截至10月30日的公开信息，天猫在双11期间增发一轮平台消费券，并上线降温上淘宝与超级秒杀两个专属会场，覆盖羽绒服、取暖器、热水器等保暖品类，叠券后部分商品降至5折；本轮消费券从满200减25到满3000减400共四档，超级秒杀会场于10月30日晚8点上线电商派：天猫双11增发消费券 上线保暖5折会场。对品牌方来说，这类活动暴露了一个被长期忽略的问题：AI 回答里的价格，几乎从来不是券后价，而用户问的恰恰是券后价。
券后价是个变量，AI回答按标价说
用户问 AI 的价格问题通常带条件：这款羽绒服现在多少钱、叠券之后多少、什么时候买最便宜。模型给出的答案多数来自商品页的历史语料，那里写的是标价，券的信息往往在活动页，两者不在同一个页面上。结果就是答案在字面上没错，在实际决策上没用。
这不是模型的缺陷，是供给的问题。价格是动态字段，而多数品牌把价格当成静态文本写在详情页里。AI 要回答动态问题，只能引用它读到的静态文本。想让答案准确，得先把券后价这类动态信息放到可被抓取、带时间戳的位置，而不是指望模型自己推算。
促销信息的半衰期只有几天
这轮消费券覆盖双11周期，秒杀会场按晚上线，保暖品类又跟着天气走。三个变量叠在一起，一条价格信息的有效期可能只有几天。AI 回答如果引用的是三天前的语料，答案会过期；如果引用的是活动预告，答案会提前。两种情况都会让用户在下单时发现对不上。
过期的代价不只是体验。价格类问题属于高转化意图，用户问完往往直接下单。答案错了，用户要么放弃，要么在结算页发现落差后流失，而品牌在后台上只看到转化率下降，看不到原因。这类损耗没有告警，只能靠主动监测发现。
价格类问题要单独建库
把价格问题从通用问题库里拆出来，单独建一套，是这类监测的第一步。价格问题有明确的判断标准，答案对不对可以直接核验，不像品牌形象类问题那样只能靠人工打标。判断标准清楚，才谈得上量化。
拆分之后还要分层。标价、券后价、历史低价、到手价是四种不同的价格表述，用户问的和模型答的可能不是同一种。把四种表述分开统计准确率，才能知道错在哪一层。混在一起算一个总分，等于什么都没说。
| 价格表述 | 常见问法 | 校准重点 |
|---|---|---|
| 标价 | 这款多少钱 | 与商品页是否一致 |
| 券后价 | 叠券之后多少 | 券的门槛与适用范围 |
| 历史低价 | 最低到过多少 | 时间范围与是否含券 |
| 到手价 | 最后要付多少 | 运费与赠品的折算口径 |
校准动作要落在内容供给上
发现答案错误之后，最常见的反应是去投诉或要求平台修正。这条路走不通，因为模型不会因为一次投诉改变语料。可行的做法是把正确的价格信息写成结构清晰、带日期、可被引用的页面，让模型下次抓取时读到的是新版本，而不是旧详情页。
同时要给价格页面加上口径说明。券后价必须写清券的面额、门槛与适用品类，到手价必须写清是否含运费与赠品折算。口径写清楚，模型在摘要时才有据可依；口径模糊，模型只能给一个模糊的区间，用户仍然无法决策。
监测频率要跟着活动节奏走
平时按周抓取就够，大促期间要按天。活动上线、券档切换、会场开启这几个时点，价格信息都会变，抓取频率跟不上，看到的永远是上一版答案。频率不是越高越好，但必须覆盖变化时点，否则监测只是自我安慰。
把答案错误回写到商品页
每一次发现答案与事实不符，都要把错误类型回写到商品页的字段里。比如券门槛写错导致答案给出错误券后价，就要在页面上把门槛单独成行。回写不是为了修模型，而是为了让下一次抓取读到更清晰的结构。这是一条慢但有效的路。
落地顺序
先把价格问题单独建库并分层，再按活动节奏抓取，然后核验答案与事实是否一致，最后回写到内容供给。顺序里最容易省略的是核验，因为它需要人工比对，看起来不产出新东西。但跳过核验，抓回来的只是一堆无法判断对错的截图。
价格监测的价值不在报告本身，而在它能不能让内容团队改对页面。一份指出券后价错误的报告，如果没人去改商品页，下一轮还会错。把监测结论与内容动作绑定，这件事才算闭环。
常见问题
AI 回答的价格不准，是不是模型能力问题？
多数不是。价格是动态字段，模型只能引用它读到的静态文本。品牌把券后价写进可抓取的页面并标注日期，准确率会明显改善。
大促期间要抓多频繁？
按天，覆盖活动上线、券档切换、会场开启几个时点。平时按周即可。频率跟着变化时点走，比盲目提高频率更有效。
价格问题为什么要单独建库？
因为判断标准清楚，答案对不对可以直接核验。放在通用问题库里，会被主观打标稀释，最后得出一个无法行动的分数。
发现错误后该做什么？
先回写内容，再谈投诉。投诉改变不了语料，回写能让下一次抓取读到新版本。同时把错误类型记录下来，避免同一问题反复发生。
