什么是智能体就绪的产品目录？

“智能体就绪”到底意味着什么？

当一台机器无需人操作浏览器，就能找到、读取、查询一份产品目录并正确引用其中的内容时，这份目录才算得上智能体就绪。

这比“我们有一个不错的网站”要严苛得多，而且它失败的原因，在任何一份页面速度报告里都不会露面。一份目录可以排名很好、转化很好、界面无可挑剔，却仍然向 AI 助手真正使用的那个客户端返回一份空文档。这里的差距是结构性的，不是表面功夫的问题。

而且这件事每过一个季度就更要紧一分。Forrester 在 2026 年 1 月发布的采购方旅程调研中报告：94% 的企业采购者如今会在采购过程中使用 AI；把生成式 AI 或对话式搜索列为最有价值信息来源的采购者，人数是其他任何来源的两倍——排在供应商网站、产品专家和销售代表之前。助手在复述你产品规格时说出的那些数字，正越来越多地成为你的买家所相信的数字。

眼下多数相关文章的混乱之处在于，把“智能体就绪”当成了一件事。它其实是四件事，对应四类不同的消费方。

哪些助手在消费哪一个接触面？

1. 带结构化数据的服务端渲染页面

这是唯一一个能触达“什么都没配置过”的助手用户的接触面。

关于它，最要紧的一条技术事实是：AI 爬虫不会执行你的 JavaScript。Vercel 的爬虫分析——单月 5.69 亿次 GPTBot 抓取和 3.70 亿次 Claude 抓取——发现这些爬虫虽然确实会下载 JavaScript 文件（分别占请求量的 11.50% 和 23.84%），却从不执行它们，并得出结论：“目前没有任何一个主流 AI 爬虫会渲染 JavaScript”，点名了 OpenAI、Anthropic、Meta、字节跳动和 Perplexity。贯穿 2026 年的独立复测得出了同样的判断。如果你的参数表、库存指示或文档清单是在客户端注入的，那么对这些客户端而言，它们根本不存在。Googlebot 会渲染 JavaScript，至今仍是那个例外——而这恰恰就是为什么那些只在 Google 里检查自己可见性的团队，会错误地断定一切正常。

至于其余部分，Google 自己的指引直白得令人耳目一新：想出现在 AI Overviews 或 AI Mode 中，“页面必须已被索引，并且有资格带摘要出现在 Google 搜索结果里”，除此之外没有额外的技术要求、没有 AI 专用的 schema，也没有什么特殊文件。结构化数据依然值得做，因为它能消除歧义——让机器分得清哪个数字是额定电流、哪个是峰值——但它是一件消歧工具，不是什么魔法开关。

最后，爬虫这一层还有一个大多数目录都忽略掉的策略维度。OpenAI 公开记录了三个彼此独立的抓取代理：用于基础模型训练的 GPTBot、负责让站点出现在 ChatGPT 搜索里的 OAI-SearchBot，以及响应用户即时抓取请求的 ChatGPT-User。Anthropic 按同样的模式公布了 ClaudeBot、Claude-User 和 Claude-SearchBot。它们在 robots.txt 里是各自独立的条目。一条冲着训练去的一刀切禁止规则，同时也会关掉那个本可以引用你的检索爬虫。

2. Markdown 与纯文本视图

这是 2026 年被吹得最过头的一个接触面，所以有必要把话说准。

没有任何一款主流消费级助手公布过这样的内容协商约定：“发 Accept: text/markdown 给我，我会优先采用它”。llms.txt 这套约定在技术上是自洽的，在开发者文档类站点中也确有采用，但 Google 明确表示，你并不需要 AI 文本文件才能出现在它的 AI 功能里；而贯穿 2026 年的采用度研究也发现，OpenAI、Google 和 Anthropic 的爬虫并没有以任何有意义的量级去请求这个文件。

