AI 购物正在重写电商：从给人看的商品页，到给 AI 读的商品基础设施

Research Note

Research Note · 2026-09-28

研究主题：AI Commerce / Agentic Commerce / Product Intelligence / GEO

公开事实与研究引入

一个看似很小的封锁事件，暴露了电商下一阶段真正的矛盾

2026 年 9 月，一个值得关注的事件发生了。

Meta 在 9 月 8 日正式发布个人 AI Agent Muse。 [1]

Muse 和传统聊天机器人最大的区别，并不是它回答问题更聪明，而是它开始真正替用户执行任务：打开网页、填写表单、处理事务，并在获得用户确认后完成购买。

Meta 同时为 Muse 接入了 Stripe Link 支付能力，并计划加入 Shop Pay。 [1]

随后，事情出现了一个有意思的转折。

据 9 月 20 日至 21 日的公开报道，Amazon 已开始阻止 Muse 访问 Amazon.com。 [3]

Amazon 给出的公开理由包括：未经授权的 AI Agent 访问、没有主动识别 Agent 身份，以及潜在的隐私与安全风险。 [3]

使用 Muse 尝试访问 Amazon 的用户开始看到提示：

未经授权的 AI Agent 持续访问违反 Amazon 的使用条款。 [3]

如果只把它理解成一次平台之间的 API、爬虫或者安全冲突，很容易错过更重要的问题。
因为几乎与此同时，另一条路线也在形成。

Meta 在 9 月 24 日披露，Muse 已经可以访问整个 Shopify 商品目录，并正在继续增加 Walmart、Best Buy、Sephora、Wayfair 等购物连接器，同时加入 Shop Pay 与 PayPal 支付能力。这是 Meta 对接入进展的公开说明，不代表每个商品均符合展示或交易资格。 [2] [8]

一边正在阻止外部 AI Agent。
另一边正在主动成为 AI Agent 的商品与交易基础设施。
这意味着：

AI Shopping 的竞争，正在从“谁拥有消费者”，逐渐延伸到“谁允许 AI 理解、比较并购买自己的商品”。

Research Interpretation / 研究判断

01 · 今天的大多数电商系统，其实都是为「人」设计的

过去二十年，电子商务围绕一个基本前提建立：
浏览商品的人，是人类。
所以一个商品页面需要解决的是：
怎么让人注意到？
怎么让人点击？
怎么让人停留？

怎么让人产生购买欲望？
怎么提高转化率？
于是我们拥有了今天熟悉的一整套电商基础设施：

主图、详情页、Banner、广告位、关键词竞价、优惠券、满减、达人种草、直播间、猜你喜欢……

这些东西本质上都在优化：
Human → Product
也就是：

如何帮助一个人发现、理解并最终购买商品。

但当购买决策的一部分开始交给 AI Agent 后，参与购物的主体发生了变化。
消费者可能不再打开五个购物 App。
他只需要说：
“帮我买一箱可乐，明天送到，价格不要超过 25 美元。”
或者：

“给我 7 岁的小孩找一个适合侧睡的枕头，不要太高，可机洗，预算 40 美元以内。”

接下来真正执行搜索、筛选、比较和判断的，不一定是人。
而可能是 AI。
这时候，传统商品页面的一部分价值开始发生变化。

Research Interpretation / 研究判断

02 · AI 不需要“逛街”，它需要结构化商品事实

假设消费者想买一个儿童枕头。
在人类购物模式下，他可能会：
搜索关键词；
打开十几个商品页面；
查看图片；
阅读详情；

看尺寸；
看材质；
翻评论；
比较价格；
最后做决定。
但 AI 真正需要解决的问题完全不同。

它首先需要得到的是：
年龄范围是多少？
枕头高度是多少？
填充材料是什么？
软硬程度是什么？
适合什么睡姿？

是否可机洗？
有没有过敏原？
当前价格是多少？
有没有库存？
什么时候能送到？
这不是传统意义上的“广告信息”。

这是：

Product Facts

也就是可以被机器读取、比较和推理的商品事实。

如果这些信息全部埋在几十张详情图、营销文案、视频和用户评论里，AI 就必须重新进行网页访问、文本解析、视觉识别、信息抽取、交叉验证。

信息越分散，成本越高。
错误概率也越高。
反过来，如果商品信息已经被结构化：
AI 可以直接比较几十甚至几百个 SKU。
真正重要的问题因此发生了变化：

未来商品竞争的一部分，不只是“消费者能不能看懂”，而是“AI 能不能准确理解”。

公开事实 / Verified Sources

03 · 这件事情已经开始发生，而不是未来预测

2026 年 3 月，OpenAI 扩展了 Agentic Commerce Protocol（ACP）。 [4]

