假設你今天心血來潮，在 Google 搜尋欄裡打下「為什麼我老公這麼愛放屁」，以前的 Google 搜索會給你什麼結果？大概是一堆衛教文章，告訴你豆類食物、腸胃蠕動、飲食習慣，以及如何跟另一半溝通這個敏感話題。Google 的工作是提供資訊。
但如果你把同一串話輸進 Amazon 的搜尋欄呢？
在 Amazon 舊版的 A9 演算法下，你可能只會搜尋到一本書，書名直接叫《我老公很愛放屁：身為一個女人，如何存活下來》。這本書確實存在，它的 Listing 也確實含有這些關鍵字，所以它就被比對出來了。但這顯然不是那個在凌晨抓狂搜尋的人真正想買的東西。
這個荒謬的小故事，正好把 Amazon 搜尋引擎過去二十年最核心的困境，說得一清二楚：機器能比對文字，卻長久以來無法理解意圖。而從 A9 到 COSMO，再到現在的 Alexa for Shopping（前身是 Rufus），Amazon 花了將近十年，才逐漸讓演算法擁有一點點接近「常識」的能力。
這件事，對每一個在 Amazon 上架產品的賣家來說，意義遠比想像中重大。
一、A9：關鍵詞的黃金時代，也是它的枷鎖
A9 是 Amazon 最早建立起來的搜尋排序系統，邏輯其實出奇地簡單，簡單到你可以用兩句話描述清楚。
第一步：消費者輸入關鍵詞，系統去比對哪些產品的 Listing 裡含有這個詞。有，就入圈；沒有，就不出現。
第二步：在所有入圈的產品裡，依照銷售量與轉換率高低排序。賣得多、轉換率高的排前面，賣得少的排後面。
這套邏輯在 Amazon 商業發展初期非常管用，因為那個年代的消費者也習慣用精準的產品詞去搜尋。
你要買無線藍牙耳機，你就輸入「wireless bluetooth earbuds」；你要買太陽眼鏡，你就輸入「sunglasses」。關鍵詞準確、Listing 裡有寫，就能被找到，就能賣。
問題出在什麼地方？出在人類搜尋行為的本質上。
消費者並不是每次都清楚地知道「那個產品叫什麼」，他們更常知道的是「我有什麼問題」或「我想達到什麼結果」。
搜尋「耳機」，誰都知道。
但如果你想找一個讓狗狗進食不要太快的碗，你知道那叫「慢食益智碗」嗎？大多數人不知道。
他們會搜尋的，是「dog eating too fast keeps choking」，或是「狗狗獨自在家無聊怎麼辦」，而不是「slow feeder bowl」這個精確的產品詞。
而過去亞馬遜的 A9 演算法對這類搜尋完全束手無策。因為「慢食益智碗」的 Listing 裡，絕對不會出現「狗狗獨自在家無聊」這種描述。詞沒有匹配，就沒有產品。
同樣的邏輯放到「脹氣藥」也一樣。
一般藥廠寫 Listing，會寫成分、寫症狀、寫「gas relief」、「bloating」，但不太可能寫到「老公愛放屁」——這不是醫療語言。A9 無法在這兩件事之間建立橋樑，因為它只會比對文字表面，不懂得推論背後的需求。
而 Amazon 的創辦人注意到了這個問題，也注意到了一件更根本的事：隨著 Amazon 商品品類的爆炸性擴張，消費者的搜尋行為越來越多元，越來越「問題導向」而非「產品導向」。A9 能解決的場景越來越有限，而大語言模型的突破，恰好在這個時機點到來。
二、COSMO：讓演算法第一次擁有購物常識
COSMO 的全名很長（Common Sense Knowledge Generation），叫做其中一個解讀方式，是把 C-O-S-M-O 裡的「Common Sense」拆出來，也就是「常識」。這不只是文字遊戲，而是一個非常精確的描述，說清楚了這套演算法想解決的核心問題：讓機器第一次具備購物常識。
什麼是購物常識？
就是一個正常的、在社會化環境中長大的人，在聽到某個搜尋詞的當下，能夠直覺推論出對方想買什麼。你的朋友說「我老公愛放屁，快被煩死了」，你不需要他說「我要買脹氣藥」，你就知道他需要一瓶消脹氣的保健品或藥物。人類的購物常識是這樣運作的，但電腦長期以來做不到這件事。
