关键词搜索正在消亡,你的商品目录为 AI Agent 准备好了吗?——Nixon Dinh(PayPal)

• 讲者 Nixon Dinh 是 PayPal 的 Agentic Commerce（代理式电商：由 AI agent 参与、甚至代办的购物）产品总监，职业生涯大部分在做电商和支付，现在牵头 PayPal 关于「AI agent 怎样重塑购物和支付」的工作。本场只讲其中一块：商品目录（catalog，商家那份「我卖什么」的结构化清单）怎么做到 agentic ready（为 agent 准备就绪），以及 PayPal 一路的实验所得。 → 详细
• 读的时候留意立场：PayPal 自己在卖 Agentic Commerce Services，讲者结尾请听众去展位了解；文中的实验由 PayPal 自己完成，台上没有交代样本量、用了哪些 agent 和模型、查询集怎么来的。 → 详细

• 幻灯片上的演化链：线下实体店 → 电商网站（最初很线性，搜索然后购买）→ 邮件与短信 → 社交电商 → agentic。讲者把 AI 看作这条路的下一站。 → 详细
• 两条规律：其一，任何变化对企业都像威胁，反过来也是机会；其二，每当新技术改变了消费者行为，商业就跟着变。agentic 既是一个能做到高度个性化触达的新渠道，也在改变顾客搜索和发现商品的方式。 → 详细

• 搜索时代（今天）：关键词、在目录里一层层翻、点进去看，过去十年企业都朝 SEO 优化。这套管用，但把「找到东西」的负担压在购物者身上。 → 详细
• 意图时代（正在过渡）：人不再敲「学习用品」，而是说「我女儿九月开学、上五年级，我要采购开学用品」。用自己的话表达需求，由 AI 来迎合你——变成品牌来找你，而不是你去找品牌。 → 详细
• 委托时代（下一波）：前提是顾客先信任 agent 给的推荐，信任建立起来之后，才会把越来越多动作交给 agent；幻灯片上的例句是「把开学采购办完，控制在 300 美元以内」。讲者说 PayPal 正朝这个方向建设。 → 详细

▲ 图注：幻灯片「How shopping behavior is evolving」：今天是 Search（I look for products，搜的是 School supplies）；正在过渡到 Intent（I describe what I need）；下一波是 Delegation（I tell it what to do，例句是把开学采购办完、控制在 300 美元内）。

• 贝恩公司（Bain & Company）预测：到 2030 年，15%–25% 的商业交易由 agent 执行。另一条预测是十年内网上的 agent 数量会超过人类（幻灯片脚注标的出处是 Fortune 的一篇报道，360p 截图看不清细节）。讲者据此说，这不是可以忽略的边角变化，而是整个电商生态的结构性转变。 → 详细
• 市场规模（幻灯片注明来源是麦肯锡 2025 年 10 月的《The agentic commerce opportunity》，口径是到 2030 年）：美国 B2C 零售约 1 万亿美元（讲者口述 1.1 万亿，幻灯片写 $1T），全球 3–5 万亿美元。另有「20 亿以上」这个数：口述是未来几年将有超过 20 亿用户用 AI 开启购物，幻灯片写的是 ChatGPT、Gemini、Copilot、Meta、Amazon 等平台合计 20 亿以上活跃用户。 → 详细
• 商家侧已经看到的三个数：AI 引荐到零售网站的流量同比增长 693%（幻灯片注明是 2025 年假日季对比 2024 年）；39% 的美国消费者已经在用 AI 购物；购物者在访问过程中和 AI 互动时，转化率高到 4 倍，讲者的解释是这时能拿到关于商品更丰富、更深入的信息。 → 详细

▲ 图注：幻灯片「Creating new commerce opportunities for merchants」：AI 引荐到零售网站的流量同比增长 693%（2025 年假日季对比 2024 年）、39% 的美国消费者已用 AI 购物、购物者访问中与 AI 互动时转化率高 4 倍。

• 讲者的核心判断是商品目录当初不是为 agent 建的。今天多数商家有一份目录，分发给 Google，或者 Meta 等广告平台去投广告；那套规范是为广告和人的搜索设计的，没有针对「让 agent 发现商品」做过优化，对 agent 的可读性也差。 → 详细
• 幻灯片把这句话拆成三张卡，比口述更具体。第一张：人们现在通过 AI agent 发现商品，ChatGPT Shopping、Perplexity Pro、Google Gemini 把人直接导向「一件商品」，而不是一个页面——换句话说，被检索、被推荐的单位是一条条商品数据，不是商家做的落地页。 → 详细
• 第二张：目录为人的搜索而建——描述里塞满关键词、用的是自家私有的 ID、schema（字段结构）照着 Google Shopping feed 设计，而不是为 AI 检索设计。第三张：「能被发现」没有标准——每种富化方法都自称「AI 可发现」，但没有办法验证，也没有简单的办法横向比较各家的方法。 → 详细

