讓 AI 讀懂你的規格頁:產品頁 AEO 指南

產品頁是 B2B 官網上最接近成交的一頁,卻幾乎總是全站「機器可讀性」最差的一頁:規格烤在圖片裡、表格只有一串料號、應用情境藏在型錄 PDF、整頁沒有任何結構化資料。當北美買家不再用 Google 打關鍵字,而是直接問 ChatGPT、Perplexity 或 Google AI Overviews「有沒有耐 200 度 C 的 PTFE 墊片供應商」,你這一頁連進入候選答案的資格都沒有。這篇是專門針對「產品頁 / 規格頁 / 型錄頁」這個頁面類型的 AEO 實作指南——不是全站技術健檢(那是 製造業官網 SEO 檢查清單 的主題),也不是部落格文章的寫法(那是 GEO 內容策略 的主題),而是把你最值錢的那一頁,從「人看得懂、機器看不懂」改造成「兩邊都讀得到、都引用得了」。

為什麼你的產品頁 AI 讀不懂

你的產品頁 AI 讀不懂,多半不是內容不夠好,而是關鍵資訊根本不是「頁面文字」。規格在圖片裡、參數在 PDF 裡、應用情境在業務腦子裡——爬蟲抓回去的 HTML 只剩下型號與一張大圖,AI 自然沒有東西可以擷取、比對、引用。

先理解機器怎麼看這一頁。Google 處理網頁分成三個階段:抓取(crawling)、轉譯(rendering)、索引(indexing),而 Google 官方的 JavaScript SEO 基礎文件 明講,若初始 HTML 不含實際內容,Google 必須先執行 JavaScript 才看得到內容。AI 答題引擎的抓取行為比 Google 更保守:多數 LLM 爬蟲只取伺服器回傳的 HTML,不會等你的前端框架跑完。也就是說,凡是需要點開分頁、展開手風琴、或等 API 回來才出現的規格,對 AI 而言等於不存在。

實務上,製造業產品頁最常見的五個「不可讀」病灶是這些:第一,規格表是一張圖——整份參數做成 PNG 或 JPG,底下配一句「詳細規格請見上圖」。第二,表格只有料號——欄位是 A-1023、A-1024、A-1025,沒有一個字說明它們是什麼、差在哪。第三,應用情境只存在於 PDF——最有價值的「這顆軸承用在哪種產線」寫在 24 頁型錄裡。第四,沒有結構化資料——整頁只有 Organization schema(還常常是外掛自動加的),Product 完全沒標。第五,內容藏在互動元件後面——規格切換用 JS 動態載入,原始 HTML 一片空白。

破除一個常見迷思:很多老闆會說「我們的產品頁 Google 有收錄啊」。收錄不等於可引用。被索引只代表 Google 知道這個網址存在;被引用則要求頁面上有一段「明確回答某個問題、且能單獨成立」的文字。一頁只有型號、大圖與「歡迎來電洽詢」的產品頁,可以被索引一輩子,也永遠不會被任何 AI 拿去組答案,因為它從頭到尾沒有回答過任何問題。

再看一個去識別化的代表性情境:一家做工業扣件的台灣廠商,官網有 480 個產品頁,每頁平均 60 個中文字加一張規格圖。他們的產品確實有耐蝕、耐高溫的差異化,但那些差異全在圖裡。對 AI 來說,這 480 頁的文字內容幾乎完全一樣——都是「型號 + 產品名 + 洽詢」。結果是:AI 無法區分這 480 頁,也無法把任何一頁對應到具體的買家問題。把規格文字化之後,同樣一批頁面才第一次擁有「彼此不同」的語意。這就是產品頁 AEO 的起點:先讓機器讀得到,再談讀得懂。

規格表:從圖片變成可擷取的文字

規格表必須是 HTML 表格裡的文字,而不是一張圖。每一列至少要有三件事:屬性名稱、數值、單位;而且屬性名稱要用買家會講的詞,不是你 ERP 裡的欄位代號。這一步做完,通常是產品頁 AEO 投報率最高的改動。

