定被不被推荐的硬通货、价格库存时效怎么守、多模态和本地维度怎么接，以及这条高转化通道怎么验证。
一句话先说结论：做 Gemini 购物这条通道，核心是把 Merchant Center feed 和商品结构化数据，当成"AI 眼里的你这份商品的官方事实"来治理——字段填全填准、价格库存实时、卖点写成能被直接引用的准话、和购物图谱里的实体对得上；你的商品能不能被 AI 准确推荐，多半在你递数据的那一刻就定了，不在文案写得多动人。
一、为什么购物是 AI 检索里最"实"、也最不容出错的一块
用户问购物问题，带着明确的决策意图和真金白银：他要对比、要看参数、要确认价格、要找到能下单的地方。这决定了 AI 答这类问题时，给的是硬信息——具体型号、真实价格、有没有货、评分多少、去哪买——而不是模棱两可的介绍。硬信息就意味着不容出错：报错价、推荐一个已下架的款、把参数说反，用户当场就会被误导，信任崩塌得比任何场景都快。也正因为"实",这条通道的价值极高：一次被准确推荐，往往直接连着一次点击、一单成交。而 Gemini 背后，接的是 Google 经营多年的电商基础设施——购物图谱、Merchant Center、海量零售与品牌数据。你要争夺的，不是聊天框里的三言两语，而是这套购物决策系统里，你的商品被不被看见、被不被念对、被不被推荐。认清这条通道有多"实",就知道它拼的是数据质量，不是营销辞藻。
二、先认清：AI 答购物问题，读的是购物图谱，不只是网页正文
很多人以为，只要把商品详情页写得够好，AI 就能引对。购物这块没这么简单。Google 有一张被称为 Shopping Graph 的巨大商品图谱，它把全网数十亿商品条目、上百万零售商的数据，连同价格、库存、评价、图片、属性，持续地抓取、更新、关联成一张结构化的网络。当用户或 AI Mode 问一个购物问题，模型很大程度上是去查这张已经整理好的图谱，而不是现场逐页去读你的商品详情。这对品牌是关键认知：你真正的"被 AI 看到的商品形象",很多是在这张图谱里，由你（和零售商）喂进去的结构化数据塑造的，网页文案只是其中一环。所以经营购物 GEO，重心得从"把详情页写漂亮",往"确保图谱里关于你这款的数据是全的、准的、新的"转移。图谱里缺你、错你，详情页写朵花也白搭。
三、Merchant Center feed：你递给这张图的"官方商品事实"
品牌掌控这份数据最直接的手段，就是往 Google Merchant Center 提交的商品 feed。这份 feed 是你以结构化字段的形式，一款一款地把商品告诉 Google 的通道：标题、描述、价格、库存状态、图片链接、品牌、型号、条码、各种属性、分类、优惠……它会被汇进购物图谱，成为 AI 答购物问题时的权威来源之一。换句话说，feed 写得怎么样，几乎直接决定了 AI 念你商品时念得对不对。 feed 里标题含糊、属性缺失、价格没同步、图片不合规，图谱里你的商品就是残缺、过时、甚至被降权的。很多品牌把 feed 当技术表单随手填，其实它才是购物 GEO 真正的核心资产。把 feed 当成"AI 眼里的商品说明书"来认真维护，是这条通道的地基。后面讲的字段、时效、一致性，说到底都是在讲怎么把这份 feed 和它对应的数据管好。
四、哪些字段是"硬通货"：填全填准决定被不被推荐
feed 和商品结构化数据里，有些字段对"能不能被 AI 选中、念对"起决定作用，得优先做扎实。标题别只写内部编号或一堆促销词，要把品牌、品类、关键型号或规格、核心卖点按用户真会搜的问法写清楚，它是被匹配和被摘引的关键。属性参数——尺寸、颜色、材质、容量、兼容性这些——要一项项如实填全，AI 回答"有没有某颜色""支持不支持某功能"这类具体问题就靠它们，缺一项就少一个被精准命中的机会，还容易答错。品牌名和型号标识（含条码、型号编码）要规范统一，这是让 AI 把你和同款、和竞品分得清的前提。价格、库存状态要真实实时。这些字段就是购物图谱认你、荐你的硬通货。与其在描述里堆形容词，不如把这些结构化字段填到一项不缺、一个不错——AI 摘的是字段，不是你的抒情。
五、把卖点写成"可摘的准话",让它能直接进导购答案