真正成立的那部分要窄得多，但仍然值得做。从一个导航繁重、脚本繁重的页面里抽出来的文本，噪声远高于直接以正文形式提供的文本，所以纯净视图在提取环节的存活率更高。而同一份纯净呈现，恰恰就是你的 MCP 工具应当作为载荷返回的东西。把 Markdown 视图当作规范记录的一件复用产物来做，而不是当作增长手段，你就不会失望。

3. 推送式产品数据流

有一条事实会重排大多数团队的路线图：ChatGPT 的购物入口，是靠商家推送的数据喂出来的，不是靠抓取。按已公布的数据流规范，商家通过加密的 HTTPS，把 TSV、CSV、XML 或 JSON 投送到一个双方约定并列入白名单的端点，系统最快可每 15 分钟接收一次更新。Perplexity 的商家计划在形态上如出一辙——产品数据以指定格式的 CSV 或 XML 文件提供，由商家负责投送。再多的页面内优化，也替代不了先去报名加入。

对工业品目录来说，一句必须说清的保留意见是：这些结构是照着零售业的形状设计的。它们默认存在 GTIN、目录价和一个可直接下单的变体。一家有 4 万个料号、价格按客户逐一签约、且有一半产品线根本没有 GTIN 的分销商，会发现两者并不契合。当你面向可识别的终端买家、按公开价格销售时，数据流的价值很高；而当你走报价流程时，它基本无关紧要。

4. 一个 MCP 端点

MCP 是保真度最高的那个接触面，同时在今天也是受众最窄的一个。这里有必要说得精确，因为不同助手之间的触达面差异极大：

• Claude 在 Free、Pro、Max、Team 和 Enterprise 各档套餐上都支持自定义远程 MCP 连接器，免费用户限用一个连接器。服务器必须能从 Anthropic 的 IP 段经公网访问到。
• ChatGPT 通过开发者模式接入自定义 MCP 服务器；具备写入能力的自定义连接器仅限 Business、Enterprise 和 Edu 使用，个人版 Plus 与 Pro 用户只能用只读的。支撑 ChatGPT 内应用的 Apps SDK 本身就构建在 MCP 之上，提交上架需经过目录审核。
• Gemini 通过 Gemini Enterprise 提供自定义 MCP 服务器连接：由管理员把你的 Streamable HTTP 服务器注册为其租户内的一个数据存储。这不是一项面向消费者的功能。

所以，真正能被触达的人群是：会自己配置连接器的工程师，以及其 IT 部门会去注册你服务器的企业采购方。对一家元器件或建筑产品制造商而言，这恰好精准描述了规格制定者和采购团队——但他们不是匿名长尾。谁要是告诉你，光靠一个 MCP 端点就能让你“在 AI 里可见”，那他一定是在推销什么。

为什么一个空的 MCP 服务器毫无价值？

因为一次工具调用就是一次关于正确性的承诺，而经由工具给出的错误答案，比根本不给答案更糟。

当助手读取你的网页时，它会留有余地：模型知道自己是在概括一份文档。而当它调用 get_part 并收到 {"rated_current_a": 32} 时，它不会留余地。它会把这个数字直接说出来。如果你的 PIM 里，壳架等级对应的是 32 A、具体型号对应的是 25 A，而工具解析到了错的那一个，那么你并没有提升自己的 AI 可见性——你只是把一个规格错误工业化量产了，还给它挂上了自己品牌的权威背书。

这也正是为什么，今天真正可信的零件类 MCP 服务器，都建立在一层经过核验的数据之上，而不是一层协议贴皮。Microchip 于 2025 年 11 月上线的免费公开 MCP 服务器，通过 Streamable HTTP 对外提供经过核验的产品规格、数据手册、库存、价格和交期——那份发布公告强调的重点是数据本身经过核验、保持最新，而不是传输方式。Shopify 的 Storefront MCP 服务器（地址为 https://{shop}.myshopify.com/api/mcp）之所以能跑通，是因为一家 Shopify 店铺本就已经拥有一份带类型字段的权威产品记录。