具體怎麼做?第一,表頭語意化。用真正的 HTML 表格,首列用 th 標記,必要時加 scope 屬性。轉成純文字時,語意化的表頭讓「這欄是工作溫度」這件事不會消失。第二,屬性名稱寫成完整詞彙。把 T-range 寫成「工作溫度範圍」,把 OD 寫成「外徑 (OD)」,英文頁寫成 Operating temperature range 與 Outside diameter。買家與 AI 都不知道你的內部縮寫。第三,單位一定要寫,而且公英制雙寫。北美買家的腦內單位是英吋與磅,你的圖面是公厘與公斤;寫成「外徑 25.4 mm (1.0 in)」讓兩種查詢都能對上。第四,區間用可解析格式。與其寫「-20~200」,不如寫「-20 °C 至 200 °C」或英文的 "-20 °C to 200 °C",讓語言模型不必猜那個波浪號是什麼意思。

第五,一個型號一列,屬性當欄位。B2B 產品頁最好用的結構是「型號 × 屬性」矩陣:每一列是一個可訂購的型號,每一欄是一個規格屬性。這種結構同時服務三種讀者——人類工程師掃一眼就能選型、AI 可以逐列擷取成結構化事實、你自己的搜尋與比較功能也有資料可用。第六,圖片留著,但不是唯一來源。工程圖、爆炸圖、尺寸標註圖都有價值,保留它們,但務必補上描述性的 alt 文字與圖說,並確保圖裡的每一個關鍵數字在文字裡也出現過一次。Google 圖片最佳做法 說明 Google 會用 alt 文字理解圖片主題;W3C 的替代文字教學 則進一步區分「資訊型圖片」與「裝飾型圖片」該怎麼寫。規格圖屬於前者,alt 要寫出它傳達的資訊,而不是「產品圖」三個字。

要主動避免的反模式只有一個,但殺傷力最大:把整張規格表做成圖檔,再配一句「詳細規格請見圖」。這句話對 AI 而言是一個死路——它讀到「詳細規格請見圖」,然後什麼也拿不到。同樣要避免的還有把規格塞進 Excel 或 PDF 附件讓人下載,以及用 JS 動態渲染的表格元件而沒有伺服器端輸出。

還有一個很少被談到的第二層效應:把規格表文字化,受益的不只是 AI。內部業務報價時可以直接複製貼上、網站可以做「規格篩選器」、Alibaba 或展會用的產品資料表可以從同一份資料生成、翻譯成第二第三語言時也不必重畫圖。很多客戶做完這一步之後,發現真正省下時間的是業務部門,而不是行銷部門——這是說服老闆撥資源最有效的角度。

應用情境:買家搜的是問題,不是型號

買家在 AI 裡輸入的,幾乎從來不是你的料號,而是「用在什麼設備上」「能耐幾度」「符合哪個法規」「有沒有替代某個原廠件的方案」。產品頁如果只有型號與規格,頁面上就沒有任何一句話能對上這些問句——這是規格文字化之後,第二個必須補的洞。

一個可被引用的應用情境區塊,至少要寫清楚四件事。適用產業與設備:寫出實體名稱,例如「食品級充填機」「半導體濕製程設備」「戶外太陽能支架」,而不是含糊的「廣泛應用於各行各業」。典型工況:溫度、壓力、轉速、介質、頻率、環境(戶外/潔淨室/海洋大氣)。選型判斷:什麼情況該選 A 型不選 B 型,判斷依據是什麼。不適用情境:哪些條件下不建議使用、有什麼替代方案。

最後那一項最違反行銷直覺,卻最有效。主動說明「不適用」看似在勸退客戶,實際上做了三件事:對人類買家而言,這是專業的證明;對 AI 而言,這是一段高資訊密度、可獨立成立、且同業幾乎都沒有寫的內容——換句話說,它是稀缺的可引用素材;對你的業務而言,它會過濾掉本來就會做白工的詢盤。Harvard Business Review 長期報導的 B2B 採購行為轉變也指向同一件事:買家在接觸業務之前,已經自行完成大量研究,誰能在那個階段提供可驗證的判斷依據,誰就先進了短名單。

寫法上有一個關鍵原則:answer-first,而且要指名道姓。每一段的第一句就直接給答案,不要鋪陳;句子裡要出現具體實體名稱,不要用「本產品」「該系列」這種只有在上下文裡才成立的代稱。因為 AI 擷取的是段落片段,一旦脫離上下文,「本產品」就變成無法解析的東西。這套寫作技法在 GEO 內容策略 裡有完整拆解,產品頁只是把它應用到最短、最密集的文字上。專有名詞如果較冷門,也可以連到你自己的 詞彙表,讓 AI 有機會把兩個頁面的實體對應起來。

