投了 200 篇种草文，AI 导购连一张“商品卡”都没给我们弹：一次 GEO 实操踩坑复盘

上周开月度复盘会，电商负责人抛出来一个挺扎心的问题:

“现在年轻人在买高客单价的东西之前，习惯先去问豆包、Kimi 或者元宝。我们上个月铺了小两百篇测评图文，为什么我去问 AI‘3000元以内哪款扫地机好用’，它长篇大论里提了我们一嘴，但底下弹出来的‘直接购买商品卡’，全是对家的?”

做过一线内容运营和投放的朋友应该都懂这种无力感。

以前做传统搜索（SEO）或者平台种草，逻辑很透明: 看搜索排名、看互动率、看回搜率。但到了生成式 AI(GEO)这儿，完全是个黑盒。为了搞清楚我们自己的核心 SKU 在各大 AI 平台到底是个什么待遇，上个月我们团队干了一件特别苦逼的事——人工肉测。

我让两个实习生列了30个消费者常问的导购问题，拿着自己的手机，每天在主流大模型里挨个提问、截图、填 Excel 表，统计我们的产品出现了几次、排第几。

干了三天我就叫停了。原因很简单:

1. 千人千面加上下文污染: 实习生自己的号平时一直在搜我们品牌，AI 顺着历史记忆狂推我们，换个干净的设备一测，根本没影儿;

2. 提问方式太主观: 运营自己凑的词，跟真实消费者带着预算、痛点去咨询的口吻完全两码事;

3. 抓不到“商品卡”规律: 现在大模型早就不是纯文字回复了，带图、带价格、带跳转链接的“商品卡（Goods Card）”才是真正能截流转化的黄金坑位，手工截图根本算不清触发概率。

就在我满世界找有没有现成的自动化脚本或者监控爬虫时，在一个做海外和国内 GEO 增长的同行群里，有人甩了一个 AIBase 工具箱里的内测级功能链接——「AI 商品推荐检测」（[app.aibase.com/zh/tools/goods-card]。

我顺着链接进去扒拉了一下午，把他们系统里自带的几个典型案例（像 iPhone18Pro、SK-II 神仙水、石头 P20Max 扫地机器人、华为 MateBook14）翻了个底朝天，顺便拿我们自己的几个主力单品跑了一遍。

说实话，跑完数据后，我之前对 AI 导购的好几个主观判断都被推翻了。今天不讲虚头巴脑的 GEO 概念，直接分享一下我是怎么用这个工具给 SKU 做“体检”的，以及从里面挖出来的几个实操细节。

一、 别搜品牌名，要测就测“具体到牙齿的型号”

刚打开 AIBase 这个检测页面时，我习惯性地想敲个品牌名进去看看大盘，结果输入框底下有一行很不起眼的提示:“建议输入具体商品或 SKU，仅输入品牌可能影响检测准确性。”

这一点非常符合真实大模型的推荐逻辑。

想想看，现在的消费者去问 AI，很少会问“华为怎么样”，他们问的都是:“预算5000左右，平时写代码加轻度剪辑，华为 MateBook14值得买吗? 和联想小新比哪个好?”

AIBase 这个工具聪明的地方在于，你只要把具体的单品（比如 石头P20Max扫地机器人）喂给它，它不是傻乎乎地去问 AI“石头 P20Max 好不好”，而是在后台自动根据这个商品的属性，生成一批典型的消费者真实咨询问题（比如防缠绕需求、同价位横评、上下水选购场景等），然后拿着这批模拟真实买家的问题，去向各大 AI 平台发起并发检测。

这就直接帮我们省掉了最头疼的“凑 Prompt（提示词）”环节，而且每次检测都在干净的沙盒环境里跑，排除了账号历史记忆的干扰。

二、 拆解四个核心维度: 哪里是真流量，哪里是假自嗨?

