AI 购物代理开始读商品图：接口、尺寸和标签别修糊

致还在盯商品图细节的电商负责人：

这封信写在 2026 年 5 月 24 日下午。广州天河下过一阵雨，工作室里 8 个人刚把一组酒店小电器详情页收尾。内部复盘时，小赵把 36 张图摊在屏幕上，说了一句很扎心的话：以前客户嫌图不够好看，现在平台、买家和 AI 都在问同一件事，图里到底有没有证据。

我做修图 18 年，前两次工作室关门，都不是因为审美不行，而是因为交付链路太松。第三次创业到第 6 年，我反而越来越怕那种“漂亮但读不出信息”的图。现在这个怕，又多了一层原因：AI 购物代理正在进入购物流程。

图注：AI 购物代理会同时读取图片和商品数据

你不能只把它当海外新闻看

据 Google 2026 年 5 月 19 日官方博客，Universal Cart 被放在 agentic commerce 的基础设施里讲，背后连着 Gemini、Shopping Graph、跨商家购物车、价格历史、库存提醒和兼容性检查。原文提到 Shopping Graph 已覆盖 600 亿以上商品 listing，用户在 Google 上每天发生超过 10 亿次购物相关行为。来源是 Google 官方发布，不是行业群里的转述。

再往前看，Google 2026 年 3 月 19 日关于 Universal Commerce Protocol 的更新里，UCP 已经把 catalog capability 写得很直白：购物代理可以在需要时读取零售商目录里的实时商品详情，比如变体、库存和价格。到这里，商品信息不再只给人看，也要给系统读。

我不是说国内商家明天就要按 Google 的玩法重做详情页。中国平台的规则、流量分发和支付链路都不一样，不能直接照搬。但你要看方向：购物入口越来越会理解图片、文本和商品数据之间的关系。Google 2025 年 9 月 30 日 AI Mode 视觉搜索更新也说得很清楚，用户可以用自然语言描述想买什么，系统结合 Shopping Graph 给出视觉购物结果，并能更细地理解图片里的次要物体和上下文。

所以问题不是“AI 购物代理来了没来中国”。问题是，你今天的商品图，能不能经得起更细的机器理解。

人看的图，要留情绪；机器读的图，要留证据

电商图过去常被拆成两类：一类负责转化，一类负责说明。主图要干净，详情图要完整。这个分法以后还在，但中间会多出一类任务：证据可读。

举个假设场景，不计入真实项目数据。一个手机散热背夹，主图修得黑得发亮，灯效也酷。人第一眼会觉得高级。可 AI 代理如果要帮用户判断“能不能夹住 8.2 毫米厚的手机壳”“接口是不是 Type-C”“会不会挡住侧边按键”，它需要看到夹臂结构、接口方向、风扇叶保护网和尺寸参照。你把这些都磨成一片黑，图对人是广告，对机器就是噪声。

内部复盘里我们遇到过类似问题。2026 年 4 月，团队实际经验里有一批 650 张月度图要做标准化，其中 47 张小电器图的接口、功率标、警示贴被修得太“统一”。不是错到不能上架，是客服后面解释起来很累。小赵把其中 12 张挑出来逐张看，结论很简单：清爽不等于可信，统一不等于可读。

这和 商品图进 Photoshop 收尾前，先做这 6 个判断 讲的是同一条线。AI 初修后，不要急着把图交出去。先看文字、边缘、阴影、尺寸和交付渠道。以后还要加一项：这张图里的关键证据，有没有被修图流程吞掉。

以后会被追问的，不是“图够不够高级”

据 Google Merchant Center Help 关于 AI-generated content 的说明，生成式 AI 创建的图片需要保留相应的 IPTC DigitalSourceType 元数据，AI 生成的 title 和 description 也要走 structured title / structured description 这类结构化字段。这个规则目前是 Google 购物生态里的要求，中国商家不该把它当成本土平台规则。但它提醒了一件事：平台越来越关心内容是怎么来的，也关心商品数据和视觉素材能不能对上。

我看电商团队下一轮会被追问的，可能是这几件事：

接口有没有被修错。USB-C、Lightning、三孔插、螺纹口、卡扣方向，这些不是装饰。

尺寸有没有参照。手持、尺码线、孔距、厚度、容量线，不能只靠详情页文字补。

标签有没有可读。功率、材质、批次、有效期、左右标、警示贴，图里错了，客服和退货会替你补课。

材质有没有保真。金属、玻璃、织物、塑料、硅胶，AI 很容易把质感修得“更顺”，但买家收到货时会拿手感来算账。

这也是为什么我更建议把图叮放在“证据保护”的位置，而不是只把它当成“让图好看”的按钮。图叮能做清理、扩图、局部保护和批量处理，但团队要先定义哪些地方不能动。没有这张锁区表，再好的工具也会把错修得更统一。

图叮这类工具，适合接管重复活，不适合替你判断事实

我跟很多老板聊过，他们最容易把 AI 修图想成一条直线：原图丢进去，漂亮图出来。这条线太危险。真正能长期跑的工作流，应该是三段。

第一段是事实标注。运营或摄影师先圈出证据区：尺寸线、接口、标签、包装封口、左右方向、材质纹理。不要嫌麻烦，5 分钟标注能少掉后面 50 分钟扯皮。

第二段才是图叮处理。背景清理、瑕疵修复、扩图补边、光影统一，这些重复活让 AI 做。和 GPT Image 2 的 3 种典型工作流 里说的一样，AI 更适合做视觉底稿和批量执行，主体事实仍然要靠真实素材守住。

第三段是人工验收。验收不是再挑审美，而是逐项看证据有没有漂移。对 3C、汽配、母婴、食品、工业品这种品类，验收表要比普通服饰图更硬。比如接口方向、警示语、日期码、孔距、密封圈、承重标，错一个就可能变成售后问题。

如果你做的是 3C 或小家电，也可以回头看 GPT Image 2 做 3C 数码产品图：4 条路径的能与不能。那篇讲得更细：白底、场景、细节和规格对比不是同一条路径。AI 能帮前两类提速，后两类必须更谨慎。

截至 2026 年 5 月，我会先改这张检查表

截至 2026 年 5 月，AI 购物代理还在快速变化，Google Universal Cart 也先从美国等市场滚动推出。我们不能把海外产品节奏直接当成国内平台要求。可从交付角度看，检查表已经可以先改。

图注：四格检查表帮助锁住商品证据区

我建议你把每个商品图项目拆成 4 个格子：

第一格，视觉吸引。主图是否干净、构图是否聚焦、色彩是否贴合类目。

第二格，购买判断。买家需要哪些信息才能决定买不买，比如尺寸、材质、适配型号、使用场景。

第三格，机器可读。图里哪些线索可能被搜索、推荐、代理或视觉识别系统拿去理解，比如产品形态、接口、包装标识、场景物体。

第四格，修图禁区。哪些区域禁止 AI 改写，只能清理噪点或微调曝光。

这张表不复杂，但能让团队从“修好看”转成“修到能交付”。我们工作室后来对年框客户就是这么做的。客户少一点，毛利反而稳一点，因为每次返工都能回到同一张表上谈，不用靠感觉争。

愿你的下一组商品图，不只是漂亮，也能经得起人和机器一起放大看。

一个还在盯交付细节的人，2026 年 5 月 24 日于广州天河。