为什么没有机器优先的数据架构支持，你的对话式AI只是一个昂贵的玩具。
TL;DR
- 如果没有为机器而非仅仅为人类构建的后端，你的新AI购物代理将毫无用处。代理式商务（agentic commerce）的真正工作不是聊天机器人用户界面；它是对你的产品数据进行深度重新架构，使其成为语义图，并将你的用户数据转化为预测性事件流。
- 领先的推荐引擎，如Shopify的，现在是生成模型，它将整个购物者旅程视为一个事件序列。它们不只是匹配产品；它们基于数十亿个数据点预测下一个逻辑动作、购买或广告查看[2]。
- 你的产品信息管理（PIM）系统不再是一个内容存储库。它是AI代理的“决策基础设施”。如果你的数据没有完美地结构化、完整且机器可读，你的产品将对代理主导的发现隐形，从而有效地将你从下一代搜索中剔除[1]。
上周我在Abbot Kinney的Alfred咖啡馆喝咖啡，看到旁边有人在手机上尝试购买一款特定类型的跑鞋，结果越来越沮丧。他们输入“男士越野跑鞋，高足弓支撑，防水，尺码11，适用于松散碎石路面”。该网站是一个全球主要品牌，却返回了一堆公路跑鞋、几双登山靴，以及一双9码的越野跑鞋。用户放弃并打开了亚马逊。这不仅仅是一个搜索问题；这是一个架构问题。
那个品牌的网站是为人类浏览而构建的。它期望你点击“男士”，然后“鞋子”，然后“跑步”，然后应用一系列可能有效也可能无效的过滤器。这是一个围绕目录结构而非用户意图设计的系统。在快速整合的代理式商务（agentic commerce）世界中，这种模式是死路一条。
AI购物代理不会“浏览”。它会以复杂的查询审问你的系统，并期望得到一个结构化的、机器可读的答案。它不仅需要理解产品属性，还需要理解关系：哪些鞋垫与哪些鞋子兼容，该特定商品的退货政策是什么，以及是否可以在周五之前送达西好莱坞的地址。如果你的后端无法以语义精度提供这些答案，代理和你的客户将简单地转向别处。新的数字货架不再是你的网站；它是你的API端点，其客户是机器。
为什么你的产品数据还在讲人类语言？
多年来，我们一直将产品详情页（PDP）视为数字宣传册。我们用漂亮的营销文案、高分辨率图片和用户评论填充它们——所有这些都是为了说服人类。但这不再是主要受众。你PDP最重要的访问者现在是AI爬虫或代理式服务（agentic service），试图以结构化方式理解你的产品。
这些系统不关心你的品牌故事。它们关心你的模式（schema）。
亚马逊多年来一直明白这一点。他们的内部产品图谱不仅仅是一个目录；它是一个庞大的关系数据库，理解产品兼容性、用例和履约物流[1]。当AI在其平台上推荐产品时，它不仅仅是匹配关键词；它是在这个图谱上进行推理。谷歌的购物图谱也是如此——一项巨大的努力，旨在结构化全球产品信息，以便他们的AI代理能够有效地使用它[1]。
这意味着你的PIM和PXM系统需要进行根本性的重新思考。它们不再仅仅是管理营销文案的工具。它们是你的商务AI架构（commerce AI architecture）的基石。它们的新工作是充当“决策基础设施”，提供AI代理甚至在查询中考虑你的产品所需的干净、标准化和深度丰富的属性[1]。一个缺失的属性——比如织物是“防水”还是“防泼水”——可能会让你的产品完全被代理的考虑集排除在外。
认为你只需在传统电子商务平台之上叠加一个对话式AI，就像雇佣一个精通每种语言的优秀翻译，却给他们一个所有书籍都是空白的图书馆。界面很智能，但知识库是空的。
序列就是故事：你只是在销售产品还是在预测旅程？
当今最复杂的推荐引擎已经远远超越了协同过滤（“购买此商品的顾客也购买了……”）。新的前沿是生成式、基于序列的建模。Shopify的内部推荐引擎是这种架构转变的典型例子。他们将整个买家旅程——每次搜索、页面浏览、广告点击、加入购物车和购买，跨越其平台上的每个商店——视为一个单一的、原始的事件序列[2]。
他们的系统是一个自回归模型（autoregressive model），它学习这些序列中的模式以预测下一个可能发生的事件。它不只是问：“哪个产品与此产品相似？”它在问：“鉴于此用户在过去90天内的特定旅程，从Shop应用程序上的浏览到点击Instagram上的广告，他们现在最可能想看到的单一产品或内容是什么？”
这是一个深刻的变化。它将推荐从产品匹配问题重新定义为旅程预测问题。实现这一点所需的架构并非微不足道。Shopify基于分层序列Transformer（HSTU）构建了他们的系统，但为了商务规模对其进行了大量修改，添加了时间感知编码以捕捉季节性，并设计了自定义CUDA内核以在数十亿事件和数百万产品中保持低延迟[2]。
以下是数据如何流动的简化视图：