ChatGPT 购物开始读商品后，商品图别再只服务人眼

商品图接下来要同时服务两类用户：一个是真人买家，一个是替真人做初筛的 AI 购物助手。只把图修得清爽，已经不够了。

图注：商品图、feed 字段和对话购物路径正在合流

这个判断不是凭感觉来的。OpenAI 在 2026 年 3 月 24 日发布的商品发现说明里，把商家商品 feed、图片、价格、库存和跳转购买放进 ChatGPT 的购物路径；ACP Product Feed 文档也明确把 images、价格、库存、可购买链接放进结构化商品数据里。按产品经理的说法，商品图从“展示层”往前挪了一步，变成用户路径里的输入层。

如果团队还按旧逻辑出图，核心场景会很尴尬：真人看到一张干净主图觉得不错，AI 助手却无法从图里确认这是不是带盖款、是否含配件、材质是不是透明亚克力、包装是不是 2 件装。点击率可能没掉，误推荐、错推荐、售后问题会在后面冒出来。

证据一：商品发现入口正在从搜索框移到对话路径

官方来源先看清楚。OpenAI 的商品发现页面写到，商家可以让商品在 ChatGPT 中被发现，并通过 feed 提供商品信息；这个路径不是传统广告位，也不是单纯的图片搜索页，而是用户在对话里问“给我找一个适合小户型的折叠餐桌”“帮我比较几款猫砂盆”时，系统把商品候选拿出来。

这会改变素材的 A/B 验证目标。以前主图 A/B 测的是首屏点击，核心指标常是“哪张更吸睛”。现在多了一个前置问题：AI 购物助手能不能把这张图和结构化字段对上。

举个假设场景，不计入真实数据：同样是一个宠物饮水机，图 A 把水箱拍得发亮，背景很干净；图 B 没那么“高级”，但水位线、滤芯仓、出水口、插头位置都清楚。真人在列表页里可能更偏向图 A，可当用户问“适合经常出差、要看得见水量的猫咪饮水机”时，图 B 更容易和“可见水箱”“滤芯更换”“电源位置”这些判断点形成对应。

这里不是说商品图要变成说明书。真正的问题是：你要在核心场景里保留可被识别的证据。水位线、尺码贴、材质纹理、接口方向、包装数量，这些过去经常被修图师当成“杂点”处理掉；在对话购物路径里，它们可能就是系统给商品做匹配的依据。

图叮适合承接这类任务，不是因为它能把图一键修得更亮，而是因为它在 PS 工作流里可以把“清理背景”和“保留证据”拆成两个动作：先清理不影响商品判断的脏点，再把型号、材质、包装边界、关键接口锁住。这个用户路径不能靠审美口号解决，必须变成修图 SOP。

证据二：Product Feed 把图片变成可购买状态的一部分

ACP Product Feed 文档里，图片不是孤立资源，而是和 title、description、price、availability、url 这些字段一起出现。按团队实际经验看，这意味着素材审核不能只问“这张图有没有穿帮”，还要问“这张图和 feed 字段有没有互相打架”。

内部复盘里，我们把 2026 年 5 月第 3 周的一组电商素材检查拆成 4 个产品路径节点：搜索意图、候选比较、详情确认、购买跳转。最容易出错的不是背景没修干净，而是第 2、3 个节点的信息断层。图里看起来像套装，feed 标的是单件；图里把充电线修没了，描述里却写“含 Type-C 线”；图里保留了包装盒，库存实际是散装补货。

这些问题过去靠详情页客服解释，成本还在人工链路里。AI 购物助手参与初筛后，错误会提前发生。用户问的是“带线的”“两件装的”“适合 60cm 柜子的”，商品图如果把这些边界修模糊，系统可能把不该出现的 SKU 推出来。

图叮在这个节点的价值，是把商品图当成一个产品数据界面。产品经理做 PRD 时，会把字段、状态、异常路径写清楚；做商品图也一样，至少要把三类信息单独标出来：

• 购买边界：单件 / 套装、是否含配件、颜色和规格。
• 使用边界：接口、刻度、扣位、开合方向、承重或尺寸提示。
• 信任边界：批号、认证贴、追溯码、包装封签、售后标签。

