上一篇我们确立了一个判断：Agentic Commerce 的第一战场不在付款，而在发现和推荐。AI Agent 能否在回答用户问题时准确描述你的产品、推荐你的品牌，取决于一个前置条件——你的商品数据是否是机器可消费的。
传统电商优化面向人类消费者：漂亮的产品图片、吸引人的文案、流畅的结账体验。B2A（Business-to-Agent）优化面向 AI Agent：结构化的数据格式、可验证的事实声明、实时准确的价格和库存。
这不是二选一——你需要同时做好两者。但大多数品牌在 B2C 优化上投入了大量资源，在 B2A 优化上几乎一片空白。
B2A 的四根支柱
AI Agent 消费你的商品数据有四个主要入口。每个入口服务不同的 Agent 场景，但共同构成一个完整的"对 AI 可读"的基础设施。
支柱一：Schema.org 结构化标记
Schema.org 是 AI 的事实验证层。当 AI 需要回答"这个品牌可信吗？价格合理吗？退货方便吗？"时，它依赖的是网页中嵌入的结构化数据。
大多数品牌的 Schema 标记停留在基础级别：一个 Product 类型加上名称和价格。这远远不够。AI Agent 做出推荐决策时需要的是深度嵌套的语义图谱：
``json { "@type": "Product", "name": "...", "brand": { "@type": "Brand", "name": "...", "logo": "..." }, "offers": { "@type": "Offer", "price": "199.99", "priceCurrency": "USD", "availability": "InStock", "priceValidUntil": "2026-12-31", "shippingDetails": { "@type": "OfferShippingDetails", "shippingRate": { "@type": "MonetaryAmount", "value": "0", "currency": "USD" }, "deliveryTime": { "@type": "ShippingDeliveryTime", "businessDays": { "minValue": 3, "maxValue": 7 } } }, "hasMerchantReturnPolicy": { "@type": "MerchantReturnPolicy", "returnPolicyCategory": "MerchantReturnFiniteReturnWindow", "merchantReturnDays": 30, "returnFees": "FreeReturn" } }, "aggregateRating": { "@type": "AggregateRating", "ratingValue": "4.6", "reviewCount": "847" } } ``
Schema 的常见问题和后果：
问题 / 后果
只有 Product + name + price / AI 无法判断品牌可信度、退货风险、配送时效
价格与实际不一致 / AI 推荐后用户发现价格不对，信任受损，AI 学习到"这个品牌数据不可靠"
缺少 availability / AI 推荐了缺货商品，用户体验极差
缺少 AggregateRating / AI 无法用评分做推荐排序，你在比较中处于劣势
缺少退货政策 Schema / AI 无法确认退货条件，降低推荐置信度
Schema 存在但不完整 / 比没有更糟——AI 看到了部分数据，会假设缺失部分意味着"不提供"
实操检查清单：
- 在 Google Rich Results Test 中验证每个产品页面
- 确认 offers.availability 与实际库存同步
- 确认 offers.price 与购物车价格一致（包括促销价）
- 添加 shippingDetails 和 hasMerchantReturnPolicy
- 添加 aggregateRating（如果你有用户评价系统）
- 对 Shopify 店铺：检查主题是否输出完整的 JSON-LD，大多数 Shopify 主题的默认 Schema 不包含配送和退货信息
支柱二：llms.txt
llms.txt 是 AI 的目录导航。它告诉 AI："如果你只能读这个网站的 20-50 个页面，这些是最重要的。"
llms.txt 不是 sitemap 的翻版。Sitemap 列出所有页面，供搜索引擎全量抓取。llms.txt 精选高价值页面，供 AI 在有限的上下文窗口中快速理解你的品牌和产品。
