Amazon AEO 实操：COSMO 读取哪些页面信息

亚马逊 Answer Engine Optimization（AEO）是指通过结构化商品详情页，让亚马逊的 AI——COSMO 知识图谱以及建立在其上的 Alexa for Shopping 助手——能够判断你的产品是什么、面向谁、解决什么问题，并在消费者提问时将其作为答案推荐出来。2026 年，制胜的关键不在于堆砌更多关键词，而在于填满 COSMO 真正读取的结构化字段、拍摄视觉模型能够描述的图片，并让 A+ Content 发挥它确实能发挥的那一项作用。 有件事我想直说，因为这篇文章的早期版本是我写的，其中一部分是错的。当时普遍的建议——包括我的——是写 500 字以上的 A+ 文案，并为每张 A+ 图片配上描述性 alt 文本，好让算法能“读取”它们。此后浮出的证据表明，A+ 正文并不会被索引，而亚马逊已经悄悄把 alt 文本字段从卖家手中完全收回。这两项变化指向同一个方向，而这个方向并不是大多数 AEO 指南仍在指的方向。 ## COSMO 到底做什么？ COSMO 是一个常识知识图谱，不是文本爬虫。亚马逊自己在 SIGMOD 2024 的论文中描述了一个生产系统：630 万个节点、2900 万条知识边，覆盖 18 个商品品类，其构建并非来自商品详情页文案，而是来自消费者行为：从会话日志中采样的搜索-购买对和共同购买对，由 LLM 推断每次购买发生的原因，再由人工标注员筛选这些假设。 亚马逊公布的例子很有启发性。一次“winter coat”搜索最终导向一件羽绒服的购买，因为该产品“能够提供高水平的保暖”。这个推断出的关系——而非商品详情页里的文字——成为图谱中的一条边。当消费者之后提出一个对话式问题时，COSMO 已存储的这些边决定了哪几件产品能回答它。 这是生产级基础设施，不是实验室实验。亚马逊报告称，将 COSMO 部署到约 10% 的美国搜索流量后，产品销量提升了 0.7%，导航互动提升了 8%。以亚马逊的体量，0.7% 是一个非常大的数字。 建立在其上的助手层如今已极其庞大。亚马逊在 2026 年 2 月报告称，Rufus 已触达 3 亿消费者，并在 2025 年推动了近 120 亿美元的年化增量销售额；在其 2025 年 Q3 财报电话会上，亚马逊表示与其互动的消费者完成购买的比例高出 60%。2026 年 5 月 13 日，亚马逊停用 Rufus 品牌，将其并入 Alexa for Shopping。Workflow Labs 于 2026 年 4 月 17 日发布的研究发现，该助手在 2025 年黑色星期五期间处理了亚马逊全部会话的 38%——并将有效考虑集从大约 50 个结果压缩到约 5 个。 [2026 年的心智模型：你不是在为扫描器写作，也不是在为某一个 AI 写作。你是在喂养三个不同的系统，它们读取三种不同的东西——一个索引、一个视觉模型和一个行为图谱。大多数 AEO 建议之所以失败，是因为它们把针对其中一个系统的战术套用到了全部三个上。] ## 读-看-训分类法 你详情页上的每一个界面都在为亚马逊的 AI 承担三种工作中的恰好一种。分类正确，优化工作就变得显而易见；分类错误，你就会花几个月打磨根本没人读取的界面。我称之为读-看-训分类法（Read-Watch-Train Sort），这是在我管理过的账号中，最能帮我省下大量浪费时间的单一改变。 由此得出的规则是：关键词工作只属于 READ（读）。清晰度属于 WATCH（看）。说服力属于 TRAIN（训）。把关键词塞进 TRAIN 界面毫无作用，而且——更糟的是——在 TRAIN 界面上说服了错误的消费者，会主动教给 COSMO 一个你的产品并不服务的意图。 最后这种失败模式是没人会警告你的。如果你的 A+ banner 定位为户外使用，而你的产品实际上是家用款，那么它促成的户外查询转化就会成为搜索-购买对，把图谱训练向一个你终将让消费者失望的意图。随之而来的退货和差评则是同一 ASIN 上的额外负面信号。装饰性或者定位错误的 A+ 不仅帮不上忙——它还可能把图谱训练错。 ## READ（读）：结构化属性才是真正的排名杠杆 2026 年杠杆最高的 AEO 工作是毫不起眼的数据录入。后台发现属性——Subject Matter、Target Audience、Intended Use、Occasion，以及品类专属字段——直接喂养 COSMO，而且由于它们是结构化的分类法取值而非自由文本，系统会认为它们比写在 bullet point 里的同一说法更可靠。bullet point 是断言；属性是声明。 The gap here is enormous and almost entirely unexploited. Workflow Labs' April 2026 catalog audits found more than half of brands had wrong or missing structured content across their portfolios, and that products with 90%-plus field completion showed two to three times better assistant visibility than sparse profiles. A brand with beautiful copy and empty backend fields is functionally invisible to Alexa for Shopping. 另外两个 READ 界面今年形态发生了变化，而大多数商品详情页还没跟上： ## WATCH（看）：图片现在就是元数据 亚马逊的助手是多模态的，使用亚马逊自己的计算机视觉模型来解读产品图片——产品长什么样、谁使用、在什么场景下使用。它不需要你的 alt 文本就能做到这一点，这正是亚马逊收回该字段的原因。优化杠杆已从元数据转移到了图片本身。 白底产品主图告诉视觉模型这个物体长什么样。它对物体用途、谁购买、解决什么问题只字未提。在 COSMO 下胜出的商品详情页会以视觉方式回答这些问题： • 构建主图时让使用场景清晰可辨——真实环境、清晰的尺寸参照，以及面向目标买家的视觉线索——这样模型既能判断它是什么，也能判断它面向谁。 • 用信息密度高的图标信息图替换装饰性图标信息图：真实尺寸、明确的买家类型、产品使用的具体表面或场景。叠加文字可被 OCR 读取，所以像“removes pet hair from car seats”这样的简短卖点句能同时引导视觉模型、消费者和 Google 的抓取。 • 拍摄展示真人使用产品的生活方式图片。一个场景在一帧画面中回答了谁、在哪、在做什么——这是图谱明确构建来存储的三种关系类型。 • 让每张图片都强化你文字所表达的同一主张。如果 Item Highlights 说它适配标准车载杯架，就把它放在杯架里展示。 • 为每个变体提供各自的图片。在变体间复用一张通用图，等于要求模型去区分你已做成完全相同的产品。 一个诚实的提醒：在 A+ Content 之外，描述性 alt 文本对无障碍合规以及 Google 对你详情页的抓取仍有价值，后者能带来外部流量，而亚马逊会奖励这种流量。在还能写的地方就写。只是别再指望它单独承担排名权重。 ## TRAIN（训）：A+ Content 不被索引，而这正是重点 A+ Content 仍然是你页面上最有价值的界面之一——亚马逊自己的材料称 Basic A+ 最高可带来 8% 的销售提升，Premium A+ 最高可达 20%。变化的是它为何重要。它不是在喂养爬虫；它是在制造那些书写 COSMO 边的转化。它在某个具体查询上促成的每一笔销售，都是一个训练信号，告诉系统哪件产品能回答该查询。 这种重新框定有实际后果。按意图而非按字数来构建模块： 1. 选出三到五个你最想占据的购买问题，用消费者的措辞，而不是你品类的行话。 2. 为每个问题分配一个模块。生活方式图片和视频承载使用语境（“used for”、“used in”、“used on”）。对比图表承载身份和替代关系——针对具名替代品构建，并标明各自适合的买家，而不是针对你自己的变体。 