ACP 的定位非常值得注意：
它不是一个新的商品详情页标准。

而是连接 Merchant 与 AI Shopping Experience 的商业基础设施。

OpenAI 官方给出的描述是：

商家可以通过结构化 Product Feed，把商品目录提供给 ChatGPT，使 ChatGPT 能够索引商品、理解商品核心属性，并在购物场景中准确呈现商品信息。 [5] [6]

目前已经接入商品发现体系的零售商包括 Target、Sephora、Nordstrom、Lowe’s、Best Buy、The Home Depot、Wayfair 等。 [4]

Shopify Catalog 的商品数据也已经进入 ChatGPT 商品发现体系。 [4] [8]

更值得注意的是 Product Feed 本身。
OpenAI 当前要求商品至少提供包括：
Item ID
Title
Description
Product URL

Brand
Image
Price
Availability

以及 Seller 等基础商品信息。 [6]

在此基础上，还可以继续提供：

Variants、Product Attributes、Shipping、Returns、Reviews 等信息。 [6]

而且 Product Feed 并不是一次性上传。

针对文件上传的完整快照 Feed，OpenAI 当前建议至少每日更新，价格与库存发生变化时需要保持同步。 [7]

这透露出一个非常重要的信号：

商品正在从“网页内容”，变成可以持续同步给 AI 的数据对象。

Research Interpretation / 研究判断

04 · 电商可能正在出现第二套 Product Layer

过去，我们可以把商品互联网理解成：

Product → Web Page → Search / Marketplace → Human

未来很可能同时存在另一条链路：

Product → Structured Product Intelligence → AI Agent → Human

前者可以称为：

Human-readable Commerce

商品首先服务于人的阅读、浏览和感知。
后者可以称为：

Machine-readable Commerce

商品首先需要成为机器能够稳定理解、比较和调用的数据对象。
两者不会互相替代。
消费者依然需要图片。
依然需要视频。
依然会受到品牌、设计、内容和情绪价值影响。
但在购买链条前面，可能增加一个新的决策参与者：

AI Agent

因此，未来一个完整的商品资产可能需要同时拥有两套表达。
给人的表达：
主图、视频、详情页、品牌故事、视觉设计、UGC、直播。
给 AI 的表达：

Product Facts、Attributes、Variants、Use Cases、Constraints、Price、Inventory、Shipping、Returns、Compatibility。

这可能是未来商品基础设施一个非常重要的变化。

Research Interpretation / 研究判断

05 · 真正值得研究的不是“AI 会不会替人买东西”

这个问题其实已经越来越不重要。

因为 Muse 已经可以在用户确认后购买。 [1]

ChatGPT 正在建设 Agentic Commerce Protocol。

Shopify 商品目录已经进入多个 AI Shopping 场景。 [8]

真正值得研究的是另外一个问题：

当 AI 开始参与购买决策以后，商品应该以什么方式存在？

今天一个品牌通常拥有：
ERP 数据；
Amazon Listing；
Shopify 页面；
独立站；
TikTok 商品内容；

图片；
视频；
FAQ；
用户评论；
物流数据；
库存数据。

但这些信息通常是割裂的。
而 AI Agent 真正需要的不是更多内容。
它需要的是：

一个可信、统一、持续更新的商品事实层。

我们把这一层暂时称为：

AI Product Intelligence Layer

Research Interpretation / 研究判断

06 · AI Product Intelligence Layer 应该包含什么？

我们的初步研究将它拆成至少六个部分。

1. Product Fact Schema

先解决：
这个商品到底是什么。
不是营销语言。
而是统一的事实定义。

尺寸、重量、材质、功能、配件、规格、兼容性、认证、价格、库存、物流等信息，需要存在一个 Canonical Source of Truth。

2. Buyer Question Model

第二层解决：
什么人、在什么情况下应该购买它？
消费者很少直接按照 SKU 属性提问。
消费者会问：
“有没有适合旅行带的？”
“我牙龈比较敏感应该买哪个？”

