如果你管着商品页，接下来要习惯一个新读者：它不看 banner、不点广告，只读参数和评价，然后决定要不要把你写进答案里。截至 11 月 15 日的公开报道，信息时报援引平台数据称，今年双 11 期间什么值得买的 AIGC 内容发布量同比涨了 5 倍，站内 AI 对话量环比涨 82.37%；同一篇报道里，用户反馈集中在三处：参数被搞错、推荐商品的评价太少、推荐了却缺货。这三条其实是同一件事——商品页给 AI 的证据不够。
AI 推荐之前，先过三道信息关
京东的 AI 购物助手东东在双 11 期间服务了近 8000 万用户，是去年的三倍多；抖音约 5% 的购买交易经由聊天机器人给出的链接促成，在需要反复比较的保健品类目超过 20%。这些数字说明入口已经成立，接下来比拼的是入口背后的信息质量：AI 能不能在你的页面里找到一句确定的话。
艾媒的调研给了另一面：超四成受访消费者感知到今年 AI 购物工具明显增多，但多数人保持审慎，不会直接采纳 AI 给出的最终方案。审慎的原因不难猜——推荐的商品评价只有几条、参数写得含糊、点进去还缺货，任一条都会让人退回收货架自己挑。
参数要能被抽取，而不是被理解
模糊表述是最贵的写法
"大容量""长效续航""适合全家"这类表述对人有用，对模型没用。模型需要的是带单位的数值与适用条件，比如容量 1.8 升、单次续航 12 小时、适用 3 至 6 人。同一件商品，参数写成数值的版本更容易被摘出来，写成形容词的版本更容易被写成"某款产品"。
评价数量是隐性门槛
推荐商品的评价太少，是用户反馈里最具体的一条。它暴露的不是口碑好坏，而是证据密度：一条评价支撑不起一次推荐，模型在整合时会把这类商品排到后面，或者干脆不提。新品尤其吃亏——参数再全，评价为零，进入推荐序列的概率就很低。
| 信息类型 | AI 侧的后果 | 商品页要补的字段 |
|---|---|---|
| 参数 | 被写成模糊版本，品牌名消失 | 带单位的数值与适用条件 |
| 评价 | 证据不足，排序靠后或不提 | 首屏可见的评价数与追评摘要 |
| 库存 | 推荐后点进去缺货，信任受损 | 分规格的实时可售状态 |
三行里最容易被忽略的是库存。参数和评价属于内容问题，可以慢慢补；库存是状态问题，一旦推荐发生而货不在，用户损失的是这一次信任，商家损失的是这一次曝光。把可售状态做成规格级字段，比在详情页写"现货充足"有用得多。
评价分析要加的两列
第一列：评价的时间分布
总数够不代表证据够。半年内没有新评价的商品，即使总数上千，模型判断其活跃度时也会打折。做口碑分析时把近 90 天评价数单独列一列，能看出哪些商品是"历史厚、当下薄"。
第二列：评价里的参数纠错
差评里常出现"和描述不符"的说法，这类内容对 AI 是负向证据。把差评中涉及参数、规格、适用场景的句子挑出来，反向修详情页，比笼统地提升评分更有效。评分是结果，纠错是原因。
中国青年报社会调查中心此前对一千名受访者的调查显示，66.7% 的受访者会用 AI 辅助购物，比价、算满减、凑单是主要用途。当比价由工具完成，商品页剩下的竞争力就只有两件事：参数是否准确、评价是否够厚。
把追问当成需求清单
AI 导购反复追问的点，就是用户在决策前真正关心的点。把这些追问整理成清单，等于免费拿到一份详情页改造需求：问尺寸的补尺寸表，问售后的补售后条款，问安装的补安装条件。追问答不出来的问题，人也会问。
常见问题
评价数量少，补几条精选评价有用吗？
作用有限。模型看的是证据密度与时间分布，精选几条集中出现的评价反而容易被判为异常。持续产生真实评价更稳妥。
参数写得越细越好吗？
不是越细越好，是越确定越好。带单位、有适用条件的数值最有用，堆砌无关参数只会稀释关键信息。
AI 导购推荐后缺货，责任在谁？
在商家的库存同步。推荐是平台动作，可售状态是商家字段，规格级可售没做对，推荐越准损失越大。
口碑分析还要不要看评分？
要看，但不能只看。评分是结果指标，参数纠错与评价时间分布才是能改的原因指标。
