前几天，我拿一家做美国市场的家居类 Shopify 店，完整跑了一遍 AI 购物入口诊断。
进后台以后，先看到一串让人高兴的信号。Agentic Storefronts 已经激活，80 多件商品同步到了 Shopify Catalog，ChatGPT、Microsoft Copilot、Meta 和 Shop 都显示可用。过去 30 天已经出现数十次智能体入口访问，也有了归因销售。
渠道确实开了。可我更关心另一件事。顾客说出尺寸、安装条件和使用场景以后，AI 能不能把合适的商品放到前面。
一个 58 英寸的开口，把问题问了出来
我给 Shopify Catalog 输入了一条很接近真实购买的问题。
我需要一扇适合 58 英寸成品开口、高 76 英寸、可左右换向安装、带安全膜的 3/8 英寸钢化玻璃淋浴门。
返回结果里，前两件商品适配 50 至 55 英寸开口。真正覆盖 58 英寸的 56 至 61 英寸商品排在第三位。
这个排序放在普通搜索里，顶多让顾客多点两次。放进购物助手里，风险会大很多。顾客已经把开口宽度说得很清楚，AI 仍然把装不上的商品推到前面。遇到淋浴门、水槽、智能马桶这类大件，买错以后还牵着退货、补寄、安装工等待和客服沟通。
我顺着结果回到商品页，页面首屏做得很完整。产品图、折扣价、库存、保修和安装资料都有。继续往下翻，尺寸表里出现了两行很扎眼的数字。
标题写的是 56 至 61 英寸宽、76 英寸高，规格表却把宽度写成 1,524 英寸，把高度写成 1,930.4 英寸。这两个数字很像毫米值，单位却挂成了英寸。同一页面同时提供两套互相冲突的答案。
尺寸图下面的规格表把毫米数值标成英寸
人看到 1,524 英寸，多半知道哪里写错了。购物助手没有义务替商家猜。它可能采用标题里的正确范围，也可能把错误字段带进比较和推荐。更麻烦的情况，是它一边识别出 58 英寸开口，一边又被目录里的近重复商品带偏。
三个商品，查出了四类会影响下单的问题
我这次只抽了三个代表性商品，信息准备度分别是 78、75 和 68，平均 74 分。这个分数只衡量商品决策信息是否齐全，不预测 AI 排名和销售。
淋浴门暴露了尺寸单位和适配范围的问题。
33 英寸水槽的页面写着最小底柜宽度 22 英寸。这个数字和水槽外宽放在一起很难解释，必须找供应链或产品工程按图纸确认。只要底柜和开孔要求有一项写错，顾客收到货才发现装不了，前面的广告和转化都白忙。
智能马桶已经写了 12 英寸坑距和 1.28 GPF，电压、功率、GFCI 插座、水压和供水接口却没有形成一块能直接读取的安装说明。有些信息也许藏在图片或 PDF 里，AI 和顾客都得自己翻。
政策页也互相打架。商品页写 30 天退货，退款政策按收货日计算，运输政策按购买日计算。退款政策又排除促销商品，抽样商品恰好都在打折。顾客问促销品能不能退，系统里能找出三种口径。
这四类问题有一个共同点。它们很少出现在首页，也不会被一句更漂亮的卖点解决。商品能不能装、送不送得到、出了问题能不能退，这些才是购物助手替顾客做筛选时最需要的内容。
Shopify 卖家可以照着跑一遍
我把这次检查整理成了一套顺序。先跑三到二十个商品，别一上来就翻完整个目录。
第一步先看商品能不能被找到。检查 HTTP 状态、canonical、robots、Sitemap、Product 和 Offer 结构化数据，再核对页面、JSON-LD 和商品数据里的价格、币种、库存、SKU 与条码。这里负责确认入口是否通畅。
第二步给每个商品做一张事实表。至少把商品名称、品类、用途、人群、尺寸、材质、兼容性、限制、价格、库存、配送地区、送达时间、运费、退货、保修、FAQ、场景评价、真人证据、命名一致性和信息新鲜度列出来。图片里有、正文里没有的字段只能算半完成。
第三步拿真实购买问题去测。问题里要同时带商品、场景、约束和风险。淋浴门要带成品开口和安装方向，车灯要带车型和年份，智能马桶要带坑距、电气条件和水压。固定 8 到 15 个问题，记录日期、市场、登录状态、结果顺序、落地页和明显错误，改完再用同一组问题复测。
第四步按买错的代价排优先级。尺寸、兼容性、安装、配送和退货冲突先处理。比较表、FAQ、场景证据接着做。流量看板和内容扩充排在后面。每条建议都要写清目标页面、当前内容、替换文字、负责人、验收办法和回滚内容。
这套顺序能避免一个常见误区。店铺接入了 ChatGPT，商品也同步进了 Catalog，工作只完成了一半。接下来要逐件确认，AI 拿到的信息够不够它替顾客做决定。
七天怎么落地
第一天，选定美国市场和最重要的商品，冻结 SKU、语言、币种与检查日期。
第二天，把二十项商品事实填完，所有缺失和冲突都回到公开页复核。
第三天，先改可能导致买错和装不上的字段。没有图纸或负责人确认的数字，不要凭经验补。
第四天，从客服、站内搜索、退货原因和评论里整理购物问题。拿不到这些资料，就先把生成的问题标成假设。
第五天，给高价值商品补适配、限制、安装、FAQ 和比较块。正文要能独立回答问题，别把关键条件全压在图里。
第六天，用同一时区看 Shopify 和 GA4。访问、行为、归因销售和付费非测试订单分开记录，不强行凑成一个数。
第七天，重跑原来的问题。正确商品有没有进前两位，错误尺寸商品有没有下降，重复 Listing 有没有减少，这些比一句“AI 可见度提升”更好验收。
我把这套诊断做成了开源 Skill
这次试跑以后，我把检查框架、二十项事实评分、问题测试格式、整改包和七天计划做成了一个可以独立运行的 Skill。
项目地址
https://github.com/owensky-dev/shopify-ai-discovery-audit-skill
它默认只读。只给店铺域名，也能做公开页面抽查。允许读取已经登录的 Shopify 后台后，可以继续看 Agentic Storefronts、现有报表和商品同步状态。审计并不授权它修改商品、政策、主题和渠道设置。
如果你最近也在研究 GEO、AI 搜索或 Agentic Commerce，可以先拿三个高价值商品试一次。一个大件商品的尺寸和安装条件写清楚，往往比再写一篇泛泛的品牌故事更快见到作用。
拓展阅读：