COSMO 的核心突破，在於它用一個系統性的方式，把每一筆訂單、每一個搜尋詞、每一款產品，都拆解成五個維度：
- 人（Who）：誰在買這個產品？有什麼身份或使用角色？
- 場景（When/Where）：在什麼情況下產生這個需求？在教室、在車上、在戶外、在廚房？
- 目標（Why/What）：想要達到什麼結果？解決什麼問題？
- 條件（How）：使用這個產品有沒有特定的條件或限制？材質要可機洗、體積要能收納、要防水？
- 產品本身（What is it）：這個東西的名字是什麼、有哪些別稱？
COSMO 把 Amazon 上的每一款產品，都按照這五個維度貼上密密麻麻的語意標籤。
脹氣緩解藥被標記為「成人使用、飲食後、腸胃不適、緩解腸胃蠕動」；慢食益智碗被標記為「狗主人、狗狗獨自在家、防止進食過快、便於清潔」。這些標籤不是賣家手動填的，而是 Amazon 的工程師把所有的搜尋詞、購買路徑、以及最終成交的產品，全部投進大語言模型裡做反向推演，讓模型自己歸納出來的。
這個過程產生了驚人的效果：每一款產品身上的「可搜尋關鍵詞」數量，在 COSMO 運作後直接暴增。原本 Listing 裡寫了十幾個詞，現在可能對應到數百個語意相關的搜尋詞，包括消費者永遠不會「精準輸入」但實際上就是在尋找這款產品的那些描述。
有一個重要的細節值得特別說明：COSMO 並不是每次搜尋都會啟動。
當消費者輸入的是標準精確的產品詞，例如「wireless earbuds」或「sunglasses」，COSMO 根本不需要介入，A9 的關鍵詞比對就已經夠用。COSMO 真正被啟動的，是在語意模糊的時候——當消費者描述的是一個問題、一個情境、一個感受，而不是一個產品名稱。在這些場合，搜尋結果會是 A9 與 COSMO 的混合輸出，A9 負責比對有出現的詞，COSMO 負責用語意推演去補足那些原本找不到的產品。
也因此，COSMO 對於 Listing 寫法的要求其實沒有從根本上改變太多：你依然需要好好做關鍵詞調研，A9 的基本功沒有消失。只是 COSMO 多給了賣家一個機會：只要你的 Listing 把產品的使用情境、目標族群、解決問題描述清楚，就算消費者輸入的詞在你的頁面上從來沒有出現過，COSMO 也有機會把你的產品推薦出去。
三、Rufus AI（ Alexa for Shopping）：當亞馬遜 AI 開始直接替你的顧客做功課
如果 COSMO 是在「搜尋前」把所有產品預先貼好語意標籤、建好索引，那麼 Rufus——現在已正名為 Alexa for Shopping——就是在「搜尋當下」即時呼叫大語言模型，直接回答消費者的問題。
兩者都在做語意理解這件事，但運作的時間點和深度完全不同。
Rufus 最初以側邊欄 AI 購物助手的形式出現在 Amazon 頁面上，當消費者輸入的搜尋詞語意非常模糊、系統無法判斷對方究竟想找什麼產品時，Rufus 就會自動啟動，出現在頁面左側。它不只推薦產品，還會主動解釋「為什麼你可能需要這個」，並且接受消費者的後續追問——以自然對話的方式，一路從問題走向購買決策。
以同一個脹氣問題為例：消費者輸入「Why does my husband fart so much」，Rufus 不會像舊版搜尋結果那樣給你一本搞笑書，它會告訴你老公脹氣的可能原因，然後直接推薦脹氣緩解藥、益生菌、消化酵素。
消費者如果繼續追問「我想要天然一點的」，Rufus 繼續縮小範圍、繼續推薦。如果再說「效果要快，因為他的屁真的太臭了」，它還是繼續給出更精準的建議。整個過程，產品搜尋欄幾乎已經被一段人機對話取代了。
而 Rufus 出現的位置不只在側邊欄。在產品頁面的下方，消費者可以直接對著 Rufus 提問，不清楚的規格、使用方式、跟競品的差異，全都可以問。原本由賣家回答、消費者互相補充的 FAQ 版位，也逐漸被 AI 自動生成的問答取代。Rufus 從 listing 資料、評論、以及亞馬遜內部數據中提取資訊，然後用自然語言回覆。
