基于GEO重构Listing，吃透Amazon Rufus亿万级推荐流量

传统的亚马逊 SEO（A9/A10 算法）核心逻辑是关键词匹配与转化率历史

而 Rufus 作为基于大语言模型的生成式 AI 购物助手，其核心逻辑已经从关键词检索转向了意图理解、上下文对比与主观价值评估

我在亚马逊官方报告了看到一组数据

Rufus从2024年上线到2025年Q4

Rufus 活跃用户突破3亿人

全年带动增量销售额接近100亿美元

最关键的是，使用 Rufus 的买家完成购买的概率比未使用者高 60%

在Rufus里面，用户提问大多是提问句或者带特定约束和偏好的复杂查询

传统的关键词策略在Rufus面前自然会失效

因为单纯的关键词无法直接回答用户主观痛点

而GEO可以做到

制定优化策略的前提是理解Rufus信息的提取机制

在亚马逊官方博客里提到

Rufus 从已知可靠的来源中提取信息，包括产品描述、评论、Q&A等地方提取所需的信息

这意味着可直接影响 Rufus 的信息的核心触发点有三个：

产品详情页：标题、Bullet Points、描述、后台属性字段

评论：Rufus 会主动引用评论内容来回答用户问题

问答：Rufus 将其作为边缘查询的直接答案来源

同时Rufus具备语义理解能力的支撑之一是COSMO

COSMO会从用户购买行为中提取常识关系

所以用户具体的场景模型也会影响Rufus的答案

1. 内容语义化

Rufus使用语义搜索而非TF-IDF/BM25关键词匹配

所以传统SEO的关键词堆砌在生成式引擎中会失效

（SEO依然重要，只是关键词堆砌对于Rufus的意义发生了改变）

而流畅性和易读性的内容反而容易被Rufus读取

Rufus的查询解析器首先提取名词短语来理解购物意图，再进行检索

怎么理解这个过程呢？

名词短语 = 购物意图的实体

对于Rufus而言

购物意图的实体就是商品、品牌、品类、场景、人群或属性

比如：

用户输入：推荐一双适合雨天去西雅图旅行的鞋子

这里面的名词短语就是：雨天、西雅图、旅行、鞋子

提取出名词短语后，Rufus并不是直接拿这些短语去搜，而是进行了一系列的转译和映射

结合COSMO知识图谱

鞋子映射到商品类目

雨天映射到商品属性（防水、防滑）

西雅图旅行映射到使用场景（户外徒步鞋、城市通勤鞋）

所以在实际操作中，我们需要将参数翻译为场景

帮Rufus更好的去做映射

例子：

防水 IPX7蓝牙运动耳机 

可以改成

-> 为跑步设计的防水蓝牙耳机，IPX7 防汗防雨，适合日常锻炼、马拉松

简单点理解就是将五点从原来的列规格参数改为回答用户问题

我写了一个五点描述优化改写的提示词，如有需要可在文末获取

除了bullet point的结构改写，同时要去除关键词堆砌

既然Rufus能够通过上下文理解产品，那冗长且语法不通的关键词堆叠反而会降低GEO的流畅度指标

2. 主观属性显式化

所有的生成式引擎都容易出现幻觉，Rufus会倾向于推荐属性数据最完整、且不存在歧义的商品

如果你的产品在后台漏填了目标受众或材质，Rufus 在处理对比这类问题时（如对比 A 和 B 哪款材质更坚固），就会直接忽略你的产品

Rufus的资料里提到它能够理解并匹配主观性描述词

主观属性：如坚固的、宽敞的、显色度高的

场景关联：如适合婚礼、适合圣诞节礼物

受众定位：如适合新手、适合银发族

目标导向：如帮助整理桌面、改善睡眠质量

在 COSMO 知识图谱中，这些关系对应为 

used_for_audience、used_for_event、used_for_function 等节点

这也意味着产品信息中越清晰地包含这些维度，就越容易被COSMO图谱捕获并匹配到对应用户意图

这个策略主要是完善Amazon后台分类属性

如尺寸、适合人群、兼容性、适用性等

同时A+页面的模块化对比与FAQ优化

可以在A+页面中加入针对自己品牌不同型号的对比表和结构化Q&A

3. 丰富评论和Q&A语料库

Rufus语料有部分是来自客户评论和Q&A

这意味着，除了前面两个策略提到的商品详情页，Review和Q&A语料也占据了部分权重

Rufus可以将Review和Q&A独立数据源进行检索，并直接从中提取答案

我们可以通过反向提取竞品中 1-3 星的差评（现在review查看有限制，可以通过Q&A模块去找）

找出消费者频繁提及或者抱怨的点，然后把解决这些痛点的答案，用自然语言写进自己的Listing

针对Q&A的安排，可以植入长尾的、场景化的问题，然后给出肯定且包含细节的回答

比如用自然的问句形式问题：这款瑜伽垫会打滑吗？

再提供具体可被引用的答案：不会。这个瑜伽垫垫面采用 4mm 深纹橡胶格纹，湿润状态下摩擦力比干燥时增加 30%

4. 视觉标签优化

虽然 Rufus 是基于文本对话的，但也支持从图片中提取视觉标签（如使用场景、质感、体积），并与文本进行交叉验证

所以在主辅图中，使用场景图和尺寸对比图

可以帮助Rufus结合文本提取更符合用户提问意图的内容和推荐

加上2025年11月，Rufus新增账户记忆功能，使得它能够记住用户的购物偏好、家庭构成、宠物信息等

这说明之前大家讨论的千人千面在Rufus推荐机制中更容易出现

同一款产品对不同用户Rufus会有不同的推荐概率

在描述内容文本有限制的情况下，图片可以更直观的表达适配场景和人群，从而增加Rufus针对不同用户档案去做匹配的概率

或者可以通过在图片中同时展示多种使用场景，增加人群推荐的范围

5. 数据与统计信息植入

这一个策略可能被很多人忽略

具体的数据意味着更准确的答案

就好像苹果手机经常不提及电池容量，而是直接写典型使用场景下可以使用具体多长时间

对于买家来说，使用时间比电池容量更直观更容易理解

对于Rufus，具体的数据也有同样的效果

具体数字的陈述相比主观定性描述在AI眼里具有更高置信度

具体数据在语料库里也代表这更低的输出幻觉风险，也就等于更容易被引用

如

电池续航时间长 

可以改成

-> 单次充电续航28小时，待机可达10天

防水性能好

可以改成

-> 通过IPX7认证，可承受水下 1 米浸泡 30 分钟

以上策略都是基于我对Rufus官方资料总结的，可能不全，欢迎大家补充