这三类信息不是每张图都要全放。核心是 A/B 验证前先定义任务：这张图是负责吸引点击，还是负责让 AI 和真人共同确认“这就是我要买的那一款”。如果任务没定义，修图师只能按审美习惯处理，越修越干净，也越容易把证据链修断。

证据三：国内电商团队真正缺的是“图像证据清单”

把趋势落回国内团队，问题会更具体。很多店铺已经有标题规范、价格规范、库存规范，却没有商品图证据清单。运营交给外包一句“修自然点”，外包收到的是一张白底图，最后产物当然会优先追求干净、亮、统一。

真实项目脱敏：杭州滨江一个 18 人电商团队在做家居收纳 SKU 改版时，内部把素材链路拆成“运营选款、摄影出底图、修图出主图、客服补答疑”四段。复盘发现，客服追问最多的不是颜色，而是尺寸、开合方式、是否带轮、抽屉是否可拆。团队没有公开客户名，也不把这组数据当行业结论；但它说明一个产品路径问题：售前问答里的高频问题，应该反向进入商品图证据清单。

按这个思路，ChatGPT 购物和 ACP feed 带来的不是“赶快做 AI 风格图”，而是重新定义商品图的验收维度。以前验收主图，运营看 3 件事：主体是否清楚、背景是否干净、色差是否过大。现在至少要加 4 件事：

• 图里的关键证据是否和标题、规格、卖点一致。
• AI 修图有没有删除型号、标签、接口、刻度、材质纹理。
• 首图和详情图是否各自承担不同任务，而不是重复展示同一个角度。
• feed 字段无法表达的视觉边界，是否在图里留了足够清晰的证据。

如果你已经有商品素材库，可以先从 20 个高咨询 SKU 做小范围 A/B 验证：保留原来的“美观版”主图，再出一版“证据版”主图，观察咨询问题是否从“有没有这个规格”转向更后置的问题。这里的 20 个不是行业标准，只是团队实际执行时容易启动的样本量；样本太少看不出路径变化，样本太大又容易卡在协作成本上。

用图叮落地时，先改三条工作流规则

第一条，修图前先给每个 SKU 写一句核心场景。不是写“提升高级感”，而是写“让用户确认这是带盖、可叠放、2 件装的食品收纳盒”。核心场景决定图里哪些信息必须留，哪些脏点可以删。

图注：证据清单把不可改区域和 feed 复核放进验收

第二条，把“不可改区域”做成图层或备注。型号贴、认证标、刻度、接口、包装数量、材质纹理，先圈出来。图叮处理背景、瑕疵和光影时，这些区域要有明确保护规则。PS 里做这件事，比在成图后返工更稳。

第三条，验收时不要只看成图，顺手对一下 feed 字段。标题写 500ml，图里刻度不能被修成看不清；feed 标有现货，图里不要出现旧包装的清仓贴；描述写套装，主图至少要让套装关系成立。这个动作很像产品上线前的字段联调，麻烦，但能挡住很多后端问题。

如果团队还没有日检机制，可以先把这三条并进 AI 修图日检 SOP 这类固定检查里，不要另起一套没人维护的表格。PS 用户做商品精修时，也可以参考 图叮AI vs Adobe Firefly 的工作流对比，把“保留证据区”放在工具选型前面，而不是等图已经生成完再补救。

这也是我更推荐把图叮放进商品图生产链路的原因。它不是替代所有设计判断，而是把“AI 修图”变成一个可控节点：运营给核心场景，修图师锁证据区，图叮处理可自动化的清理和重绘，最后按 feed 字段复核。用户路径被 AI 购物助手拉长后，商品图也该从“好看素材”升级成“可验证素材”。

同样的逻辑还会影响短视频封面、种草图和详情页首屏。只要素材会被算法、搜索、AI 助手提前读取，它就不能只服务人眼审美；它还要把商品证据放在机器和真人都能理解的位置。如果你看到相反的案例，尤其是“极简图反而更少售后”的例子，值得单独拿出来复盘。

来源边界

• OpenAI，2026-03-24，Product discovery in ChatGPT：https://openai.com/index/powering-product-discovery-in-chatgpt/
• Agentic Commerce Protocol，Product Feed specification：https://agentic-commerce-protocol.com/zh/docs/commerce/specs/feed