Amazon 後台的廣告報表裡，目前已經有一個「Rufus 曝光版位」的獨立數據，可以追蹤有多少流量是從 AI 購物助手入口進來的。就現階段來看，這個數字還相對小，大多數消費者仍習慣用搜尋欄直接找產品。但這個比例只會往一個方向走：越來越多。
2026 年 5 月，Amazon 正式宣布將 Rufus 與原有的語音購物助手 Alexa 整併，改名為 Alexa for Shopping。聲音界面加上大語言模型的文字對話，兩條流量路徑合而為一。對賣家來說，這個改名背後的意義是：AI 購物助手這個入口，已經不再只是一個「測試功能」，而是 Amazon 有意願長期投入的主流流量渠道。
問題因此浮現：如果消費者越來越常用 AI 購物助手來找產品，那 AI 怎麼決定要推薦誰？
答案很簡單，也很殘忍：它從你的 Listing 裡找答案。
如果你的 Listing 裡沒有消費者可能問到的問題的答案，AI 就沒辦法替你回答，沒辦法替你推薦。這個入口，就直接對你關閉了。
四、AI 時代的 Listing 四大標準
理解了三代演算法的邏輯之後，回到最實際的問題：身為賣家，Listing 要怎麼寫？
在 RBAY 的分析裡，AI 時代的 Listing 需要達到四個標準，缺一都會在某個環節吃虧。
標準一：可索引（Indexable）
可索引的前提，是做好所有最基礎的事。類目設定必須正確，上架時分錯類目，AI 在建立標籤時就已經偏掉了，後面再怎麼優化 Listing 文字也很難彌補。標題裡必須包含主要核心關鍵詞，因為 A9 從來沒有消失——它依然在每一次精準搜尋中發揮作用。五點描述要把產品的資訊、特性和規格描述完整，後台搜尋關鍵字欄位也要補齊有關聯但前台沒有放到的詞。
這些事情看起來是老生常談，但它們是 Listing 能夠被看見的最低門檻。連這道門都沒過，後面的事情根本不用談。
標準二：可理解（Comprehensible）
可索引只是讓你有資格出現在搜尋結果裡。要讓 AI 語言模型真正「理解」你的產品，Listing 裡需要清楚描述的，是使用情境。
舊式 Listing 的寫法，以參數為核心：防水、重量 200g、適用 iPhone 15。
新式 Listing 的寫法，要在參數之外加上情境：「適合長途飛行使用的頸部支撐設計」、「適合小公寓角落的窄型桌面」、「大魚大肉過後的腸胃緩解配方」。這些情境描述，讓 COSMO 有更豐富的材料可以貼標籤，也讓 Rufus（Alexa for Shopping） 在消費者追問「這個適合誰用」的時候，有具體的答案可以援引。
好的文案本來就該這樣寫，這件事並不新鮮。但以前不這樣寫，可能只是少掉一些流量；現在不這樣寫，就是直接把 AI 推薦的大門關上。
標準三：可轉述（Referable）
AI 購物助手的工作，是替消費者做功課。它會比較你的產品跟競品、會回答消費者的疑問、會解釋你的差異化優勢。這整件事的前提，是你的 Listing 裡有足夠的資訊可以讓它引用。
消費者問 Rufus 的問題，有幾個最常見的類型：這個產品是給誰用的？跟 A 品牌差在哪？材質規格的實際意義是什麼？怎麼清洗、怎麼保養、怎麼收納？適合在什麼場景下使用？跟替代方案相比，為什麼要選你？…
這些問題的答案，如果你沒有在 Listing 裡主動提供，AI 就找不到。找不到，就推薦不了你。找不到，就推薦你的競品。
一個有效的方法：找出你品類裡排名前 50 名的競品，逐一翻看每個產品頁面 Rufus 版位底下消費者實際問過的問題，全部複製下來整理成一份試算表。這份表單，就是消費者心中真正的疑慮清單。把這份清單跟你已經寫好的 Listing 放在一起，丟給語言模型問一句：「以上哪些問題，我的 Listing 沒有回答到？」有缺漏的地方，補上去就是了。
標準四：可驗證（Verifiable）