那內容從哪來?答案通常不在行銷部門,而在業務與工程師的腦子裡。實務上最有效的做法是:錄音訪談資深業務三十分鐘,請他講「客戶最常問的十個問題」與「上一季成交的五個案子分別解決了什麼問題」,然後用 AI 轉寫、整理成每個產品頁的應用段落,最後由工程師確認技術正確性。這條流程一天可以產出十幾頁的內容,品質遠勝行銷同事憑空想像的形容詞。這也是我們在 外銷網站建置服務 裡實際帶客戶跑的流程。

Product 與 ItemList 結構化資料怎麼標

結構化資料是把你已經寫好的文字,再翻譯成機器最容易解析的格式。Google 的 product snippet 文件 規定:必填只有 name 一個,再加上 review、aggregateRating、offers 三者擇一。但對 AEO 而言,真正有價值的不是那個必填欄位,而是 sku、brand、material、additionalProperty 這些「把規格搬進機器語言」的屬性。

先看有哪些工具可用。schema.org 的 Product 型別 提供的屬性遠比多數人以為的多:識別用的 sku、mpn、gtin、productID;品牌與製造商的 brand、manufacturer;物理尺寸的 width、height、depth、weight,以及 hasMeasurement;B2B 特別重要的 material、countryOfOrigin、hasCertification;以及描述關聯性的 isAccessoryOrSparePartFor(這是誰的配件或備品)、isConsumableFor(這是誰的耗材)、isSimilarTo。對做替代件、備品、耗材的廠商來說,最後這幾個屬性幾乎是為你們設計的。

最萬用的一招是 additionalProperty。任何 schema.org 沒有預留欄位的規格,都可以用 PropertyValue 表達成「名稱—數值—單位」三元組。工作溫度、耐壓等級、表面處理、螺紋規格、防護等級——全部都可以掛在 additionalProperty 底下。這等於把你在上一節做好的規格表,一列一列複製成機器可讀的事實。

沒有公開價格怎麼辦?這是 B2B 最常見的卡點。務實的做法是分兩層:如果你要爭取 Google 的 rich result,就必須提供 offers 相關資訊;如果你的商業模式本來就是報價制,那就不要強求 rich result,改為單純用 Product 標記表達語意——結構化資料的價值不只在於顯示星星與價格,更在於讓任何解析器(包括 LLM)不必猜就知道「這個字串是材質、那個數字是外徑」。

產品列表頁與分類頁也別放過。列表頁用 ItemList 標出裡面有哪些產品與各自的網址,搭配 BreadcrumbList 表達分類層級,AI 就能理解你的產品體系是怎麼組織的,而不是把每一頁當成孤島。

一個底線必須守住:Google 的結構化資料一般政策 要求標記內容必須代表頁面主要內容、且對使用者可見。標一堆頁面上根本沒有的材質或認證,不只違規,對 AEO 也毫無幫助——語言模型同時會讀你的可見文字,不一致只會降低可信度。想從零理解結構化資料的概念,Moz 的結構化資料指南 是相當好的中立入門。

一份精簡但完整的 B2B 產品頁 JSON-LD 大致長這樣:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "PTFE Flange Gasket FG-200",
  "sku": "FG-200-DN50",
  "mpn": "FG200DN50",
  "brand": { "@type": "Brand", "name": "Your Brand" },
  "manufacturer": { "@type": "Organization", "name": "Your Company Co., Ltd." },
  "material": "PTFE (virgin, FDA-compliant)",
  "countryOfOrigin": "TW",
  "description": "Chemical-resistant PTFE flange gasket for food and pharmaceutical process lines.",
  "additionalProperty": [
    { "@type": "PropertyValue", "name": "Operating temperature range", "value": "-20 to 200", "unitText": "degree Celsius" },
    { "@type": "PropertyValue", "name": "Nominal diameter", "value": "50", "unitText": "mm" },
    { "@type": "PropertyValue", "name": "Pressure rating", "value": "16", "unitText": "bar" }
  ],
  "isConsumableFor": { "@type": "Product", "name": "Sanitary flange connections DN50" }
}

