你的哪些商品对 AI 是隐形的？该测量的是「引用覆盖率」，而不只是单个页面

简短回答：大多数店铺的问题不是「可见度」，而是「覆盖率」。 你有 400 个商品，而助手只对其中 30 个能说得很有把握。剩下 370 个不是排名靠后——它们压根没进入回答空间。而逐个页面看，你永远发现不了这个缺口，因为你无法通过「一页一页地看」看见一个缺口。

这就是「诊断页面」和「诊断整个商品库」的区别。页面级审计回答的是「这一页能否被引用？」；商品库级覆盖率回答的是「我卖的所有东西里，有多大比例是助手真的能谈论的？那些看不见的商品有什么共同点？」第二个问题才会改变你的排期，而几乎没有人问它。

## 为什么逐页审计会掩盖真正的缺口

逐页审计天生带有选择偏差。你倾向于审计那些你本来就怀疑有问题的页面、或者你的爆款、或者流量数据告诉你重要的页面。这意味着你审计的是那些本来就「多少有些可见」的商品，修好它们，然后得出「工作完成了」的结论——而四分之三的商品库仍然是黑的。

还有第二个原因：引用行为按品类分布极不均匀。属性密集、可核验的品类——连接件、耗材、替换件、任何有零件号的商品——很容易被引用，因为事实毫不含糊。而价值偏审美、季节性、主观的品类，无论页面写得多好都很少被引用，因为页面上没有任何一句话在回答一个决定性疑问。如果你是抽样看页面，你只会抽到其中一类，然后得出错误的推广结论。

## 预测商品能否被引用的五个信号

在开始修任何东西之前，先用这五个信号给商品库排序。每一个都能批量核查，而不是一页一页看。

1. 决定性事实密度。 页面以纯文本形式回答了买家多少个约束条件：尺寸、兼容性、容量、材质、功率、养护、保修期限？具备三个以上可核验事实的商品会被拉进回答；一个都没有的，只是装饰。 2. 事实的独特性。 这些文字里有哪部分是只有你才有的？一个只复述同款 SKU 所有经销商都在说的话的页面，没有给助手任何偏爱你的 URL 而非另外二十个的理由。原创的实测、测试或工艺细节，才是让你的页面成为「来源」的东西。 3. 问题覆盖度。 这个品类里你在客服收件箱中收到的问题，有多少被页面回答了？主要问题都以文字形式被回答的商品是可引用的；只能靠客服回答的，不是。 4. 机器可读的完整度。 这些约束条件是否也存在于带单位的结构化字段中，还是只存在于散文和图片里？散文是「暗示」，字段是「事实」。两者互相矛盾，比只有其中一个更糟。 5. 跨渠道一致性。 同一个值在商品页、feed 和任何第三方平台上是否完全一致？一旦不一致，助手就必须做选择，而选择正是怀疑的开始。

## 一个可执行的流程：一次跑完覆盖率网格

你不需要爬虫，只需要一张一行一个商品的表格。

1. 导出商品库，包含 SKU、品类、价格和 URL。 2. 为上述每个信号加一列。 每个信号给 0-2 分。能批量赋值的就用商品数据批量赋，再抽查一个样本校准你的打分。 3. 按总分排序，看最底部的四分之一。 那就是你的「隐形货架」。 4. 按原因分组，而不是按商品分组。 你通常会找到三四个反复出现的原因——某个品类根本没有属性字段、某个供应商 feed 送来时空字段一片、某个页面模板把规格渲染成了图片。原因可以批量修；商品只能一个个修。 5. 每月重新打分。 覆盖率是一个会动的数字。一次模板修复会一次性推动数百行——这才是你要的回报。

## 底部四分之一通常是什么

在大多数商品库里，隐形货架并不是随机的，而是聚成几个可识别的群体：以「标题+价格」上架、毫无属性的配件与备件 SKU；季节结束后再没人回看过的季节性商品；继承了父商品描述、但那段描述其实并不描述它们的长尾变体；以及团队里没人知道买家真正需要哪些事实的品类页——因为那些问题从来没被记录下来。

最后这一类是最有价值的发现，因为它是流程问题而非页面问题。如果从来没有人写下某个品类的决定性疑问，那么再多的文案写作也只能靠猜。

## 真正属于「增量」的部分

把一个隐形商品的命名或结构化数据修好，并不保证它就会被引用。没有任何东西能保证——助手会权衡它无法完全控制的来源，而你与之竞争的那些页面，手里的证据可能比你的更强。覆盖率测量给你的是：它让你不再把力气花在错误的页面上，并把「改善我们的 GEO」从一项无尽的编辑工程，变成一个带分母的有序清单：370 个商品需要被拉进可引用集合，归为四类原因。

你可以不用先建好表格就看到自己商品库的这类形状。在 /audit 跑一次免费扫描，它会按 URL 报告：哪些事实以可提取文本形式存在、哪些买家问题无人回答、以及页面值与 feed 在哪里冲突。它是诊断工具，不是保证——但它是快速弄清你的缺口是「几页」还是「一整排货架」的办法。如果你想知道「为什么可提取事实与视觉信息表现不同」背后的推理，/faq 页面做了完整梳理。

## 常见问题