▲ 图注：幻灯片「But Catalogs weren't built for Agents. They were built for humans.」三张卡：agent 把人导向一件商品而不是一个页面；目录里是关键词堆砌的描述、私有 ID、为 Google Shopping feed 设计的 schema；「可发现」没有标准，无从验证和比较。

• agent 用的模型大体是黑盒：agent 会换用不同的模型做决定；各模型的排序和推荐方法不透明；向量数据库（把文字变成一串数字、再按相近程度查找的数据库）的检索不是确定性的，也难解释。幻灯片上还有口述没念的第四条：「我们不想只押在某一种 AI 检索模式上」。 → 详细
• 所以商家面对的问题是：该针对哪个模型优化？旧的 SEO 世界有清晰打法，新世界还没有。讲者的回答很干脆：「不知道的时候怎么办？做实验。」PayPal 的做法是把商家的商品数据富化（enrich，把商品信息补全、写厚），再看 agent 在不同富化策略、不同模型下怎么搜索和推荐。 → 详细

• 关键词搜索（幻灯片标注 BM25，一种经典的按词匹配打分的算法）：拿查询里的字面词去匹配商品文本里的词。搜 blue running shoes，只返回含这几个词的商品。优点是精确、快、可预期；盲区是抓不住同义词和意图——搜 footwear for jogging（慢跑穿的鞋）可能什么都不返回，只因为词对不上。 → 详细
• 语义搜索（幻灯片标注 Embedding/Vector，即把文字转成向量）：把查询和商品都转成向量，按意思和意图匹配。输入「适合马拉松训练、穿着舒服的东西」能找到跑鞋，哪怕这些词一个都没出现。优点是懂意图、同义词和上下文。盲区，讲者口述是「注入太多含义，它会失焦、会产生幻觉」；幻灯片的说法更精确——当一个向量要代表太多文本时，它会失焦。 → 详细
• 讲者的一句话总结：关键词搜索「相当精确、非常字面」，语义搜索「聪明但很模糊」；现实里的答案不是二选一，而是两者结合，PayPal 用的就是混合方案（hybrid）。 → 详细

▲ 图注：幻灯片「Keyword vs Semantic」四行对照：怎么匹配、例子、长处、盲区。关键词搜索（BM25）的盲区是漏掉同义词和意图；语义搜索（Embedding/Vector）的盲区是一个向量代表太多文本时会失焦。

• 讲者先立了一个前提：动手之前，先看清自己手上是哪种目录——是单薄的（thin catalog），还是偏重规格参数的（spec heavy）。富化不是一刀切，合适的做法取决于起点。实验把富化手法归成五个维度；讲者在台上只念了名字，下面每个维度的「做法、适合、不适合」来自幻灯片。 → 详细
• Attribute Fill（补全属性）：补齐必填规格和类目特有的属性。适合规格稀薄的目录和小商家；对本来就很丰富的 feed 帮助不大。 → 详细
• Description Depth（描述深度）：写出有内容的商品叙述，并交代使用场景。适合标题很泛的 SKU 和大路货；对已经紧凑、结构化的目录作用弱。 → 详细
• Buyer Context（买家情境）：打上人群、场合、场景标签。适合生活方式、礼品、时尚类；对纯拼规格的商品作用弱。 → 详细
• Trust Signals（信任信号）：评价、品牌的商品详情页、评分与情感倾向。适合家具、耐用品、电子产品；对限时促销和时尚类作用弱。 → 详细
• Product Identity（商品身份）：规范化的实体，加上组级别的 ID（把同一款商品的各个变体归到一起）。适合多变体、多渠道的商品；对一次性的单品作用弱。 → 详细

▲ 图注：幻灯片「The enrichment experiment grouped solutions into 5 different data dimensions」：Attribute Fill、Description Depth、Buyer Context、Trust Signals、Product Identity 五列，每列写明做法（Pattern）、适合谁（Fits）、对谁作用弱（Weak for）。

• 富化前：标题是 Men's Shoe 8543, Blue；描述是 Blue Running Shoe. Available in Multiple sizes；属性只有 Color: Blue。关键词搜索只对得上 blue、running、shoe 三个词；语义搜索拿到的上下文太少，只能做很弱的泛匹配。 → 详细
• 富化后：标题变成「男士轻量跑鞋，透气网面，蓝色」；描述写明缓震、透气，为长距离训练和日常慢跑打造，轻量网面让双脚保持凉爽；属性补上了用途（跑步、马拉松训练）、合脚度（尺码标准）、脚感（缓震）、材质（网面）；还加进了评价数据（幻灯片上是 4.6 星、1,240 条评价）。 → 详细
• 结果：关键词现在对得上 running、training、mesh、lightweight、cushioned；语义搜索能为「适合马拉松训练的舒服鞋子」这样的问法找到丰富的含义。讲者点名这个例子用了三种手法：补属性、买家情境、围绕评价的信任信号。 → 详细

