# AEO for 電商產業 — 商品被 AI 引用的完整指南

> 由 CiphLens 團隊整理 · 來源：GitHub Copilot 研究 · 繁體中文

---

● Web Search (MCP: github-mcp-server) · Product schema structured data AI answer engine optimizatio…
  └ {"type":"output_text","text":{"value":"Certainly! Here’s a comprehensive...

● Web Search (MCP: github-mcp-server) · momo PChome 蝦皮 露天 structured data schema.org AEO SEO 20…
  └ {"type":"output_text","text":{"value":"你的問題涉及
    **momo、PChome、蝦皮、露天**等電商平台...

● Web Search (MCP: github-mcp-server) · schema.org Product Review AggregateRating JSON-LD GitHub op…
  └ {"type":"output_text","text":{"value":"If you're looking to implement **...

● Web Search (MCP: github-mcp-server) · AI citation product recommendation Perplexity ChatGPT Bing …
  └ {"type":"output_text","text":{"value":"Recent 2024–2026 research on AI c...

以下是完整文件：

---

# 電商網站的 AI 引擎能見度優化：讓 AI 在商品推薦對話中主動提及你的商品

## 前言：從搜尋引擎到 AI 引擎的典範轉移

電商競爭的戰場正在悄悄移動。過去十年，業者熟悉的 SEO 邏輯是「讓 Google 把你排在第一頁」；而 2024 年之後，新的問題變成了：「當消費者問 ChatGPT、Perplexity、Bing Copilot 或 Google AI Overviews『推薦我一款好用的空氣清淨機』時，你的商品會不會出現在答案裡？」

這個新興領域稱為 **Answer Engine Optimization（AEO，答案引擎優化）**，或更廣義的 **Generative Engine Optimization（GEO）**。研究顯示，AI 引擎的回答不是隨機選字，而是系統性地偏好結構化資料完整、評論豐富、內容權威的電商頁面。針對 100,000 筆以上 ChatGPT 回應的大規模分析發現，具備完整 schema.org 標記的商品頁，被 AI 引用的機率是未標記頁面的 **2.3 倍**。

本文將系統性地介紹電商網站該如何部署結構化資料與內容策略，以提升在 AI 推薦對話中的能見度，並以台灣本土主要電商平台（momo、PChome、蝦皮、露天）的現況為例，輔以開源工具與研究文獻，提供可落地執行的實務建議。

---

## 一、Product Schema：AI 理解商品的語意基礎

### 1.1 為什麼結構化資料是 AI 的「母語」

大型語言模型（LLM）在索引網頁時，優先解析機器可讀的語意標記，而非純文字段落。`schema.org/Product` 是由 Google、Microsoft、Yahoo、Yandex 共同維護的詞彙表，提供 AI 引擎一套無歧義的欄位定義，確保「價格」不會被誤讀為「評分」、「庫存狀態」不會被混淆為「出貨時間」。

JSON-LD 是目前 Google 官方推薦、也是業界主流的嵌入方式，相較於 Microdata 或 RDFa，JSON-LD 不與 HTML 結構耦合，更易於維護與動態渲染。

### 1.2 基礎 Product 標記範例

```json
{
  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "小米空氣清淨機 4 Pro",
  "image": [
    "https://example.com/images/mi-air4pro-front.jpg",
    "https://example.com/images/mi-air4pro-side.jpg"
  ],
  "description": "適用坪數 48 坪，三層濾網，CADR 值 500 m³/h，支援 App 遠端控制。",
  "sku": "MI-AP4P-TWN",
  "gtin13": "4710473799012",
  "mpn": "AC-M16-SC",
  "brand": {
    "@type": "Brand",
    "name": "小米"
  },
  "offers": {
    "@type": "Offer",
    "url": "https://example.com/products/mi-air4pro",
    "priceCurrency": "TWD",
    "price": "5990",
    "priceValidUntil": "2025-12-31",
    "availability": "https://schema.org/InStock",
    "itemCondition": "https://schema.org/NewCondition",
    "shippingDetails": {
      "@type": "OfferShippingDetails",
      "shippingRate": {
        "@type": "MonetaryAmount",
        "value": "0",
        "currency": "TWD"
      },
      "deliveryTime": {
        "@type": "ShippingDeliveryTime",
        "handlingTime": {
          "@type": "QuantitativeValue",
          "minValue": 0,
          "maxValue": 1,
          "unitCode": "DAY"
        },
        "transitTime": {
          "@type": "QuantitativeValue",
          "minValue": 1,
          "maxValue": 3,
          "unitCode": "DAY"
        }
      }
    }
  }
}
```