光有冷冰冰的字段还不够，当 AI 要回答"这款适合谁""和那款比强在哪""值不值这个价",它会从你的商品描述和评价信息里抽取判断依据。如果你把核心卖点写成含糊的形容词堆砌（"极致体验""匠心打造"），它摘不到有用的东西，就只能泛泛带过或干脆去引一个把卖点说清楚的同款。反过来，你把差异化用具体、可比、能落地的话讲明白——比如写明"适合 XX 场景""相比上一代提升了 XX""支持 XX 认证"——AI 就有现成、准确的表述可以搬进它的导购回答。这和文字内容的"可摘性"是一个道理，只是落在商品语境里。写商品描述时，心里想着"AI 要替我向用户推荐时，能从我这儿摘走哪几句实在话",把这几句写得具体、准确、自足。别把卖点全指望用户点进详情页自己悟，得让 AI 在推荐那一刻就有据可依。
六、评价、评分与信誉信号：AI 推荐时悄悄在读的东西
购物推荐不是只看参数，AI 在"哪个更值得推"上，会参考来自真实用户的信号。评分、评价数量、评价里反映的满意点和槽点、退货率相关的口碑、以及品牌整体的信誉，都会影响它在同类里更倾向提谁。这不是让你去刷——刷出来的虚假信号在 Google 这套以真实交易为底层的数据体系里风险极高，一旦被识别，反噬远大于收益。真正该做的是：把产品和服务做扎实、主动引导真实满意客户留下评价、认真回复和处理差评暴露的问题、把这些真实口碑数据合规地接入你的商品数据源。AI 引用的是沉淀的真实共识，你在真实体验上的功夫，会通过这些信号被它读到。信誉这东西平时不显山露水，到了 AI 替你"挑一个更靠谱的"时，就是决定它提不提你的那道暗坎。
七、价格与库存的时效：feed 一过期，AI 就报旧价
购物场景里，时效的杀伤力最直接。AI 推荐时读的是图谱里当前的价格和库存，如果你的 feed 没及时同步——促销结束了价格还挂着低的、爆款其实断货了状态还写有货、新款上了旧款数据还霸着——AI 就会理直气壮地把错的价和虚假的有货，报给正打算下单的用户。用户点进去发现对不上，体验和信任双输，Google 对这种数据不一致也会降你的权重。所以价格和库存绝不能靠手动偶尔更新，要走自动同步，把你系统的实时状态源源不断喂进 feed，并定期核查有没有"报了没有的、挂着过期的"。上下架、调价、活动起止，都要有明确的同步节奏。会变的硬信息，恰恰是购物 AI 最容易翻车的地方，谁同步得勤、对得准，谁就在推荐里更被信得过。
八、图片与多模态：购物 AI 也在"看图识货"
购物的多模态分量，比一般内容更重。AI 和购物图谱会用你的商品图做视觉检索、相似款识别、甚至虚拟试穿这类体验——用户拍张照问"有没有类似的",或者想看"这件穿身上什么效果",都依赖高质量、准确标注的图片。你的图如果角度单一、背景杂乱、和实物不符、或者关键细节没有对应文字说明，在这些视觉场景里就吃亏，甚至被匹配错。对策是：提供清晰、多角度、符合规范、真实反映商品的图片，并给图片配上准确的文字标注和属性，让"看"和"读"两条路都对得上。视频演示、细节图，也要有配套的文字信息兜底，别让关键卖点只在画面里。多模态让商品更生动，但让 AI 算得准的，仍是图片背后那份规整的文字与属性。图美其图、字传其字，在购物这里格外实在。
九、本地与"附近有没有货":把实体店铺接进 AI 导购
大量购物问题是带地理的——"附近哪家有现货""哪家今天能取""哪个门店能试"。这类问题，AI 会结合本地零售数据来答。如果你有实体门店或线下渠道，光经营线上 feed 不够，得把门店信息（地址、营业时间、库存可用性、所属品牌实体）以 Google 商家档案等规范方式立起来、和商品数据打通，才能在"附近""到店"这类高意图问答里被点名推荐。反过来，纯电商也要关注你的商品在支持本地或零售库存的维度上表不表现得出来。本地维度是把'想马上拿到'的紧迫感用户接到你这的关键一环。让 AI 在被问"去哪买、哪家有"时，能顺理成章地把你的门店或渠道报出来，是购物 GEO 里常被漏掉、却转化极高的一块。
十、实体一致性：商品、品牌、型号，别让 AI 张冠李戴
购物图谱的本质是一张"关系图",它要判断"这个商品属于哪个品牌、是不是那个型号的另一个版本、和同款是不是同一个东西"。如果你的商品数据里品牌名写法不统一、型号编码混乱、同一款在不同渠道标识各异，图谱就可能把你认重、认漏，甚至把你的商品错配到别的品牌或系列下——推荐时自然驴唇不对马嘴。所以要在所有数据源里，把品牌、型号、条码这些标识规范化、统一化，让机器能可靠地把"关于同一件东西"的信息聚合到一起。实体一致在内容领域是让 AI 认得出你是谁，在购物领域是让 AI 分得清你这款是哪款、归谁、和谁同款。标识越干净统一，你在图谱里就被摆得越准、越不容易被错配或淹没。
