零售电商GEO踩坑复盘：把 MySQL 商品库自动映射成 Product Schema 的完整方案

适用读者：电商后端开发、数据工程师、做商品中台的技术团队

一、为什么商品库直接决定了 AI 推荐质量

零售电商的 AI 推荐逻辑很朴素：当用户问 DeepSeek "300 元以内口碑好的蓝牙耳机有哪些"，AI 的候选池来自它训练和联网检索时读到的商品信息。商品信息越结构化、越一致，被推荐的概率越高。

很多电商团队的问题出在源头：商品名写在 title 里、卖点混在详情页 HTML 里、价格和库存是前端异步拉的。AI 抓到的页面只有营销话术，没有可引用的事实。所以 GEO 改造的第一步不是写文章，而是把商品库变成 Schema 的可靠数据源。

二、映射设计：一张配置表解决字段对应

不要在代码里硬编码字段映射，用配置表管理，运营改字段不用发版：

sql 复制代码

CREATE TABLE schema_field_mapping (
  id INT PRIMARY KEY AUTO_INCREMENT,
  schema_field VARCHAR(64) NOT NULL COMMENT 'schema.org字段',
  source_column VARCHAR(64) NOT NULL COMMENT '商品表字段',
  transform VARCHAR(64) DEFAULT NULL COMMENT '转换器标识',
  is_required TINYINT DEFAULT 0,
  priority INT DEFAULT 100
);

INSERT INTO schema_field_mapping (schema_field, source_column, transform, is_required) VALUES
('name', 'product_name', 'trim', 1),
('description', 'selling_point', 'strip_html', 1),
('sku', 'sku_code', NULL, 1),
('offers.price', 'sale_price', 'decimal_to_str', 1),
('offers.priceCurrency', 'currency_code', NULL, 1),
('brand.name', 'brand_name', NULL, 0),
('image', 'cover_url', 'abs_url', 1);

Python 侧按配置动态组装：

python 复制代码

import decimal, pymysql

TRANSFORMS = {
    "trim": lambda v: str(v).strip(),
    "strip_html": lambda v: re.sub(r"<[^>]+>", "", str(v)),
    "decimal_to_str": lambda v: str(decimal.Decimal(str(v)).quantize(decimal.Decimal("0.01"))),
    "abs_url": lambda v: "https://www.example.com" + v if v.startswith("/") else v,
}

def build_product_schema(row: dict, mapping: list) -> dict:
    node = {"@context": "https://schema.org", "@type": "Product"}
    for m in mapping:
        value = row.get(m["source_column"])
        if value is None:
            if m["is_required"]:
                return {}
            continue
        if m["transform"]:
            value = TRANSFORMS[m["transform"]](value)
        set_nested(node, m["schema_field"], value)
    return node

三、四个真实踩坑点

坑1：价格精度

DECIMAL(10,2) 查出来是 Decimal 类型，直接 json.dumps 会报错，转 float 又会出现 59.900000000000006。必须先 quantize 再转字符串。AI 对价格字段极其敏感，畸形价格会被直接跳过。

坑2：库存状态滞后

availability 写死 InStock 是最常见错误。消费者问"还有货吗"时 AI 引用了过期状态，等于教 AI 不信任你。解法是和库存服务定时对账，缺货商品输出 OutOfStock 而不是移除 Schema。

坑3：同名商品多 SKU

一个颜色三个 SKU 共用商品页时，Schema 应该用 ProductGroup + hasVariant，而不是每个 SKU 一套 Product。AI 引用混乱的变体结构时会把型号对错。

坑4：转义

中文商品名被 ensure_ascii 处理成 \uXXXX 后，部分 AI 爬虫的解析率明显下降。所有 JSON 输出统一 ensure_ascii=False。

四、改造前后对比

某 3C 配饰电商（SKU 1200）改造 6 周后的内部统计：

指标	改造前	6 周后
Schema 校验通过率	0%（未部署）	100%
豆包推荐出现次数/周	0	9
AI 渠道进店 UV 占比	0%	7%
商品页平均被抓取延迟	无保障	库存变更后 ≤1 小时

验证 SQL 也很简单，每天跑一次全量校验：

sql 复制代码

-- 找出缺价格或缺图片的无效 Schema 商品
SELECT p.id, p.product_name
FROM products p
LEFT JOIN schema_field_mapping m ON 1=0
WHERE p.sale_price IS NULL OR p.cover_url IS NULL;

五、结语

零售电商的 GEO 竞争，本质是商品数据的工程治理竞争。映射配置化、价格字符串化、库存实时对账、变体结构规范------这四件事做完，商品库就从"给人看的表格"升级成"给 AI 读的事实源"。如果你的商品中台也在做 Schema 自动化，欢迎评论区交流字段映射的设计。

本文关键词：GEO生成式引擎优化、Product Schema、MySQL、商品中台、零售电商、AI搜索、AI优化AIO