AI 參考的資訊來源，不只有你自己填寫的 Listing，也包括消費者留下的評論、退貨原因、以及其他頁面上的描述。這意味著，你在 Listing 裡說的每一件事，都要與其他地方的資訊保持一致。
最常出現的問題有幾個類型。後台屬性填錯了，明明賣三件組，後台預設是單件，前台標題卻沒有說清楚——這種矛盾直接讓 AI 無從判斷，選擇放棄推薦。文案說可機洗，但後台屬性欄位沒有勾選，同樣的矛盾。標題強調靜音設計，但評論裡有人說「機器聲音很大」，AI 讀到了評論，就會對你的靜音聲稱打上問號。
這件事說起來有一點讓人沮喪，因為它意味著 Listing 的工作沒有一個「寫完就好」的終點。
評論是持續累積的，消費者的反饋是持續出現的，你必須定期回頭比對，確保你的 Listing 描述跟消費者的實際體驗沒有出現系統性落差。一旦落差出現，不只會影響評分，也會影響 AI 的推薦意願。
五、實戰工作流：從資料輸入到 Listing 產出
知道四大標準之後，下一個問題是：實際要怎麼做？
RBAY 分享了一套他在使用的 AI Listing 優化工作流，整個流程的輸入端包含四份文件：競品出單詞報告、ABA 關鍵詞數據（Amazon Brand Analytics，在賣家後台即可取得）、競品 Listing 調查（包括評論的優缺點整理）、以及自己的產品屬性表。
把這四份資料上傳到客製化的 GPT 後，工作流依序執行以下幾個步驟：
- 步驟一：確認產品資訊的單一性。確保輸入的資料沒有矛盾、沒有多版本混入、沒有讓 AI 自行猜測或合併的空間。這是後面所有工作的基礎，如果源頭資料就已經混亂，產出的 Listing 只會更混亂。
- 步驟二：多維數據清洗。讓 AI 從產品屬性表中提取 Rufus 會參考的維度，同時分析多個競品的特色與賣點，進行 COSMO 場景映射（從關鍵詞反查對應的使用情境），並對關鍵詞按搜尋量與相關性進行分級。
- 步驟三：撰寫 Listing 初稿，包含標題、五點描述、以及產品介紹。
- 步驟四：合規性與侵權自查。這一步很多人略過，但它非常重要。Amazon 對於 Listing 文字有嚴格的政策限制，哪些詞不能用、哪些聲稱需要認證才能標示，如果沒有事先整理成 AI 可以參考的清單，產出的 Listing 可能過不了亞馬遜的審核，甚至在上架後引發帳號風險。
這套工作流的輸出，不是一個「完成品」，而是一個「初稿加改進空間的清單」。AI 工具的語感判斷有限，特別是英文文案，翻成中文看起來通順，不代表原文的英語語感也到位。
RBAY 的建議是：如果你不確定英文文案的語感品質，最好找一個以英語為母語或高度熟悉英語的人做最後確認。再好的 AI 輸出，在語感這一塊，還是有它做不到的地方。
Listing 完成之後，優化的工作才真正開始。
Amazon 後台有一份叫做 Search Query Performance（SQP）的報表，每週都會統計你的產品在哪些搜尋詞底下有獲得曝光，不管有沒有投放廣告都會記錄。你的工作是定期下載這份報表，追蹤能夠帶來曝光的搜尋詞有沒有在增加。搜尋詞變多，代表你的 Listing 被 COSMO 貼上了更多語意標籤，你的產品在更多搜尋情境下都能被看到。如果搜尋詞停滯甚至減少，就是優化空間還在的信號。
這個閉環裡，數據來源不只有 SQP 報表，還要定期回頭看消費者評論、退貨理由、以及競品與自己產品的比較關聯。消費者的聲音，才是最真實的 Listing 改版素材。
如果你想拿這份 AI 工作流，請加入我們的 LINE 官方帳號 @transbiz，並且輸入 「AI」關鍵字，就可以領取囉！
六、流量正在重新分配，而且只會更集中
Amazon 演算法的每一次升級，表面上是技術進步，本質上是流量重新分配的過程。
A9 演算法時代，誰的 Listing 關鍵詞最匹配、歷史銷量最高、轉換率最好，誰就拿走最多的自然流量。COSMO 時代，誰的 Listing 情境描述最清晰、語意涵蓋最廣，誰就有機會在更多搜尋詞下獲得曝光。
到了 Alexa for Shopping 的時代，遊戲的殘酷程度又上升了一個量級。