把一个 MCP 端点架在三份互相打架的电子表格、一个丢了单位的 PIM 和一个装满 PDF 的文件夹前面，只会让你更快地犯错。正确的工作顺序是：先规范记录，再核验，最后才是协议。

智能体就绪成熟度模型

大多数组织自以为在第 2 级，一查才发现自己在第 0 级或第 1 级。真正能区分级别的问题不是“我们有没有结构化数据？”，而是“当两个系统对同一个属性各执一词时，哪一个是对的，机器能不能分辨出来？”

怎么弄清自己在哪一级？

五项检查，按顺序做，每一项都只需要几分钟：

1. 01用一个纯粹的非浏览器客户端抓取一个产品页，然后读原始响应。如果规格参数不在 HTML 里，那么无论这个页面在浏览器中看起来如何，你都在第 0 级。
2. 02把你的 `robots.txt` 当成一份策略文件来读。 逐条列出你放行和禁止的每一个 AI 用户代理，并确认每一行都对应着一个关于“训练还是检索”的真实决策。
3. 03校验一段 JSON-LD，并把其中每一个取值都和可见页面逐一比对。对不上比缺失更糟。
4. 04挑十个零件，向三款助手各提一个你闭着眼都知道正确答案的事实性问题。 把答错的记下来。这个错误率，就是你真实的基线。
5. 05试着只用机器能够触及的数据，回答一个参数化问题——找出满足三项约束条件的全部零件。如果人必须打开一份 PDF 才行，那智能体也一样得打开——而它不会去打开。

我们在 984 家企业身上看到了什么？

2026 年 8 月，我们在全球范围内审计了 984 个分销商与制造商域名，覆盖北美、欧洲和亚洲。汇总出来的图景一致得让人不太舒服：

• AI 可见性得分的中位数，在 100 分制下约为 50 分。
• 38% 的站点对标准的非浏览器客户端根本不返回任何可读的目录页。
• 只有 19% 公布了任何形式的明确 AI 爬虫策略；而在这些站点中，封禁了某个主流爬虫的数量，是主动邀请其抓取的两倍多。
• 没有任何一家对外声明自己提供 MCP 端点。

分布比中位数更值得看。前 10% 与中位区间之间的差距，不在预算，也不在人手；而在于这家组织究竟只有一份规范的产品记录，还是有好几份互相竞争的版本。其余的一切，都是由这一点决定的。

应该先建什么？

1. 01为每个零件归一出唯一的规范记录，带上有类型的属性、单位、数据来源和最后核验时间戳。下面的每一项，都只是这份记录的一次投影。
2. 02让目录在服务端渲染，使完整的规格参数出现在首个 HTML 响应里。
3. 03加上与页面一致的结构化数据，然后动手校验，而不是信任生成器。
4. 04逐个代理写出一份经过斟酌的 AI 爬虫策略，并把每个决策的理由记录下来。
5. 05在存在与你商业模式相匹配的入口处推送数据流——不匹配的地方，就坦然跳过。
6. 06搭起一个 MCP 端点，对外提供参数化检索、型号查询、替代料、合规文件和 CAD，并对一切客户专属的内容加上 OAuth。
7. 07持续监测准确性，因为这里的失效模式不是沉默，而是自信满满的错误。

Partsgraph 以叠加层的方式来实现这一切：我们接入你现有的产品目录——数据手册、参数、CAD 和合规文件——把它归并成一张经过核验的 Parts Graph，并在不改动你网站的前提下，把它同时供给这四个接触面。

如果你想在做路线图之前先拿到基线，把你的域名放进我们的免费评分工具跑一遍：/audit。它会告诉你，今天一个非浏览器客户端从你的目录里实际拿到了什么，以及这四个接触面里你缺了哪几个。