格式规范：
```markdown
品牌名
一句话品牌定位
核心产品
政策
品牌故事
联系
```
- 客服: 联系方式和工作时间
llms.txt 的常见错误：
错误 / 修正
直接复制 sitemap.xml 的所有 URL / 精选 20-50 个最重要的页面
只列链接不加描述 / 每个链接附一句话描述——AI 用这些描述判断是否需要深入阅读
列出了登录后才能访问的页面 / 只列出公开可访问的页面
放在子目录里 / 必须放在根目录 /llms.txt
没有品牌定位摘要 / 开头加一段 50-100 字的品牌定位
重要提醒：llms.txt 不是 Google AI Overview 的必要条件。Google 的 AI 功能主要依赖 Schema.org 和 Google Merchant Center 数据。llms.txt 更多服务于 ChatGPT、Perplexity、Claude 等第三方 AI 平台。不要让销售团队把 llms.txt 包装成"让你出现在 Google AI 搜索结果中的必需品"。
支柱三：Product Feed
Product Feed 是 AI 购物的核心数据源。如果 Schema 是嵌入在网页中的结构化数据，Product Feed 是独立于网页的商品数据流——它直接进入 AI 系统的产品索引。
主要 Feed 渠道：
- Google Merchant Center：Google Shopping 和 Google AI Overview 的产品数据源。如果你不在 Google Merchant Center 里，你的产品在 Google AI 购物推荐中不存在。
- Shopify Agentic Storefronts：Shopify 的 AI 渠道管理。2026 年已默认激活，商家在 Admin 中管理品牌在 AI 渠道的展示。
- OpenAI Product Data：ChatGPT Shopping 的产品数据接口。目前主要通过 Shopify 和 Google Merchant Center 的数据流进入。
Feed 质量要求：
维度 / 要求 / 检查方法
价格准确性 / Feed 价格与网站实际价格一致 / 对比 Feed 和购物车价格
库存同步 / 缺货商品及时标记 out_of_stock / 检查上次同步时间
变体完整性 / 每个尺码/颜色/款式独立提交 / 检查变体覆盖率
图片质量 / 高分辨率主图 + 多角度图 / Google Merchant Center 诊断
GTIN/MPN / 有标准商品编号 / 检查覆盖率
配送和退货 / Feed 中包含配送时效和退货政策 / 检查字段完整性
评价数据 / 如果有评价系统，提交 reviews feed / Google Product Ratings
常见问题：很多品牌的 Feed 是手动上传或低频同步的。这意味着 AI 看到的可能是上周的价格、上个月的库存。在 Agentic Commerce 中，数据不准确等于不被推荐。
支柱四：UCP Manifest
UCP Manifest 是 AI Agent 发现商家能力的入口。它告诉 Agent："我这个商家支持什么——你可以查询我的目录、构建购物车、申请折扣、发起结账。"
放置路径：/.well-known/ucp/manifest.json
当前状态：UCP 仍在早期阶段，Google 和 Shopify 正在推动标准化。对大多数中小品牌来说，UCP Manifest 不是立即的优先项——Schema、llms.txt 和 Product Feed 的优先级更高。但对于年收入超过 500 万美元的品牌，关注 UCP 的发展并做早期准备是值得的。
四根支柱的协同关系
支柱 / 面向的 AI 场景 / 数据位置
Schema.org / AI 阅读你的网页时理解商品事实 / 嵌入在 HTML 页面中
llms.txt / AI 快速了解你的品牌和核心商品 / 网站根目录独立文件
Product Feed / AI 在产品索引中搜索和比较你的商品 / Google Merchant Center / Shopify 等平台
UCP Manifest / AI Agent 发现你支持的交易能力 / /.well-known/ucp/manifest.json
四者不互相替代——它们服务于 AI 的不同消费场景。Schema 让 AI 在阅读你的网页时获取结构化事实。llms.txt 让 AI 在有限上下文中快速定位。Product Feed 让 AI 在独立于你网站的产品搜索中找到你。UCP Manifest 让 AI Agent 知道你支持什么级别的自动化交易。