材質、公差、認證:B2B 特有的可引用資訊

材質、公差與認證,是製造商手上最容易被 AI 引用的三類資訊。原因很簡單:它們可驗證、極度具體、而且絕大多數同業從來沒有把它們寫成網頁文字。稀缺加上可驗證,正是被引用的前提。

材質要用多重命名。 同一種不鏽鋼,台灣圖面寫 SUS304、美國買家查 AISI 304 或 Type 304、歐洲規範寫 EN 1.4301、北美材料庫寫 UNS S30400。如果你只寫其中一個,用另外三種說法搜尋的買家與 AI 就對不上。正確做法是在材質欄位一次寫齊等效牌號,並在括號裡標明標準體系。塑料同理:PTFE、POM、PA66+GF30、PEEK 都要寫出牌號、填充比例與是否符合食品或醫療級規範。

公差要附量測條件。 只寫「±0.05 mm」的資訊價值有限,因為工程買家真正要知道的是:在什麼溫度下量、用什麼方法量、依據哪一套標準、是全檢還是抽檢。把「常溫 23 度 C、依 ISO 標準三次元量測、關鍵尺寸全檢」寫出來,這一段就從行銷文案變成技術事實。順帶一提,這也是你的品管實力最好的展示位置,遠比在關於我們頁面寫「品質第一」有說服力。

認證要寫成可查證的結構。 認證名稱、發證機構、證書編號、有效期限、適用範圍,五件事缺一不可。「我們通過 ISO 9001」跟「ISO 9001:2015,由某某驗證機構核發,證書編號 XXXX,有效期至 2027 年 3 月,適用範圍涵蓋沖壓件之設計與製造」,對 AI 而言是完全不同等級的資訊。常見於外銷製造業的清單包括 ISO 9001、IATF 16949、ISO 13485、CE、RoHS、REACH、UL、FDA 食品接觸材質等,對應到 schema.org 的 hasCertification 屬性。

破除第二個常見迷思:「規格寫太細會被同業抄」。實務上,你的規格早就印在型錄、報價單與展會 DM 上,同業要抄從來不缺管道;藏在圖片裡唯一擋住的,是那些真的想買、卻找不到你的買家與 AI。真正該保護的是製程參數、模具設計、成本結構,不是產品規格。Search Engine Land 的 SEO 資源庫 與我們在 工程 know-how 與 E-E-A-T 內容 談過的專業內容邏輯是一致的:願意公開可驗證細節的人,長期會累積不對稱的信任優勢。

型錄 PDF 該怎麼處理才不浪費

PDF 可以被索引,但不該是規格的唯一載體。Google 官方說明 指出:只要 PDF 裡的文字可以複製貼上,Google 通常就能索引;若文字是以圖片形式嵌入,Google 可能用 OCR 演算法擷取,但那些圖片本身並不會被索引。Google 的可索引檔案類型清單 也確認 PDF 屬於可索引格式。問題不在能不能索引,而在 PDF 的內容結構鬆散、無法標結構化資料、無法內部連結、更新一次要重做整份檔案。

務實的處理方式有四個步驟。第一,HTML 為主、PDF 為輔:每個型號有一個 HTML 產品頁,PDF 當作「可下載、可離線、可轉寄給主管」的補充。第二,確保 PDF 的文字可選取:掃描的舊型錄要重新輸出或做 OCR 後嵌入文字層,否則等於一疊圖片。第三,填好 PDF 的文件標題與中繼資料:很多型錄的檔案標題是「型錄-final-v3-最新」,搜尋結果就會顯示這串字。第四,在 PDF 內部放回連結:PDF 裡的連結會被視為與 HTML 連結類似,可以傳遞索引訊號,所以每一頁的頁尾都該連回對應的 HTML 產品頁。

重複內容怎麼辦?Google 建議同一份內容盡量只提供一種版本。若你同時有 HTML 與 PDF,可以用 HTTP 標頭層級的 rel="canonical" 指向 HTML 版本(做法見 Google 的重複網址整併文件),或在不想讓 PDF 出現在搜尋結果時,用 X-Robots-Tag: noindex 的 HTTP 標頭處理。

