Product Graph：AI 眼里的商品不是一条 SKU

一个做净水滤芯的出海团队发现，买家在 AI 助手里问“A100 净水器该换哪种滤芯”，答案里列了三个竞品，自己的型号一次也没出现。翻页面：每个 SKU 都有标题、尺寸、滤材、评价，挑不出毛病。真正缺的东西不在页面里，而在页面之间——全站没有一句话说清谁适配 A100、谁替代上一代 F-9、谁必须和龙头一起买。

AI 眼里没有“一条 SKU”，只有实体、变体、属性与关系组成的图；你只优化单页，它拿到的就是一堆无法互证的碎片。

单页做满分，AI 仍拼不出一件商品

判断：AI 归档时拼的不是页面，是实体；页面质量只决定它能不能摘走一句话。

AI 拼出一件商品的过程，比排名更像归档：把商品页、类目页、feed、零售商页与第三方评测里的说法，归并到同一个实体上。归并需要三样东西——稳定的标识（品牌加 MPN，或 GTIN）、一致的属性键与单位、写在明处的关系。少一样，它只能猜；猜的成本一高，它就去引用那个把关系写清楚、说法又前后一致的页面，而那个页面往往属于竞品、零售商或测评站。

这解释了一个反复出现的错位：预算全押在商品页的文案与图片上，AI 却在另一层做判断。两者不是替代关系，顺序却不能颠倒——先有实体与关系，答案单元才有地方落。

商品图的四个部件

判断：四个部件里，实体是唯一不能重来的那个——标识选错，后面三个部件全部要返工。

部件	回答的问题	最小可用写法	常见错法
实体	这是什么	品牌 + MPN 或 GTIN + 品类	用营销名当唯一标识，“小金刚 Pro”在五个页面有五种写法
变体	同一件东西的哪个选项	变体轴，加上各自可寻址的 ID	每个变体当一件新商品，彼此不认亲
属性	凭什么比较	键值对、统一单位、有限取值	参数写在图上或段落里，机器读不出
关系	和谁一起用、替代谁	主体、关系类型、对象标识、证据	只在 FAQ 里写一句“兼容大部分机型”

实体是锚。没有稳定标识，后面三个部件全部无处附着，一页改版就能让 AI 认为换了一件商品。变体是同一实体的分支，商品变体与缺货页怎么收敛是它的 URL 层问题，而这里是身份层问题：拆成多少个地址可以商量，是否属于同一件商品不能含糊。

三类关系，决定你出现在哪类提问里

判断：属性让 AI 把你放进比较表，关系让它在你没被点名的提问里找到你。

关系	买家怎么问	必须写清什么	不写的代价
替代	“F-9 停产了，换哪个”	新旧型号、差异、迁移注意	老型号的存量检索全让给竞品
兼容	“A100 能用吗”	机型清单、接口尺寸、例外情况	AI 替你猜，猜错就是退货与差评
配件与耗材	“还需要买什么”	主件标识、更换周期、套装关系	只被当成单品，客单价上不去

三条边里，兼容最容易写错，因为它要求对象用别人的命名。你写“适配 A100、A120”，A100 必须是机器厂商与零售商在用的那个型号；你改一个字符，这条边就断了。判断标准很朴素：这条边的两端，能不能在别人的页面里被同一个字符串指认。

第二条判断是关系必须可验证。接口尺寸、电压、容量能写成事实；“适用于大多数品牌”在结构化数据里等于没写，AI 会把它当成不确定性跳过。schema.org 的 Product 上有 isAccessoryOrSparePartFor、isConsumableFor、isSimilarTo 这类属性，能承载一部分边；兼容性没有一一对应的字段，只能靠属性表与正文说清。不要为了把字段填满，把猜测写成事实。

从单页到图：四步，每步有验收

判断：不要从 schema 开始。字段是图的出口，不是图本身。

步骤	做什么	谁来做	怎么算过
1 定锚	一个可售单元对应一个实体，选定主标识，重复页合并或指向主 URL	商品数据与工程	抽 50 个 SKU，同一商品只有一条主记录
2 立字典	属性键、单位、取值域写成一张共享表，页面、feed、schema 同源	商品运营与工程	随机抽 20 条，三个出口的属性名与单位一致
3 连边	先只做替代与兼容两类关系，每条边写证据：机型清单、接口规格、实测记录	内容与工程	每条边都能当场回答“凭什么”
4 复测	用 20 个关系型问题问 AI，看它是否说出正确主件与正确关系	增长	有前后对比，错的边能定位到具体页面

第 3 步最容易被预算裁掉，也最值钱。多数团队能说清“我是什么”，说不清“我和谁有关”，而后者才是长尾提问的入口。复测的口径要和AI 可见度基线一致：同一批问题、同样的地区与语言设置，否则波动会被误读成进步。

反例是从 schema 反向开工：Product 标记全部通过校验，isAccessoryOrSparePartFor 里填的却是自家上一代 SKU，而不是机器型号。校验工具不报错，AI 拿到的却是一条指向错误对象的边——字段填得越整齐，这种错越难被发现。四步走完再补字段，Product schema 的 2026 写法讲的是这一层的优先级；顺序反过来，前面的边要重连。

示例：一张滤芯的关系表

示例：某净水滤芯品牌（假设场景，不含真实品牌与数据）。主推型号 F-10，适配 A100 与 A120，替代已停产的 F-9，属净水器耗材，建议更换周期为 6 个月。

主体	关系	对象	证据	写在哪
F-10	兼容	A100、A120	接口尺寸与机型手册	商品页兼容表、feed 字段、结构化属性
F-10	替代	F-9	滤芯尺寸一致、接口相同	对比页、旧型号页的替代提示
F-10	属于	净水器耗材	更换周期	类目页、套装与订阅页

同一个型号要在四个出口说法一致：商品页的兼容表、feed 的字段、结构化属性、类目页的筛选维度。任何一处把 A120 写成 A12，AI 会认为这是两个对象，那条边就白写了。验收也不看排名，看三件事：关系型提问里是否出现 F-10、关系是否说对、说错时能不能指到某一页。

边界：什么时候先别做图

第一，SKU 只有几十个、没有变体也没有配件生态的品牌，图的收益很低，先把答案单元写好更划算。

第二，成交集中在平台内时，图的入口是平台类目与 listing 字段，先对齐平台属性；自建的图暂时只是内部资产。

第三，关系不可验证时——兼容靠实测、涉及安全或法规——不要把推测写成结构化事实。AI 会照抄，退货与合规责任归你。

第四，主数据本身就乱（一品多码、多码一品）时，先修主数据。在错误之上连边，等于把错误连成网，修起来比不做更贵。

第五，快时尚这类 SKU 高速汰换的品类，只维护“新旧替代”一条边，别维护全量配件关系。维护不起的图会烂得比没有更糟。

还有一个前提容易被忽略：图能被读，前提是页面能被抓取与渲染。入口层面的判断在AI 搜索把海外电商流量切成了四段里，这条线上其他文章都在技术底座主题页。

这个月先做一件事：挑一个带配件或耗材的品类，导出前 50 个 SKU，只补两类边——替代谁、兼容谁；每条边写一个可验证的证据（机型、接口或尺寸），然后把这张表同时贴到商品页与 feed，用 20 个关系型问题复测一次，并把错的边改到能指出具体页面。