智能体电商优化（ACO）实操指南：怎样让 AI 购物智能体选中你的商品

美国已经有一半以上的消费者在购物时用上了 AI。NielsenIQ 9 月的追踪数据显示，过去一个月这个比例是 51%，5 月时还是 42%。Meta 的 Muse 智能体已经能在 Shopify 店铺里直接用 Shop Pay 下单。消费者问一句，拿到两三个答案。

你的商品不在其中，消费者就根本看不到你的商品页。

「怎么成为那两三个答案之一」这件事，开始有了一个固定的叫法：智能体电商优化（Agentic Commerce Optimization，简称 ACO）。这篇讲清楚它是什么、和 SEO、GEO 有什么不同，以及一套小团队也跑得起来的每周流程。

先说结论

ACO 不替代 SEO 和 GEO，而是在上面多加一层：这一层里，智能体挑的是商品，不是网页。

问智能体「适合带两个孩子坐长途飞机的登机箱」，看它怎么做。它不会去翻你的首页，而是拿几件商品，用它能读出来、也能复述的事实做比较：

智能体给出的推荐理由，是你能拿到的最有用的信号。「推荐它，因为写了内部尺寸和 10 年保修」，直接告诉你该补哪几个字段。

先列 10 到 20 个买家问题，用买家的原话。从评价、客服工单、搜索词里找。每个问题标上高、中、低优先级，并写明哪些 SKU 应该是答案。

把每个问题拿到买家常用的智能体里问：ChatGPT、Gemini、Meta Muse、Amazon Rufus。每次开新会话，提问里不带品牌名。记下你排第几（或者没出现）、推荐了谁、智能体给的理由，并摘录原文作为证据。

同一个问题，每次问的回答都会有差异，所以单次检查只是一个样本。几周下来的趋势才有意义。

对每个没赢的问题，把你的商品页和赢家并排放，说出具体差在哪。大部分缺口是这五种之一：缺属性、说法没有出处、各渠道价格不一致、库存状态、缺售后信息。

「补上净重：3.1 kg（供应商规格书 C 版第 2 页）」是一条可以核对的修改。「优化描述」不是。竞品的数字帮它排上去了，也不要照抄。拿不出来源的值，先放着。

智能体会把你的商品页当成事实，复述给一个可能当场付款的买家。价格、保修、认证、兼容性这类说法，一律等人批准。文案微调可以快一点。

下周的检查会告诉你这次修改有没有带来变化。按问题、按智能体看变化，一次结果不能证明因果。

上面这套流程大部分是重复劳动：每周问同样的问题、对比商品页、按字段起草修改。这些适合交给智能体。判断哪些事实是真的、哪个价格可以接受，不能交给智能体。

在 Buda 里，一支电商 AI 智能体团队在同一个店铺工作区里协作，商品数据、供应商表格、售后政策都在旁边：研究智能体跟踪竞品商品页；目录补全智能体补齐缺失的属性，标出价格过期或各渠道库存冲突的商品；上架智能体按渠道格式写好文案。每一项产出都先以草稿形式交回来，由人批准后才会到达店铺。

同一个工作区还能把这套每周流程存成可复用的技能，按计划定时执行。已经在做关键词聚类的 SEO 智能体，也能让搜索和 AI 回答这两条线放在一处管理。

从小处开始：挑五个买家问题、一条产品线，连续查三周，看看那些推荐理由告诉了你什么。

不是。GEO 关注的是在 AI 回答里被提到、被引用。ACO 关注的是成为 AI 购物智能体推荐的那件商品，而且越来越多时候，是它直接买下的那件。它更依赖结构化商品数据、价格和库存，而不是文章。

查你的买家在用的。对大多数做美国市场的卖家来说，是 ChatGPT、Gemini、Meta Muse 和 Amazon Rufus。Walmart 等平台在自己的站内也有购物助手。

先看各平台的服务条款，很多平台不允许抓取。更稳妥的做法，是让智能体在你控制的浏览器会话里，按正常人的节奏去问，并把每次回答保存下来作为证据。

取决于各个智能体更新商品数据的频率。按周追踪，看一个月的趋势。