最後一個取捨是 gated PDF——要填表單才能下載型錄。從 AEO 角度看,gated 內容對 AI 完全不存在,你等於自願退出所有 AI 答案。建議的分界線是:規格、材質、認證、應用情境一律公開,因為這些是你被找到的入口;設計圖檔、報價、客製案例、比較分析報告才設表單,因為那些才是真正需要換聯絡資訊的深度資產。同樣的邏輯也適用於 B2B 平台上的型錄——在 Alibaba 營運服務 的實作裡,把 PDF 裡的規格搬到平台的產品屬性欄位,幾乎總是比上傳一份漂亮的型錄更有效。

產品頁 AEO 檢查表

以下是一份可以直接拿去對照現有產品頁的檢查表。建議的用法是:先挑出貢獻最多詢盤的十個產品頁,逐項打勾,把「常見錯誤」欄位命中的項目列成待辦,再依序修。

優先順序怎麼排?如果資源只夠做一件事,做第一列:把規格表文字化。這是唯一一項「不做,後面全部無效」的前置工程——沒有文字,就沒有結構化資料可標、沒有應用情境可寫、AI 也沒有東西可引用。做完之後,依序補應用情境、結構化資料、認證細節。想看更多同一系列的頁面型優化文章,可以參考 網站 SEO 主題專區。

上線後怎麼驗證與追蹤

改完之後,用五個層次驗證,從「機器讀不讀得到」一路測到「AI 會不會引用」。這五個檢查各花不到十分鐘,但能避免最常見的情況:改了很多,卻沒有一項真的生效。

第一層,結構化資料語法。 用 Google 的複合式搜尋結果測試工具 輸入網址,確認 Product、ItemList、BreadcrumbList 都被正確辨識,修掉所有嚴重錯誤,非嚴重警告也盡量處理。這一步只驗證語法,不驗證內容是否屬實。

第二層,伺服器端文字。 這是最容易被跳過、卻最關鍵的一步。用一行指令看爬蟲實際拿到什麼:`curl -s https://your-domain.com/products/xxx | grep -o "工作溫度"`。如果抓不到,代表那段文字是 JS 渲染出來的,對多數 AI 爬蟲不存在。同樣的方法可以逐一驗證材質、公差、認證編號等關鍵字串。

第三層,索引狀態。 在 Google Search Console 用網址檢查工具看「已檢索的網頁」原始碼,並定期查看複合式搜尋結果報表有沒有新的錯誤。這裡看的是 Google 眼中的版本,而不是你瀏覽器裡的版本。

第四層,AI 實測。 拿五到十個真實買家問句——不是你的品牌名,而是「食品級 PTFE 墊片 供應商 台灣」這種——去問 ChatGPT、Perplexity 與 Google 的 AI 功能,記錄有沒有提到你、引用了哪一頁、以及競爭對手被引用了哪些內容。這是唯一直接衡量 AEO 成效的方法,建議固定每月做一次,用同一組問題比較趨勢。

第五層,爬蟲權限。 確認 robots.txt 沒有擋掉你想被引用的 AI 爬蟲,並考慮提供 llms.txt 作為內容地圖。做完前四層卻擋住爬蟲,是很常見又很痛的低級錯誤。

一個衡量上的重要提醒:先建立基準,再改版。在動工前把當前的問句實測結果、GSC 曝光與點擊、產品頁詢盤數各記錄一次,否則三個月後你會分不清成效是來自產品頁改版、旺季、還是展會。也別期待兩週見效——結構化資料要重新抓取、內容要重新評估,通常一到三個月才會看到穩定變化。合理的節奏是:上線後兩週驗證技術層(第一到三層)、每月做一次 AI 實測(第四層)、每季回頭檢視檢查表並補齊落後的產品線。如果想討論怎麼把這套流程套進你現有的產品頁,歡迎直接與我們聯絡。

最後把視野拉遠一點。B2B 線上採購的規模仍在快速擴張,Statista 的 B2B 電商研究 追蹤到 2025 年全球 B2B 電商規模約 30.1 兆美元,並預估 2029 年接近 44.5 兆美元。在這個量級之下,買家在接觸你之前會經過多少層機器篩選,只會愈來愈多。產品頁 AEO 不是另一項行銷技巧,而是把你已經擁有的工程實力——那些真實的規格、公差、材質與認證——用機器讀得懂的方式攤開來。內容你早就有了,只是還鎖在圖片與 PDF 裡。

延伸閱讀:《讓 AI 讀得懂你的網站:AEO 技術實作手冊》、《官網滿分,AI 還是不推薦你的品牌?》