"AI 可读性"与"AI 推荐力"的差距
具备 B2A 基础设施（Schema + llms.txt + Feed + Manifest）不等于 AI 一定会推荐你。B2A 基础设施是必要条件，不是充分条件。
AI 的推荐决策还取决于：
- 品牌事实在 AI 知识中的准确性：如果 AI 的训练数据中包含了你的品牌的错误信息，它可能给出不准确的推荐或描述。
- 竞品的数据完整度：如果竞品的 Schema 比你更完整、Feed 比你更准确、评价比你更多，AI 可能在比较中倾向竞品。
- AI 平台的商业关系：某些 AI 平台可能优先展示与其有合作关系的品牌。
- 用户历史和偏好：AI 可能根据用户的历史行为个性化推荐结果。
但如果你的 B2A 基础设施不完整——Schema 缺失、Feed 过期、llms.txt 不存在——AI 在物理上无法读懂你，推荐不推荐的问题根本不存在。
Gravity 的 AI 搜索诊断如何帮助
Gravity 的 AI 搜索诊断服务检查你的 B2A 基础设施完整度：
- Schema 深度和准确性（不只是存在性，而是嵌套完整度和与实际商品的一致性）
- llms.txt 存在性和质量评分
- Product Feed 覆盖率和新鲜度
- AI Agent 实际抓取模式分析（通过 CitationGraph 的 Edge Lite 观测）
- AI 回答中你的品牌出现频率和描述准确性（通过 SOV 采样）
这不只是一个打分工具——它告诉你"AI 看到了什么、没看到什么、以及为什么 AI 可能不推荐你"。
下一篇预告
B2A 基础设施让 AI 能读懂你。但读懂你不等于把用户带到你的网站、更不等于产生订单。在 UCP 的发现端和 ACP 的结账端之间，有一整段"证据缺口"——AI 推荐了什么、用户是否点击、到达后做了什么、是否转化——没有任何协议或平台能完整度量。下一篇我们拆解这个缺口，以及为什么它对品牌至关重要。
FAQ
Q1: B2A 和 B2C 有什么区别？
A: B2C（Business-to-Consumer）是品牌面向人类消费者的体验优化——漂亮的图片、吸引人的文案、流畅的结账。B2A（Business-to-Agent）是品牌面向 AI Agent 的数据优化——结构化格式、可验证事实、实时准确性。两者不矛盾，品牌需要同时做好。
Q2: Schema 标记最重要的属性有哪些？
A: 对电商而言，最关键的 Schema 属性是：Product.offers.price（准确价格）、Product.offers.availability（库存状态）、Product.aggregateRating（评分）、Product.offers.shippingDetails（配送信息）、Product.offers.hasMerchantReturnPolicy（退货政策）。大多数品牌的 Schema 缺少后三项。
Q3: llms.txt 对 Google AI Overview 有用吗？
A: 有限。Google AI Overview 主要依赖 Schema.org 和 Google Merchant Center 数据，不依赖 llms.txt。llms.txt 更多服务于 ChatGPT、Perplexity、Claude 等第三方 AI 平台。不要把 llms.txt 当作"出现在 Google AI 结果中的必需品"。
Q4: 如果我用 Shopify，B2A 基础设施有多少是自动处理的？
A: Shopify 自动生成基础 Schema（Product + Offer），但通常不包含配送详情和退货政策。Shopify 的 Agentic Storefronts 自动处理 Product Feed 同步。llms.txt 需要手动创建。UCP Manifest 目前不需要手动处理，Shopify 正在集成。总体而言，Shopify 商家的 B2A 基础设施大约完成了 40-50%。
Q5: B2A 优化的投资回报是什么？
A: 直接回报是提高 AI 推荐概率。间接回报包括：(1) 提升 Google Rich Results 的展示质量（Schema 完善）；(2) 提高 Product Feed 的 Google Shopping 效果；(3) 为未来 UCP/ACP 集成做准备。Shopify 数据显示，出现在 AI 目录搜索中的商品转化率是普通 AI 搜索的约 2 倍——这意味着进入 AI 的产品索引本身就是高价值行为。