“有没有一套把冲牙器和牙刷都解决的？”
“我要送女朋友，哪个更合适？”
因此 Product Fact 还必须进一步映射到：
Buyer Intent → Product Match

3. Recommendation Logic

第三层解决：
为什么 AI 应该推荐这个 SKU，而不是另外一个？
这涉及：
产品差异；
需求匹配；
约束条件；

价格；
库存；
物流；
评价；
使用场景。
商品数据只有进入推荐逻辑，才真正成为 Product Intelligence。

4. Multi-channel Feed

同一个商品事实层，需要进一步转换成不同平台能够理解的形式。
例如：
ACP；
Shopify；
Marketplace Feed；
Schema.org；

独立站；
搜索引擎；
未来其他 AI Agent Protocol。
因此品牌真正需要维护的可能不再是十套独立商品资料。
而是：

One Product Truth → Multiple Distribution Surfaces

5. AI Recommendation Measurement

仅仅把数据发布出去还不够。
还必须回答：
AI 有没有理解？
AI 有没有引用？
AI 有没有推荐？
推荐给什么问题？

为什么推荐？
为什么没有推荐？
竞争商品为什么出现？
这就产生新的 Measurement Layer。

6. Conversion Feedback

最后才是商业闭环：

AI Exposure → Recommendation → Click → Cart → Purchase

然后成交结果重新回到 Product Intelligence Layer。
形成新的商品增长循环。

Research Interpretation / 研究判断

07 · 一个真实 SKU 应该如何被 AI 理解？

以我们正在进行实验的 W98 Personal Care Set 为例。以下参数为本项目提供的产品资料与 Founder 确认口径，用于说明信息结构，不代表独立实测结果；存在冲突的字段需继续核验。

消费者看到的可能是：
高清夜光显示冲牙器
无线充电牙刷底座
可收纳替换刷头
洁面刷附件

但 Product Intelligence Layer 中，需要进一步拆成机器能够理解的事实：

Product Type
Oral Care / Personal Care Set
Water Flosser

300 ml reservoir
5 cleaning modes
2200 mAh battery
4 nozzles

Electric Toothbrush

Wireless charging dock
Replaceable brush heads

Additional Function

Facial cleansing attachment compatible with toothbrush body

Package

4 irrigator nozzles
4 toothbrush heads（本文确认稿口径；既有产品资料记录为 5，数量待实物或装箱清单核验）
1 facial cleansing brush
1 wireless charging dock
2 cables
No power adapter

然后进一步建立 Buyer Intent：
“我想一次买齐牙刷和冲牙器。”
→ Match
“我不想浴室里到处都是充电线。”
→ Wireless Dock Match
“有没有既能刷牙又能做面部清洁的？”

→ Facial Cleansing Attachment Match
“我只想买一个最便宜的基础冲牙器。”
→ Possibly Not Match
最后一个尤其重要。
真正优秀的 Product Intelligence 不只是告诉 AI：
什么时候推荐我。

还必须告诉 AI：

什么时候不要推荐我。

只有这样，AI 才可能真正建立可信的商品判断。

Research Interpretation / 研究判断

08 · Amazon 封锁 Muse，真正暴露的是「控制权」

Research Interpretation / 研究判断：本节讨论商业结构，不把 Amazon 的商业动机作为已证实事实。

Amazon 与 Muse 的冲突目前仍然可以从隐私、安全、Agent 身份识别、平台条款等角度解释。

因此现在直接得出：
“Amazon 因为害怕广告收入被 AI 破坏，所以封锁 Muse”
证据并不充分。
这是一个需要区分的地方。
但从商业结构上看，另一个问题确实已经出现：

谁控制商品发现入口？

过去 Amazon 同时控制：
搜索入口；
商品排序；
广告；
推荐；
交易；

支付；
消费者数据。
如果消费者开始通过外部 AI Agent 发起购买：
Intent Layer
可能首先掌握在 AI Agent 手里。
于是整个链路可能变成：

Consumer
↓
AI Agent
↓
Product Intelligence
↓

Merchant / Marketplace
↓
Transaction
这意味着 AI Agent 有可能成为新的消费入口。
平台则需要决定：
阻止它，还是成为它的基础设施。