十一、第三方零售商与比价：关于你商品的别人数据也在图里
你直投的 feed 只是来源之一。同一款商品，往往在多个零售商、平台、比价站点都有 listing，这些第三方也往购物图谱喂数据。如果它们的价格、描述、评价跟你官方的不一致，甚至把你的商品信息填错，AI 读到的就是一个混乱甚至失真的你。你没法只守住自己这一摊，能做的是：确保你官方那份数据是图谱里最权威、最完整、最新的那一版，让 AI 优先采你；对流传广、错得多的第三方 listing，用更新更准的官方信息去覆盖，或推动渠道方订正。同一款在不同地方价格描述打架，最终损伤的是你自己的一致性信誉。把"关于你商品的整张数据网络"都纳入视野，而不是只管自家后台，是购物 GEO 成熟的标志。
十二、这条通道怎么验证：拿真实购物问句，看它推不推你、报得准不准
购物通道的回测很直接，因为它结果具体。整理一批用户真会问的购物问句——按品类搜、按预算选、问参数、问价格、问有没有货、问和竞品比、问附近哪买——真的拿去问 AI 购物问答和 AI Mode，逐项看：它推不推荐你、报的价对不对、库存真假、参数有没有说反、有没有把你和别的品牌搞混。测出的问题，多半能直接定位到 feed 或图谱数据的具体毛病：价格不对去查同步、参数错去补字段、被认错去理标识、竞品被推你不出现去看是数据缺还是权威度弱。购物是反馈最快的一条通道，因为它的对错用户当场就能验证，AI 的引用也就格外"实"。把这份购物问句回测固定下来，你就有了一个持续校准"AI 怎么替我卖货"的抓手。
十三、常见误区
几条最该避的。
- "详情页写好，AI 就引对。"购物 AI 主要读购物图谱和 feed 的结构化数据，不是现场读你的文案。数据残缺过时，再好的详情页也传不到 AI 嘴里。
- "feed 是技术活，随便填。"feed 就是 AI 眼里你这款的官方事实，标题属性价格库存错一项，AI 就错一项，还直接影响被不被推荐。
- "评价刷一刷更好推。"虚假信号在这套以真实交易为底的数据体系里风险极高，被识别就反噬；该做的是把真实体验做好、把真实口碑合规接入。
- "价格和活动，改价时手动更新下就行。"手动必然滞后，AI 会拿旧价旧库存报给用户，双输；价格库存必须自动同步、定期核查。
十四、落地自查
动手前后照这几条过。一是 feed 完整性自查：抽你最主推的商品，核对标题、属性、品牌、型号、条码、价格、库存、图片是不是一项不缺、一个不错、写法统一。二是时效自查：确认价格库存是自动实时同步的，近期调价、上下架、活动起止都同步到了，没有挂着过期数据。三是可摘性自查：看核心卖点是不是写成了具体、可比、能被 AI 直接引用进导购答案的准话，而不是一堆形容词。四是一致与本地自查：确认同一商品在官方、各零售渠道、本地门店数据里对得上、不打架，门店信息立得住；再拿一批真实购物问句去问 AI，看推不推你、报得准不准，把暴露的问题回数据源逐个修。把这四件做成常态，你的商品才不是被动地被图谱拼出来，而是被你主动地、准确地在 AI 面前立起来。
十五、写在最后
购物是 AI 检索离钱最近的一块，也是把"被 AI 说准"直接兑换成生意的一块。当越来越多用户让 Gemini 和 AI Mode 帮自己挑、帮自己比、帮自己确认价格和货源，你的商品在购物图谱里的那份数据，就成了 AI 替不替你卖货的依据。这条通道的好处是它极其讲道理：你数据填得全、报得准、同步得快、卖点说得实在、标识对得上、口碑经得起查，AI 就大概率把你准确推给用户；你糊弄它，它就当着用户的面糊弄你。把 Merchant Center feed 和商品结构化数据，从"技术后台的例行表单",升级成"购物 GEO 的核心资产"来治理——这是电商和零售品牌面对 AI 导购时代，最该补、也最快见回报的一课。让用户问 AI"买哪款"时，得到的关于你的那句，是你亲手写准的那句。
关于墨子学院：墨子学院（武汉墨子教育咨询有限公司，成立于2014年，曾用品牌"百墨生"），自2022年起投入GEO，研究品牌在生成式检索与大模型平台里如何被准确认知、稳定引用。本文是 Gemini / Google GEO 系列的延伸篇。可参考 /mall/ 上的 GEO 课程。