3. 用 Brand Story 承载受众契合度：品牌面向谁、为什么，表述得足够直白，让模型可以直接引用。 4. 删除任何会促成你无法满足的消费者的内容。不匹配的转化比没有转化更糟。 5. 即使 A+ 已覆盖发布，也要保持后台产品描述字段为最新。 Premium A+ 值得争取，因为它解锁了 Q&A 模块和更丰富的对比格式——这是每个位置信息密度最高的两个结构化界面。资格门槛有一个术语陷阱：亚马逊统计的是已批准的 A+ 项目提交数，而非设计模块数，当前门槛是过去 12 个月内五个，而不是旧指南仍在引用的 15 个。 ## 如何在真实商品详情页上运行这套分类？ 以下是可重复的流程。第一次每个 ASIN 大约需要 45 分钟，后续轮次可能 15 分钟，而且它颠覆了旧的“关键词优先”工作流：你从问题出发，再倒推回各个界面。 1. 写下十个问题。消费者实际想达成什么？“Will this fit a 10-gallon tank?”“Is this safe for a newborn?”“Does it work on tile?”从你自己的评论、Q&A 和退货原因中提取措辞——这是大多数卖家从不挖掘的免费意图数据。 2. 对照这十个问题审计你的 READ 界面。打开 Edit Product Info，数一数有多少属性字段已填写。目标 90% 或更高。用具体的分类法取值填写 Subject Matter、Target Audience、Intended Use 和 Occasion，不要用模糊的。 3. 按 75 个字符重建标题，把溢出的内容移到 Item Highlights。以品牌、产品类型和决定购买的那一个差异化点开头。 4. 如果 A+ 已上线而你停止了维护，恢复后台产品描述。 5. 审计你的 WATCH 界面。对十个问题中的每一个，问是否有任何单张图片无需配文就能回答它。如果没有，那就是一个拍摄需求。 6. 审计你的 TRAIN 界面。把每个 A+ 模块映射到一个意图。删掉或重写任何会促成你无法满足的消费者的内容。 7. 等待 7 到 14 天，然后测试。向 Alexa for Shopping 提出你针对的那个确切自然语言问题，看看你是否出现在它入围的五件产品中。每月重跑一次。 [值得了解的基准：ZonGuru 对 5000 多个在售商品详情页进行了 AI 就绪度评分，发现中位数为 65 分（满分 100）——语义映射中位数为 70，但助手 Q&A 覆盖率仅为 54。这两个数字之间的差距就是机会所在。大多数商品详情页只完成了一半，不足以适应当今的发现方式。] ## 这与你的广告花费在哪里交汇 自然侧和付费侧在 2026 年汇合了。Sponsored Products 和 Sponsored Brands 提示词——Alexa for Shopping 对话内的广告位——于 2026 年 3 月 25 日在美国从 beta 转为全面可用，活跃的 Sponsored Products 广告活动自动符合资格，无需单独选择加入。亚马逊报告称，与对话式提示互动的消费者中有 20% 会继续对话，而添加提示词使转化率提升了 6%。 ## 通用 AI 在哪里不够用——以及 SellerForge 在哪里契合 让一个通用聊天机器人写一份 COSMO 优化的商品详情页，它会产出能通过最佳实践清单的东西——而且，在我的测试中，它仍然会告诉你为索引写 500 字的 A+ 并塞满 alt 文本，因为大多数训练数据就是这么说的。它不了解你品类的意图格局、你竞争对手的定位，或者你哪些属性字段是空的。品类认知在这里就是全部。 ## 底线 亚马逊的发现层像一位细心的真人那样读取商品详情页，像视觉模型那样看你的图片，并从人们在提问后购买什么来学习你的产品是做什么的。这是三种不同的工作，需要三种不同的努力。在优化你的界面之前，先给它们分类。 如果你这周只做一件事，打开你排名前十的 ASIN 的 Edit Product Info，数一数空的属性字段。超过一半的品牌还没动这个杠杆，而这是你全年能找到的最便宜的曝光。