Amazon 与 Shopify 当前表现出的不同策略，因此值得持续观察。

Research Interpretation / 研究判断

09 · 对商家来说，机会可能不是再做一个 AI Shopping App

消费者端的 AI Shopping 入口竞争已经存在大量重量级参与者。
Meta。
OpenAI。
Google。
Amazon。
Shopify。

以及其他 Agent 平台。
对于普通品牌、供应链企业和跨境电商卖家来说，更现实的问题可能不是：
“我要不要做一个 AI 购物 App？”
而是：

“当消费者开始让 AI 帮他购物时，我的商品能不能进入 AI 的候选集？”

进一步：
AI 能不能理解我的商品？
商品事实是不是准确？
不同渠道的数据有没有冲突？
AI 知不知道什么人适合我的商品？
AI 能不能解释为什么推荐我？

竞争对手为什么被推荐？
我的商品为什么没有出现？
这些问题共同构成了一个新的商家基础设施机会：

AI Commerce Infrastructure for Merchants

Research Interpretation / 研究判断

10 · 从 GEO 到 AI Product Intelligence

过去我们研究 GEO 时，最直接的问题是：

怎样提高商品在 AI 回答中的出现与推荐概率？

但随着 Agentic Commerce 发展，这个问题正在扩大。
GEO 可能只是其中一个 Measurement Layer。
完整系统可能是：
Product Truth
↓
Product Intelligence

↓
AI-readable Distribution
↓
AI Discovery
↓
Recommendation

↓
Transaction
↓
Feedback
也就是说：
未来企业需要解决的可能不只是：

让 AI 看见我。
而是：

让 AI 正确理解我、在正确需求下选择我，并最终完成交易。

这是两个完全不同的问题。

Research Hypothesis / 待验证假设

11 · 我们接下来准备验证什么？

因此，这篇文章并不把：

“AI Product Intelligence Layer 将成为下一代电商基础设施”

作为已经被证明的结论。
它目前仍然是一个：

Research Hypothesis

接下来真正值得验证的是：
H1

更完整、结构化的 Product Facts，是否能够提高 AI 对 SKU 的理解准确率？

H2

Buyer Question → Product Mapping 是否能够提高商品在真实购买问题中的推荐准确率？

H3

同一套 Product Truth 是否能够稳定转换成 ChatGPT、独立站、Marketplace 等不同渠道需要的数据结构？

H4

商品信息完整度的变化，是否能够被 AI Recommendation Measurement 捕获？

H5

Recommendation Visibility 的提升，最终是否能够转化成真实的商业结果？

这些问题不能靠观点回答。
必须靠真实 SKU、真实 AI、真实市场和真实成交验证。

Research Interpretation / 研究判断

结论 · 下一代商品竞争，可能同时发生在人类界面与机器界面

过去二十年，我们一直在优化：
如何把商品展示给人。
主图更漂亮。
详情页更完整。
广告点击率更高。
直播转化率更高。

但 AI Agent 的出现正在增加一个新的问题：

如果未来购买商品的第一轮筛选者不是人，而是 AI，你的商品准备好了吗？

未来优秀的商品资产可能必须同时满足两种阅读者：
Human-readable
让消费者产生理解、信任与购买欲望。
以及：
Machine-readable
让 AI 准确获取事实、理解差异、完成比较并判断适用场景。

因此我们目前更关注的，不是再造一个购物 App。
而是它下面那层基础设施：

AI Product Intelligence Layer

把真实商品转换成：
AI 能理解
AI 能比较
AI 能验证
AI 能推荐
AI 能交易

的商品资产。
Amazon 封锁 Muse 不是这个变化的终点。
它更像是一个信号：
AI 已经开始真正进入交易链条。
接下来需要重新设计的，可能不只是购物界面。
而是商品本身进入互联网的方式。

小兔AI审美局 Research

研究方向：AI Shopping · Product GEO · Agentic Commerce · AI Product Intelligence · Cross-border E-commerce

本文属于研究假设与持续实验记录。涉及未来商业结构的判断不代表已验证事实；后续将通过真实 SKU、真实平台与 AI Recommendation Measurement 持续更新证据。

事实、研究判断与假设的边界

公开来源支持的事实

当前仍缺什么证据

• Recommendation Visibility 的提升，最终是否能够转化成真实的商业结果？

问题与回答