當消費者習慣把購物的「做功課」這件事外包給 AI，而不是自己搜尋、比較、閱讀多個產品頁面，流量會發生一件很關鍵的事：它會變得極度集中。過去消費者可能點開十個產品仔細比較；但 AI 推薦給他的，也許只有三個。得到推薦的三個產品，拿走幾乎全部的流量；沒有被推薦到的，幾乎隱形。
這對新品來說是個特別嚴峻的挑戰。新品缺乏評論、缺乏銷售歷史、缺乏消費者回饋的累積，AI 可以參考的資訊極少，被推薦的機率天生就低。長期來看，在 Amazon 上成功推出新產品，難度只會越來越高。
但這並不代表賣家應該放棄，而是代表切入點的思考必須更精準。
在 AI 搜尋主導的環境裡，「把 Listing 寫到讓 AI 願意推薦你」不再是加分題，而是最低限度的生存要求。做到這個底線，新品才有機會累積評論、累積銷售、進入良性循環；做不到這個底線，就算廣告打得再猛，AI 購物助手這個入口也始終對你關著。
結語
Amazon 的搜尋引擎，用了將近二十年，才從「關鍵詞比對機器」演化成一個「會問你問題、會替你比較、會主動推薦答案」的購物助理。A9 教會賣家重視關鍵詞，COSMO 要求賣家描述情境，而 Alexa for Shopping 則要求賣家把 Listing 當作一份能夠被 AI 閱讀、理解、引用、並且轉述給消費者的文件。
這個轉變對很多習慣用「堆關鍵字」邏輯思考的賣家來說，需要一次思維的根本調整。
不過關鍵字調研沒有消失，但它現在只是工作的起點，而不是終點。在關鍵字之上，你還需要回答：這個產品是為誰而存在的？它解決的是什麼樣的具體困境？在什麼樣的場景下，消費者才會真正需要它？為什麼是它，而不是隔壁的競品？
這些問題，人類很久以前就已經會問了。Amazon 的演算法，現在終於也開始問同樣的問題。賣家的任務，就是確保你的 Listing 早就準備好了答案。
如果你是亞馬遜的賣家，正在煩惱如何繼續增長營收…歡迎與我們預約免費的一對一諮詢，讓我們協助你的亞馬遜品牌事業更上層樓！。
時間軸
00:18 前言
01:17 開場暖身
02:44 今日主題內容
03:29 A9 算法的邏輯與限制
05:58 亞馬遜搜索引擎的核心目的
06:39 消費者搜索時，真正在想什麼？
06:58 A9 演算法的運作方式
08:20 COSMO 算法：補足語意落差
08:20 Rufus：亞馬遜的 AI 購物助手
08:55 COSMO 的核心洞察：每筆訂單背後的結構
09:55 COSMO 框架：兩個真實案例解析
11:24 A9 vs. COSMO：思維方式的根本差異
12:57 COSMO 如何被應用在亞馬遜搜索中
17:06 Alexa for Shopping 會出現在哪裡？
17:43 亞馬遜的 AI 購物助手對賣家的影響
18:30 COSMO 與 Rufus 的角色分工
19:09 Rufus（Alexa for Shopping）改變了消費者的決策路徑
20:10 Amazon Listing 要讓 AI 也能讀懂
20:19 專業 Listing 的四大標準
20:24 #1 可索引：進入候選名單的資格
21:33 #2 可理解：讓 COSMO 讀懂你的情境
22:21 #3 可轉述：讓 Rufus 替你回答消費者的問題
22:57 #4 可驗證：確保 AI 理解的是你想要呈現的
24:24 專業 Listing 實戰策略
24:29 #1 產品標題
25:20 #2 產品五點描述撰寫策略
26:20 #3 關鍵詞策略：純流量 → 分層配置
27:22 Listing 要回答明確需求、一步到位
27:35 優化 AI 購物助手的最好方法是…
28:16 Listing 做一次，就一勞永逸？
28:29 #4 Listing 的閉環優化
30:00 AI 工作流：Listing 優化的自動化引擎
30:14 #1 指令分析與流程拆解
32:18 #2 執行自動化 GPT
34:13 結語
