Google在购物季指南里给商家出了新课题：商品目录要按AI时代的问法重做。AI Mode里的购物查询越来越长，买家不再搜“跑鞋”两个字，而是问“适合扁平足、价格五百以内、能慢跑也能通勤的鞋”。查询一长，能被AI挑中的商品，就得把自己讲得足够细。
这个变化的量级，Google自己的数据给了刻度：AI Mode里的查询平均长度是传统搜索的三倍，AI Mode的月活用户在2026年5月已经突破10亿，查询量每个季度翻倍以上。更关键的一个数字是，“which one”这类比较型追问的增速，比AI Mode整体查询增速还快40%。这意味着买家不是问一次就结束，他们会追着问“那这两双有什么区别”“宽脚掌的话选哪个”——AI要回答这些追问，必须能从一个商品的结构化数据里拆出可以逐项对比的字段，而不是在一段标题或描述里找关键词。一个feed里只填了品牌、品类、颜色、尺寸的商品，在“适合扁平足”这个条件面前是沉默的；AI不是不想推荐它，是找不到可以用来匹配的证据。
Feed里的对话式属性清单
指南点名的字段拉出来是一张长单：标题和图片是老几样，促销价也常规，新意在后半段，评分、配送和退货政策、客户问答、使用场景描述。这些统称对话式属性，AI回答长查询时就是从这些字段里取素材。字段空着一个，AI描述商品时就少一句话，被推荐的机会跟着缩水。
Google从2026年1月起在Merchant Center里陆续上线了一组专门为对话式体验设计的字段，官方文档在部分字段上标注的说明是“This attribute is primarily intended for use in conversational experiences such as AI Mode”。这组字段不是从旧的Shopping基础设施里改造过来的，是为自然语言查询重新设计的。六个核心字段各自解决一类问题，每一个都有格式和上限，填错格式和没填在AI眼里差别不大。
question_and_answer，每个商品最多30组问答，问题和答案各1,000字符上限。这是六个字段里信息密度最高的一项——它直接对应买家在决策前会问的具体问题，比如“能不能进洗碗机”“包不包括充电器”“宽脚掌穿会不会挤”。填充的素材不需要自己从头编，商品页上已有的售前咨询、退货理由里的高频问题、客服话术里的重复条目，都是现成的问答来源。AI在组织长查询的回答时，会优先从这些结构化的问答对里取用可以直接引用的事实。
document_link，附上产品相关PDF的URL，最多五个链接，每个URL 2,000字符上限。说明书、安装指南、规格表、检测报告都适合放在这里。这个字段的价值在于，AI在回答“这个安装需不需要额外工具”“这个材质有没有通过某项认证”这类需要引用文件的问题时，有一个可以直接指向的权威来源。一个只有图片和几行描述的商品页，和一个人feed里挂着安装手册PDF的商品，在AI回答“安装复不复杂”时，后者有东西可以引用，前者只能跳过。
related_product，定义商品之间的关系，每个商品最多30个关联项。关系类型有六种：substitute（替代品）、accessory（配件）、required_part（必需组件）、often_bought_with（常一起买）、different_brand（不同品牌的同类）、part_of_set（同系列/套装）。这个字段对“能慢跑也能通勤的鞋”这类场景化查询尤其有用——AI可以顺着often_bought_with把通勤场景需要的鞋垫或护理产品带出来，顺着accessory把搭配的袜子或鞋带带出来。它让AI在回答一个宽问题时，有一个可以展开的商品关系网络，而不是只指向一个孤立的SKU。
item_group_title和variant_option解决的是变体层面的问题。item_group_title是整个产品系列的共同名称，1到150字符，不包含变体信息，和item_group_id配合使用；variant_option描述具体变体之间的差异（颜色、尺寸、材质）。这两个字段合起来的效果，是让AI在回答“这个有没有宽版”“除了黑色还有什么颜色”时，能够从变体结构里提取出准确的答案，而不是把所有变体挤在一个标题里，让AI自己去猜。
popularity_rank，用百分比表达一个商品在卖家自己目录里的相对热度，数值越高表示排名越靠前。这个字段没有官方公布的算法权重，但它和评分、评论数一起，构成了AI判断“这个商品在当前是否值得被推荐”的外部信号。一个过去30天有新评论、popularity_rank靠前的商品，在“当前是否值得推荐”这个问题上，比一个两年前积累了高分但近期没有动静的商品更有优势。