### 1.3 關鍵欄位說明

| 欄位 | 重要性 | 說明 |
|------|--------|------|
| `gtin13` / `gtin8` / `isbn` | 極高 | 全球商品識別碼，AI 可跨平台比對同一商品 |
| `mpn` | 高 | 製造商型號，利於跨電商價格比較 |
| `priceValidUntil` | 中高 | 告知 AI 價格的有效期限，避免過期資訊被引用 |
| `shippingDetails` | 中 | 影響 Google 購物廣告與 AI 購物摘要 |
| `hasMerchantReturnPolicy` | 中 | 退換貨政策，提升消費者信任度 |

---

## 二、價格與庫存 Markup 的精細化

### 2.1 動態庫存的挑戰

庫存和價格是電商資料中最頻繁變動的欄位。若結構化資料顯示「有庫存」，但消費者點入後發現已售罄，不僅傷害使用者體驗，更會導致 Google 和 AI 引擎對該網站的資料可信度降低。

推薦做法：
- **伺服器端渲染（SSR）**或 **邊緣快取更新（Edge Cache Invalidation）**確保 JSON-LD 與資料庫同步
- 庫存歸零時立即將 `availability` 切換為 `https://schema.org/OutOfStock`，同時可加上 `https://schema.org/BackOrder`（預購）或 `https://schema.org/PreOrder`
- 使用 `PriceSpecification` 描述分期價或折扣價

### 2.2 多賣場 / 多規格的 Offer 陣列

當同一商品有多個 SKU（如不同顏色、容量）時，可使用 `AggregateOffer` 標記價格範圍：

```json
{
  "@type": "AggregateOffer",
  "lowPrice": "4990",
  "highPrice": "6490",
  "priceCurrency": "TWD",
  "offerCount": "3"
}
```

這讓 AI 在比較商品時能呈現「NT$4,990 起」的精確資訊，避免回答出錯誤價格而降低平台可信度。

### 2.3 開源工具參考

- **[structured-data-testing-tool](https://github.com/glitchdigital/structured-data-testing-tool)**：命令列工具，可在 CI/CD 流程中自動驗證 schema.org 標記的完整性與正確性
- **[schema-dts](https://github.com/google/schema-dts)**（Google 官方）：提供 TypeScript 型別定義，讓開發者在編寫 JSON-LD 時獲得 IDE 自動補全與型別檢查，大幅降低欄位拼錯的風險
- **[next-seo](https://github.com/garmeeh/next-seo)**：Next.js 生態系中廣泛使用的 SEO 套件，內建 `ProductJsonLd` 元件，支援 `offers`、`reviews`、`aggregateRating` 等欄位的聲明式語法

---

## 三、評論（Review）結構化資料：AI 信任的關鍵訊號

### 3.1 為何 Review Schema 對 AI 推薦至關重要

Perplexity 與 ChatGPT 的引用行為分析顯示，兩者都特別偏好含有第一人稱使用體驗的內容。`Review` schema 讓 AI 能夠：
1. 直接在摘要中引用評分數據（「平均 4.7 顆星，共 312 則評論」）
2. 辨識商品的優缺點維度（電池壽命、音質、CP 值等）
3. 建立對賣家的信任評估

### 3.2 AggregateRating + Review 完整範例

```json
{
  "@type": "Product",
  "name": "Sony WH-1000XM5 無線降噪耳機",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "bestRating": "5",
    "worstRating": "1",
    "reviewCount": "312"
  },
  "review": [
    {
      "@type": "Review",
      "author": { "@type": "Person", "name": "王小明" },
      "datePublished": "2025-03-15",
      "name": "降噪效果超越預期",
      "reviewBody": "通勤路上戴上去，捷運噪音幾乎消失，電池續航真的有到 30 小時。",
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": "5",
        "bestRating": "5"
      }
    }
  ]
}
```

### 3.3 避免的常見錯誤

- **不得捏造評論**：Google 的品質指南明確禁止虛假評論，且 AI 模型對評論語言的「自然度」有一定的判斷能力
- **`ratingValue` 必須是字串格式的數字**，非整數物件
- 若評論由第三方平台（如 Google Reviews、Facebook）匯入，需確認授權條款

