Google Universal Cart 之后，服装商品图要先为 AI 试穿保留证据

接下来服装商品图最重要的变化，不是更会做氛围，而是要让 AI 购物代理和虚拟试穿都能读懂同一件商品。

截至 2026-05，Google 已经把购物链路往两个方向推：一边是 Universal Cart 这种跨 Search、Gemini、YouTube、Gmail 的智能购物车；另一边是 Merchant Center 里持续展开的 虚拟试穿说明。这两件事放在一起看，服装图的任务变窄了，也变重了。它不再只是给买家点开详情页前看一眼，还要给模型判断颜色、版型、袖长、遮挡、商品边界和可解释原因。

我在 Tmall 和 Coupang 项目里看到的差异很明显：国内团队常把主图当成交转化入口，先问“够不够抓眼”；韩国团队做服装出海时会更早问“尺寸和上身预期会不会被误解”。现在 AI 购物把这两个问题合在一起了。图叮能做的，不是替服装图编一个更漂亮的身体，而是先把商品事实修到稳定、清楚、可回滚。

图注：服装图进入多版本 AI 购物审核

证据一：购物代理会把商品图放进连续判断，而不是只看单张点击

Google 在 2026 年 5 月 19 日的 Universal Cart 介绍里提到，购物车会跨多个 Google 服务工作，并在后台做价格、库存、兼容性和购买条件判断。那篇文章还提到 Google Shopping Graph 覆盖超过 600 亿个商品 listings。这个数量级不需要被夸张解读，但它说明一件事：商品图进入的是大规模商品理解链路，不是孤立页面。

服装团队要先想清楚，AI 代理为什么需要你的图。它不是来欣赏滤镜的。它要判断这件衬衫是否和用户搜索的“通勤、抗皱、浅蓝、宽松但不塌”匹配；它要在多件商品之间比颜色、领型、袖口、下摆长度和面料厚薄；它还可能把商品图和价格、评价、尺码表放在一起解释。

旧文 AI 购物智能体开始下单：商品图要从好看变成可被机器读懂 已经讲过“可读”这个方向。本文补一层服装图的执行细节：修图时不要把领口边线磨没，不要让肩线被背景柔化吞掉，不要把褶皱全部压平成塑料感，也不要把色差修到和色卡脱节。图叮在这里适合做三件事：清理拍摄噪点，保护服装结构，保留原图和修后图的版本差异。

国内运营容易说“先让图亮一点”。这个要求没错，但太粗。更稳的写法是：整体曝光提高，领口、肩线、袖口、口袋线和吊牌文字保持原始结构；背景杂物可清理，衣身织纹不重绘。这样图叮处理的是画面表达，不是商品身份。

证据二：虚拟试穿的生成效果，直接依赖商家提供的商品图质量

Google Merchant Center 帮助文档对虚拟试穿写得很具体：它会分析商家商品图，并和用户上传照片结合生成试穿效果；文档同时提醒，最终效果依赖用户照片和商家提供图片的质量。对服装商家来说，这不是一句客套话。

那份文档还列出了一组很实用的图像要求：图片至少 512 x 512，理想状态 1024 像素以上；尽量只展示该商品；展示完整服装；模特正面、手臂自然下垂；平铺服装避免过多折痕；商品细节不要被手、包或配饰遮挡。它没有说“图片越高级越好”，说的是“信息越稳定越好”。

图叮修服装图时，可以把这些要求转成一张开工前检查表：

检查项	图叮里先做什么	不该做什么
商品完整度	补足边缘亮度，检查下摆、袖口、领口是否完整	为了构图把袖口裁掉
面料与颜色	轻校正白平衡，保留织纹和阴影层次	把面料修成另一种质感
版型线索	保留肩线、腰线、裤线和自然垂坠	把褶皱全部磨平
细节遮挡	清理背景干扰，标出被手或包挡住的区域	用 AI 猜补被遮住的口袋或纽扣
版本记录	留下原图、修后图和局部保护说明	只交一张看起来顺眼的终稿

这也是图叮和普通美化工具的分界。美化工具容易把衣服修成“更好看的一件衣服”；图叮更适合把“这件衣服”修到可展示、可试穿、可解释。前者追求第一眼，后者能减少后面的误解。

