截至11月1日的公开信息，《IT时报》记者在10月下旬对淘宝、京东、抖音等平台的AI助手做了一轮实测，结果并不体面：购物车合并支付价1546元，AI助手起初读得对，但当记者要求拆单寻找更低方案时，它把总价算成了1670元，原因是看错了某件商品的单价；还把实际已超过450元的小单算成170多元，建议加购洗衣液凑单；反复纠正之后，它规划的大单依然差了约100元才够到1500元的门槛。这场实测暴露的问题，对做品牌的人来说比凑单本身更重要：促销信息写得让机器读不懂，AI搜索的回答就会跟着错。
1546元被算成1670元 差在券的细节
先看错误的类型。价格算错属于读数错误，券的适用范围判断错属于规则理解错误，两者性质不同。读数错误可以通过更规范的参数标注改善，规则理解错误则要靠把互斥关系写清楚。实测里最典型的一例是豆包推荐的34.93元洗护套装，低价来自豆包App渠道的专属7折补贴券，规则是仅限单件、且不能与抖音商城满600减80的满减券同时使用。AI只看到了低价，没看到互斥。
这类错误在AI搜索里会被放大。用户问「这单怎么买最便宜」，模型给出的答案如果引用了错误的券规则，用户按建议下单失败，损失的不只是一次转化，还有对品牌促销信息的信任。品牌方通常把这类问题归因于平台算法，但真正可控的一环在自己手里：促销规则有没有以机器可读的方式写在页面上，互斥条件有没有明确成一句话。
券的互斥规则模型读不到
互斥规则难读，是因为它常常以隐含方式存在：写在活动页的小字里、写在客服话术里、写在商家后台的配置项里，唯独没有写在商品页上。模型抓不到，就只能靠推断，推断就会出错。可核验的写法是把互斥条件写成完整句子，比如「本券不与平台满减同享，单件商品限用一张」，让抽取和验证都变得可能。
跨App的上下文丢失
实测里还有一个细节值得注意：豆包在第二天重新测算时，表示看不到前一天的聊天记录与链接，还把推荐商品的挂牌原价与券后价混为一谈，导致方案总价远超需求。跨应用调用时上下文丢失，是当前AI助手的普遍短板。对品牌的含义是，不要指望用户在一次对话里把规则说清楚，商品页本身必须自带完整的价格与规则说明。
促销信息的三种写法 只有一种能被引用
第一种写法是营销话术，比如「史上最低」「错过再等一年」，这类表述无法被抽取，也无法被验证，模型通常直接跳过。第二种写法是分散数字，比如在标题、主图、详情页各写一个价格，模型取到哪个全看运气，结果就是算错。第三种写法是结构化事实，把原价、到手价、券名、券门槛、适用范围、互斥条件逐项列清楚，模型能直接取用，引用来源也会稳定指向这一页。
三种写法的差别，在AI搜索的可见度上体现得非常直接。促销期的问题高度集中在「哪个更便宜」「怎么买最划算」，这类问题的回答需要精确数字支撑，谁的页面提供了可直接引用的数字，谁就更可能成为引用来源。反过来，页面只有形容词的品牌，即便投放预算很大，也不会出现在回答里。
| 写法 | 典型表述 | 能否被AI引用 |
|---|---|---|
| 营销话术 | 史上最低、错过再等一年 | 基本不能 |
| 分散数字 | 标题与详情页价格不一致 | 容易取错 |
| 结构化事实 | 原价、到手价、券门槛、互斥条件 | 可直接引用 |
| 规则问答 | 常见凑单问题与结论 | 易被整段引用 |
这张表可以直接拿去改商品页。成本最低的一步是把「到手价」的计算过程写出来：原价多少、用了哪张券、券的门槛是多少、有没有互斥。这段文字对消费者也有用，因为它解释了为什么价格是这样。一件事同时服务人和机器，才是AI搜索时代该有的写法。
品牌侧怎么让规则可被机器读
第一件事是把促销规则从图片搬到文字。主图上的「满300减50」如果只存在于图片里，模型读不到；写成正文的一句话，就能被抽取。第二件事是给每张券一个稳定名称，不要今天叫「大额券」明天叫「店铺神券」，名称不稳定，模型就无法把不同页面上的信息对齐。第三件事是把互斥关系写成完整句，而不是用符号或缩写。
第四件事是建立监测。大促期间每周在主流AI搜索入口跑一遍与自家商品相关的价格类问题，看回答里的价格与规则是否与页面一致，不一致就回去改页面。这套动作不需要复杂工具，但需要固定节奏。促销周期只有几周，等到复盘时才发现AI一直在报错价，损失已经发生完了。
常见问题
AI算错价格，是平台的问题还是品牌的问题？
两者都有。平台侧是模型能力问题，品牌侧是信息可读性问题，后者是品牌能直接改善的部分。
为什么AI会推荐一个用不了的券？
券的互斥条件通常写在活动页小字或后台配置里，商品页没有写清楚，模型抓不到就只能推断。
促销信息怎么写才容易被引用？
把原价、到手价、券门槛、适用范围、互斥条件逐项写成文字，避免只放在图片里。
大促期间要监测什么？
每周跑一次价格类问题，看AI回答里的价格与规则是否与商品页一致，不一致就改页面。