---

## 四、商品比較頁優化：AI 最愛引用的內容格式

### 4.1 比較頁的 AEO 價值

研究顯示，超過 1,500 字的比較型長文（Comparison Guide）是 ChatGPT 與 Google AI Overviews 最常引用的電商內容類型之一。原因在於：AI 在回答「A 和 B 哪個比較好」這類問題時，天然地傾向引用已整理好對照表的頁面。

### 4.2 ItemList Schema 的運用

```json
{
  "@context": "https://schema.org",
  "@type": "ItemList",
  "name": "2025 年最佳空氣清淨機推薦",
  "description": "依據坪數、CADR 值、濾網更換成本綜合評比",
  "numberOfItems": 5,
  "itemListElement": [
    {
      "@type": "ListItem",
      "position": 1,
      "url": "https://example.com/products/dyson-purifier-hot-cool",
      "name": "Dyson Purifier Hot+Cool HP09"
    },
    {
      "@type": "ListItem",
      "position": 2,
      "url": "https://example.com/products/mi-air4pro",
      "name": "小米空氣清淨機 4 Pro"
    }
  ]
}
```

### 4.3 比較頁內容策略

優質比較頁的結構應包含：
1. **規格對照表**（HTML `<table>` + `caption`，讓 AI 解析語義更清晰）
2. **使用情境分類**（「小套房首選」、「大坪數家庭」）
3. **明確的推薦結論段落**，使用 FAQ schema 封裝常見問題
4. **引用可信賴來源**的測試數據（如消費者基金會報告、第三方評測機構）

---

## 五、台灣主要電商平台的 AEO 表現觀察

### 5.1 momo 購物網

momo 購物網（富邦媒）在台灣電商市占率排名第一，其商品頁已全面導入 `Product`、`Offer`、`AggregateRating` 的 JSON-LD 標記。值得注意的是，momo 採用伺服器端渲染確保爬蟲能在不執行 JavaScript 的情況下完整讀取結構化資料，這對 AI 引擎的索引效率有顯著幫助。

**待加強項目：**
- `shippingDetails` 欄位尚未完整實作（快速到貨標章目前主要為圖示而非結構化資料）
- 商品問與答（Q&A）頁面缺乏 `QAPage` schema，錯失 FAQ 型 AI 回答的引用機會

### 5.2 PChome 24h 購物

PChome 的技術架構較為老舊，部分商品頁仍依賴客戶端 JavaScript 渲染 schema，對不執行 JS 的爬蟲（包括部分 AI 索引器）可能造成漏讀。不過 PChome 在 `gtin` 與 `mpn` 欄位的填充率相對完整，有助於 AI 跨平台識別同一商品。

**特點：** PChome 商品頁通常包含詳細的技術規格表（`additionalProperty` 欄位），這對 AI 在回答「這支手機支援 5G 嗎」類型的問題時具有高引用價值。

### 5.3 蝦皮購物（Shopee Taiwan）

蝦皮的商品頁由個別賣家建立，品質參差不齊。蝦皮平台本身的 `schema.org` 標記以全站統一模板為主，因此 `reviewCount` 等動態欄位的準確性時有落差。

**AEO 挑戰：** 蝦皮的 URL 結構（含大量 query string 參數）和重複內容問題，對 AI 引擎正規化商品識別構成挑戰。建議賣家善用蝦皮的「商品描述」欄位填入結構化文字，提升被 AI 解析引用的機會。

### 5.4 露天拍賣（Ruten）

露天拍賣以二手商品和個人賣家為主，其 schema 標記相對基礎，`itemCondition` 欄位（新品 / 二手 / 整新品）的標記尤為重要，但目前整體覆蓋率偏低。隨著 AI 引擎在回答「哪裡可以買到便宜二手 XX」類問題時日益活躍，補強 `UsedCondition` 與 `RefurbishedCondition` 的標記將是露天的差異化機會。