用户原文提到的“配送和退货政策”和“使用场景描述”，在Google的官方字段清单里没有一一对应的独立属性，但它们分别落在两处。配送和退货政策的部分信息可以通过shipping和return_policy相关的标准字段表达，但AI在回答“这个退货方不方便”“多久能到”时，取用的不只是feed里的政策文本，还包括商家在Merchant Center里配置的配送服务和退货规则。使用场景和“best for”这类信息，最直接的落点是question_and_answer——把“适合什么场合”“解决什么问题”写成问答对，比塞进描述段落更接近AI的读取方式。Google自己的指南也建议在商品数据里加入intended use、best for、season、compatible with这类字段，它们直接映射到买家在对话里提出的条件。
给跨境卖家一份补全清单，按优先级排
第一步不是冲去填新字段，是先做一次属性深度审计。 把Merchant Center里每个活跃SKU的结构化属性数量数一遍。行业观察给出的基准线是：一个商品的结构化属性少于15个，在AI Mode里除了最基础的品类查询之外，大概率是不可见的。15个不是Google公布的官方门槛，但它指向的方向和Google文档里“对话式字段为AI设计”的措辞是一致的。一个SKU如果只有品牌、品类、颜色、尺寸、价格这五个字段，它在“适合扁平足的通勤跑鞋”这个问题面前没有任何可被匹配的维度。FeedArmy的案例给出了一个可对照的结果：一个客户仅仅改进了产品数据，没有动出价、没有换素材，Google广告表现提升了80%。
第二步，按商品的重要性分级补。 主力款和利润款最先补全，长尾商品分批跟上，购物季前把头部20%的商品弄扎实，流量的大头就接住了。补的顺序不是“从第一个SKU开始逐个填”，是先把同一个产品系列里变体最集中、被问得最多、利润最厚的那几个SKU挑出来，把question_and_answer填满，把document_link挂上，把related_product的关联关系建起来。一个SKU的question_and_answer填到10到15组，已经覆盖了买家在决策前最常问的问题；填到30组上限是理想状态，但10到15组的边际回报远高于从0到1。
第三步，场景描述用买家的语言写，素材从评论里翻。 写场景描述有一个比“自己编”更可靠的来源：商品的真实评价。买家在评价里描述使用场景的原话，本身就是最好的场景文案——“我扁平足，穿这双走了一天脚不酸”比“适合扁平足人群”更接近AI需要匹配的自然语言。把这些原话提炼成question_and_answer里的问答对，或者作为补充feed里的use-case字段，比堆参数更对AI的读取逻辑。Google自己的数据也显示，买家在AI Mode里追问最多的属性依次是价格、位置、颜色、品牌、可用性、尺寸、材质、风格、类型和质量——这些是具体的、事实性的属性，不是营销形容词。一个把颜色只做成色块图、把材质藏在规格图里的商品页，AI没有任何可以提取的事实。
第四步，客户问答主动填，不要等。 把售前咨询里高频的问题自问自答地填进question_and_answer，是六个字段里投入产出比最高的一项。一个做家居用品的卖家，客服每天被问“这个能不能放进洗碗机”“承重多少”“安装需要几个人”，这三个问题本身就是三组高质量的问答对。AI在回答长查询时，从这些问答对里取用素材，比从一段笼统的描述里推断要准确得多。
第五步，评分和评论的增速比绝对值更值得盯。 评分体系靠平日的积累，短期补不了，但评论的增长速度是一个可以在购物季前主动管理的变量。一个过去30天新增了20条评论的商品，在AI判断“当前是否值得推荐”时，比一个两年前积累了200条评论、最近半年没有新增的商品更占优势。邀请已购买家留评、把站内评论通过产品评论feed同步到Merchant Center，是购物季前可以做的动作。
购物季的节奏：数据更新有周期，别让技术细节拖后腿
Feed的数据更新有周期，改动提交后留意生效状态。Merchant Center的字段从提交到在AI Mode的检索中生效，中间有一段处理时间，不是提交完就立刻反映在AI的回答里。购物季开跑前一周需要做一轮全量检查：question_and_answer有没有因为商品改版被清空、document_link的PDF链接有没有失效、related_product的关联商品有没有下架、variant_option和当前在售的变体是否一致。一个在活动前三天才发现某个主力款的PDF链接返回404，比提前一周发现要难补救得多。
购物季是流量最贵的季节，也是AI推荐最活跃的季节。Feed补全这件事，早做的卖家在AI的答案里占位，晚做的在别人的答案里陪跑。今年的作业先交，明年的查询只会更长。