如果你的团队已经在做服装类长尾图，可以把旧文 服装图别只修顺：领口、肩线和尺码证据正在决定退货解释 当作细节样例。AI 试穿不是让这些细节变得不重要，而是把它们推到更前面：领口、肩线、尺码标、面料垂坠越稳定，生成结果越不容易偏离商品。

证据三：AI Mode 广告和商品解释，会放大“为什么推荐这件”的证据压力

Google 2026 年 5 月 20 日介绍 AI 搜索广告更新时，提到 Gemini 会在购物广告里生成更具体的商品解释，帮助用户理解为什么某个商品适合自己的问题。这里不需要把美国广告形态直接套到国内平台，但它提醒服装团队：未来商品图会和一段解释同时出现。

解释一旦出现，图片就不只是视觉素材。它要支撑那段话。比如系统解释“这件衬衫适合通勤，因为版型利落、袖口干净、颜色低调”，那图片里的领口、肩线、袖口和颜色就不能被修得含糊。再比如系统解释“这条裤子适合梨形身材”，如果裤线、腰头和臀胯轮廓被过度液化，解释就会失去依据。

我做中韩品牌本地化时，常看到同一件衣服在两个市场被修成两种图。国内页面偏强调上新速度和卖点密度，韩国页面偏强调穿搭真实感、面料微差和上身预期。AI 购物解释会把这两种要求同时拉到一张图里：既要让人愿意点，也要让模型能说清为什么推荐。

这时图叮的工作流可以按四步走：

1. 先保商品结构：领口、肩线、袖长、腰线、裤脚、纽扣、拉链、吊牌和尺码标先圈出来。
2. 再处理拍摄问题：背景杂物、局部灰点、轻微色偏、暗角和地面反光可以清理。
3. 接着输出渠道图：主图、详情页局部图、客服解释图和试穿备用图分开导出，不共用同一套裁切。
4. 最后留版本记录：原图、图叮修后图、局部保护说明和必要的补拍备注放在同一个交付包里。

这套方法和 Google AI 购物开始读商品图 不是重复关系。那篇更偏趋势判断，这篇更偏服装图的执行口径。一个说为什么图要可读，一个说可读要落到哪些像素和版本上。

一张能进 AI 购物链路的服装图，至少要过四个关

图注：试穿前检查清晰边界颜色和版本

第一关是清晰度。1024 像素以上不是万能线，但它能减少“商品边缘、织纹和细节被模型猜”的概率。图叮可以把轻微噪点、背景脏点和局部暗部处理干净，但原图如果已经糊到看不清袖口或尺码标，正确动作是补拍，不是让 AI 补答案。

第二关是单品边界。平铺图、模特图和场景图最好分开。平铺图负责给 AI 看结构，模特图负责给人看上身预期，场景图负责给品牌看氛围。三种图可以同组出现，但不要让一张图同时承担所有任务。尤其是包、手、围巾、外套叠穿这些遮挡物，能减少就减少。

第三关是颜色可信。服装图最怕“每张都好看，但每张都不像同一件”。图叮修图时可以按同一套白平衡和曝光口径跑批量，但要保留面料在不同光线下的合理差异。国内页面常想把颜色统一得很干净，韩国服饰页会更愿意保留一点自然光差；两边都不能越过商品事实。

第四关是可解释版本。客服、买家、平台和 AI 代理看到的可能不是同一张图。主图用于吸引点击，详情页用于解释结构，客服图用于处理疑问，试穿链路需要商品轮廓和细节稳定。图叮输出时最好把这些版本命名清楚，别把“最终版”当唯一答案。

现在就该改的，不是审美，而是交付顺序

服装电商团队可以从下一组图开始改顺序：先做商品事实检查，再做图叮局部修图，再看虚拟试穿友好度，最后才看营销版式。如果一上来就套模板、加氛围、拉长比例，后面再让 AI 试穿或购物代理解释，就像让翻译去解释一份已经改过内容的合同。

这不是说服装图不能漂亮。相反，越漂亮的图越需要底层证据稳。买家愿意点击，是因为图好看；买家愿意相信，是因为图里的衣服没有被换掉。Google Universal Cart 只是把这个判断提前暴露出来：以后商品图会被更多机器流程读，也会被更多人拿来核对。

同样的逻辑会继续扩展到鞋类、眼镜、美妆和家居。凡是会进入 AI 推荐、试穿、比价、客服解释和退换货链路的商品图，都要先回答一个问题：这张图修完以后，还是不是那件商品？