---

## 六、跨境電商的 AEO 考量

### 6.1 多語系 Schema 的設計原則

台灣跨境電商（如 91APP 品牌官網、各品牌自建官網）若同時服務台灣、港澳、海外華語市場，需在 schema 中處理：

- **貨幣**：`priceCurrency` 使用 ISO 4217 代碼（TWD、HKD、USD）
- **`inLanguage`**：標記商品頁語言（`zh-TW`、`zh-HK`、`en`）
- **`availableAtOrFrom`**：搭配 `Place` 型別標記商品的實際出貨地區

```json
{
  "@type": "Offer",
  "priceCurrency": "TWD",
  "price": "2980",
  "eligibleRegion": {
    "@type": "Country",
    "name": "TW"
  },
  "availableDeliveryMethod": "http://purl.org/goodrelations/v1#DeliveryModeDirectDownload"
}
```

### 6.2 hreflang 與 Schema 的協同

AI 引擎在選擇引用哪個語言版本時，會參考 `hreflang` 標籤。建議在 `<head>` 中正確實作 `hreflang`，同時在各語言版本的 JSON-LD 中使用對應語言撰寫 `description`，避免英文版 schema 被引用到繁體中文 AI 回答中。

### 6.3 跨境稅費資訊的標記

針對海外消費者，`vatID`、`taxID` 欄位，以及 `OfferShippingDetails` 中的關稅說明，雖目前 AI 引擎尚未大量解析，但隨著 AI 購物助手功能的成熟，預期將成為重要信任訊號。

---

## 七、實務驗證流程與開源工具清單

| 工具 | 用途 | 連結 |
|------|------|------|
| Google Rich Results Test | 驗證 schema 是否符合 Google 富結果資格 | [官方工具](https://search.google.com/test/rich-results) |
| Schema Markup Validator | 符合 schema.org 規範驗證 | [validator.schema.org](https://validator.schema.org/) |
| schema-dts（Google） | TypeScript 型別安全的 JSON-LD 撰寫 | [github.com/google/schema-dts](https://github.com/google/schema-dts) |
| next-seo | Next.js 的 SEO / schema 元件庫 | [github.com/garmeeh/next-seo](https://github.com/garmeeh/next-seo) |
| structured-data-testing-tool | CI/CD 中自動化 schema 測試 | [github.com/glitchdigital/structured-data-testing-tool](https://github.com/glitchdigital/structured-data-testing-tool) |
| Saleor（開源電商後端） | 含 Product schema 的 GraphQL 電商平台 | [github.com/saleor/saleor](https://github.com/saleor/saleor) |
| Vue Storefront | PWA 電商前端，支援結構化資料 | [github.com/vuestorefront/vue-storefront](https://github.com/vuestorefront/vue-storefront) |

---

## 八、給電商團隊的行動清單

依優先順序排列：

1. **立即執行**：為每個商品頁加入完整 JSON-LD，至少涵蓋 `name`、`description`、`image`、`offers`（含 `price`、`priceCurrency`、`availability`、`priceValidUntil`）、`aggregateRating`
2. **一個月內**：補全 `gtin`/`mpn` 識別碼；部署庫存同步機制確保 `availability` 即時準確
3. **三個月內**：建立商品比較長文（>1,500 字），搭配 `ItemList` schema；為常見問題頁面加入 `FAQPage` schema
4. **持續優化**：監控 Google Search Console 的「Shopping」增強報告；追蹤品牌在 Perplexity、ChatGPT 搜尋的提及率；鼓勵真實買家在 Google 評論、PTT、Dcard 留下第一人稱使用心得

---

## 結語

AI 引擎在「推薦商品」對話中的引用邏輯，本質上是一場**語意清晰度**的競賽。schema.org 結構化資料是電商網站向 AI 說明自己的標準語言；豐富、真實的評論是建立信任的社會證明；結構完善的比較頁面則是 AI 最樂於引用的內容格式。

台灣的主要電商平台已具備基礎條件，但在動態庫存同步、問答 schema、跨境多語系標記等細節上仍有顯著的優化空間。對於品牌電商而言，這些差距恰好是在 AI 推薦時代脫穎而出的機會窗口。

> **延伸閱讀**
> - Hashmeta Research（2024）. *We Analyzed 100,000 ChatGPT Responses to Find What Gets Cited*. hashmeta.com
> - TrueMargin AI（2024）. *How AI Search Engines Choose Which Products to Recommend*. truemargin.ai
> - Google Developers. *Product structured data*. developers.google.com/search/docs/appearance/structured-data/product
> - schema.org/Product：https://schema.org/Product