如果你点开它后台已经跑出来的几个公开案例（比如10月12号刚跑出来的 SK-II神仙水 和 石头P20Max），你会发现它不给你搞那种看半天看不懂的复杂雷达图，只盯死了和电商转化最息息相关的四个指标:

1. 推荐情况

这是最基础的及格线。在系统自动生成的几十个典型消费提问里，AI 到底提没提你? 如果连提都没提，说明你的产品在全网的底层语料库里存在明显断层——要么是新品刚发还没被联网搜索抓取，要么是你的种草内容全是感性口水话，缺乏能被大模型提取的结构化参数。

2. 推荐位置

很多品牌喜欢拿“AI 提及率”去交差，其实这很容易自欺欺人。

我在翻看华为 MateBook14和 iPhone18Pro 的案例对比时发现，同样是被推荐，排在回答的第一顺位（首推），和排在第四、第五个“其他备选”里，用户的点击心智差了十万八千里。AIBase 会直接把每次提问里该 SKU 出现的顺位扒出来。如果你发现自家产品总是出现在回答末尾的“此外，你还可以考虑……”里，说明在同品类权重的卡位上，你已经被竞品压制了。

3. 商品卡出现频次

这是我用这个工具觉得最值回票价的地方。

现在各大 AI 平台都在加快商业化闭环，回答里直接挂载“商品卡”** 已经是标配。有的时候，AI 在正文里夸了你两百字，但底下偏偏只弹出了竞品的商品卡片——用户顺手一点就去竞品店里下单了，你前面铺垫的内容全给别人做了嫁衣。

AIBase 专门把 **“是否展示商品卡”以及“商品卡出现频次”单独拎出来做成了核心指标。跑一下自己的 SKU，如果发现文字推荐率高达70%，但商品卡弹出率只有10%，那就得立刻去排查: 是不是电商平台标准商品库（SPU/SKU 命名规范）、官方百科词条或者权威测评站点的结构化数据没对齐，导致 AI 无法顺利关联合格的商品卡片?

4. 同场景竞品对比

在跑 SK-II神仙水 这类高竞争美妆单品时，这个维度特别刺激。

当我们问“混油皮抗老精华水怎么选”时，你的单品没出现不可怕，可怕的是你不知道是谁顶替了你的位置。工具会把同一个消费咨询场景下，顺带被 AI 捞出来的竞争商品全部列出来做横向对比。

我们自己测一款中端家电时就发现，原本我们一直防着行业老大和老二，结果跑完数据一看，在“租房党高性价比”这个细分提问下，高频跳出来截胡商品卡的，居然是一个刚起盘不到半年的新锐白牌。这种隐蔽的竞品动态，靠平时盯着天猫京东生意参谋是很难提前察觉的。

三、 拿到检测报告后，运营团队该怎么改动作?

工具只是个听诊器，查出问题后怎么改才见真章。结合这两天用 AIBase 跑出来的数据，我们内部把接下来的内容和投放动作做了三点调整，供大家参考:

• 第一，如果“推荐情况”低、上不了桌: 停掉那些纯情绪价值的软广。去补齐太平洋、知乎专业回答、什么值得买等高权重信源的参数对比表、长测横评。大模型极度偏爱逻辑严密、带具体测试数据的结构化内容。

• 第二，如果上了桌，但“推荐位置”靠后: 去看报告里的“竞品对比”模块，把排在第一顺位的竞品高频绑定的场景词扒下来。比如竞品死死咬住了“母婴级静音”，那你在铺下一波内容时，就必须在标题和首段强行建立自家具体型号与细分痛点词的强关联。

• 第三，如果文字提了，但“商品卡”死活不弹: 重点检查全网分发内容里的产品名称规范度。很多媒介发稿时喜欢用昵称、简称，导致大模型在调用商品库接口时无法精准匹配到标准 SKU 卡片。在所有对外公关稿、达人 Brief 里，强制要求至少出现一次完整的官方标准型号名（例如完整的“石头 P20Max 扫地机器人”而不是只写“石头新款 P20”）。

如果你手头也管着具体的硬件、美妆、家电或者快消单品，与其天天听服务商在群里吹概念，不如花五分钟去 AIBase 把自家的核心 SKU 输进去跑一遍。看看在真实的 AI 导购黑盒里，你的产品到底排第几、商品卡能不能弹出来——有些数据，自己亲眼看一次比开十次脑暴会都管用。

附: 文内提到的实操工具入口:https://app.aibase.com/zh/tools/goods-card