▲ 图注：幻灯片「Enrichment in Action」：左侧是原始记录（标题 Men's Shoe 8543, Blue，属性只有颜色），右侧是富化后的记录（用途、合脚度、脚感、材质、4.6 星 1,240 条评价），两侧底部各写了关键词搜索和语义搜索分别「看到」什么。

• 发现一：富化提升关键词检索的命中。讲者说，没富化的基线在正面对比（head-to-head，拿富化后的数据和未富化的基线直接比）里「完全落在下风」。幻灯片的图是 BM25 Top 10，图例写着未富化 4.27、富化 8.89——幻灯片没有解释这个数的口径，结合旁注「在每个 top k 位置上，被检索到的富化商品都更多」看，比的是前 10 条结果。旁注还列了提升的三个来源：更长的文本命中更多关键词；长描述里用词更多样；从图片里提取出来的属性和段落。 → 详细
• 发现二：目录越单薄，收益越大。商品数据薄弱的商家，改进空间也最大。幻灯片是一张按商家排列的柱状图，蓝色是基线、绿色是富化带来的提升，横轴上约二十家，能认出 Newegg、Steve Madden、StockX、LEGO Shop、Temu 等（截图只有 360p，个别名字看不清）。 → 详细
• 发现三：非结构化的富化会稀释语义信息。讲者口述是「驱动结果的全在内容质量，而不是 schema；堆砌非结构化数据反而会稀释信号」。幻灯片的图是 Semantic Top 10，图例写着未富化 6.09、富化 3.87——在语义检索这一侧，富化版的数字反而更低。 → 详细

▲ 图注：幻灯片「The experiment validated the thesis」：发现一，BM25 Top 10 图例未富化 4.27、富化 8.89；发现二，按商家排列的柱状图，越薄的目录提升越多；发现三（带警示标记），Semantic Top 10 图例未富化 6.09、富化 3.87。

• 讲者解释「非结构化数据」指什么：不是什么词都往上下文里塞，也不要放套话式文案，比如「欢迎光临本店」「我们是家族经营的企业」——这些对 agent 很多时候是无关信息。他的原话是：你怎么富化、往数据里结构化地放进什么，「非常非常重要」。 → 详细
• 幻灯片 Our learnings 给了口述里没有的机理：传统的富化策略单独用，不足以支撑语义检索，有时被检索到的富化商品反而更少。原因两条——长文本同时传达很多话题；单个语义向量要代表全部信息时会失焦。给出的设计含义是：agent 的商品发现链路必须配上额外的技术，才能把富化的好处吃全（幻灯片没有说是哪些技术）。 → 详细
• 口述和幻灯片有一处对不上，按原样记：讲者说「只要做了富化，正面对比里推荐效果总是更好」，收尾页也写着「所有数据点都显示它提升排名」；而语义那张图的图例是富化 3.87 对未富化 6.09。讲者紧接着补了一句——某些情况下过度富化时，agent 幻觉得更多、表现反而变差——没有进一步解释这两处怎么对上。 → 详细

▲ 图注：幻灯片「Our learnings: Enrichment helps keyword search. Semantic retrieval requires a different data structure.」：左侧写富化对 BM25 检索有帮助及三个提升来源；右侧写传统富化策略单独用不足以支撑语义检索，原因是长文本话题多、单个向量会失焦。

• 讲者归纳的学习：富化对关键词搜索有帮助；语义检索需要一套很不一样的数据结构；为改善语义检索而富化，存在一个平衡点。他强调这只是一组实验，给不出适用于每家企业的具体建议，好的起点是先评估自己的目录，再定策略。 → 详细
• 收尾页三条：富化有效；先评估你的目录结构，再探索不同的富化方法；文字更多不等于更好，胜出的是结构化的高质量内容。最后一句是「AI 奖励的是内容质量，而不是品牌」（幻灯片原文是 not vendor brands），随后他补充：它也会针对其他信任信号做优化。 → 详细

• 讲者：Nixon Dinh，PayPal Agentic Commerce 产品总监。LinkedIn：https://www.linkedin.com/in/nixon-dinh/ （来自视频简介，台上未提）
• PayPal Agentic Commerce Services：https://developer.paypal.com/agentic-commerce-services/about
• Agentic commerce 文档：https://docs.paypal.ai/growth/agentic-commerce/overview
• 现场：AI Engineer World's Fair，PayPal 展位 P11。 → 详细