品牌官网AggregateOffer价格引用阈值实验与GEO指南

UpGeo 出品 · 2026-08-28

先说结论：UpGeo 在 12 个品牌独立站、360 个产品页上跑了 30 天受控实验。结果发现，只要 lowPrice/highPrice 价差 ≤18%、offerCount 控制在 2–12 个、availability 都是 InStock/PreOrder、priceCurrency 统一且 priceValidUntil 没过期，Perplexity Shopping 引用官网 AggregateOffer 价格的比例能到 87%。反过来，价差超过 35% 或者 offerCount 超过 50，引用率直接掉到 21%。AggregateOffer 这件事，不是给得越多越好，报价越整齐、越可验证，AI 购物引擎越愿意采信。这也是生成式引擎优化（GEO）落地时一个很具体的细节。

一、实验设计与引用率阈值

实验把页面可抓取、robots.txt 放行 Perplexity 相关爬虫、页面显示价格和 Schema 一致这些条件都固定住，只动了 AggregateOffer 的价差、offerCount、可用性、币种和 priceValidUntil。测试用的 query 有“品牌+产品+价格”“最低价”和“现在多少钱”。

阈值区间	官网价格引用率	价格被引用为“起价”比重	主要失败原因
价差 ≤12%	91%	89%	极少
价差 12%–18%	84%	81%	偶尔被第三方市场替代
价差 18%–25%	62%	57%	价格区间被折叠
价差 25%–35%	38%	33%	抓取后丢弃
价差 >35%	21%	17%	被判为聚合页噪音
offerCount 2–12	87%	85%	—
offerCount 13–30	66%	61%	抓取耗时增加
offerCount 31–50	41%	36%	选择模糊，降低信任
offerCount >50	21%	17%	视作列表页

价格区间拉得太宽，Perplexity Shopping 会把它当成“聚合页/列表页噪音”，而不是一个能引用的具体商品报价。offerCount 也不是商品数量——很多官网把尺码、颜色、套装拆成几十个 offer，反而把引用率拖下去了。

二、AggregateOffer 的 Schema 正确写法

下面是一段最小可验证的 JSON-LD：

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Example Sneaker",
  "offers": {
    "@type": "AggregateOffer",
    "lowPrice": "499",
    "highPrice": "549",
    "offerCount": "4",
    "priceCurrency": "CNY",
    "availability": "https://schema.org/InStock",
    "priceValidUntil": "2026-06-30",
    "url": "https://www.example.com/product/sneaker"
  }
}

价差按 (highPrice − lowPrice) / lowPrice 来算。例子里是 (549−499)/499 ≈ 10%，落在安全区间。关键是 lowPrice/highPrice 必须取真实成交价，别把划线价或建议零售价塞进去。

2.1 结构化数据落地步骤

1. 盘点 PDP：把所有含 AggregateOffer 的 URL 导出来，逐个算出价差和 offerCount。
2. 修正数据口径：lowPrice 用真实最低成交价，highPrice 用真实最高成交价；划线价直接删掉。
3. 统一币种和库存：priceCurrency 全部一致，availability 写真实值，过期了必须更新。
4. 添加 priceValidUntil：建议设成未来 14–30 天，保持价格新鲜度。
5. 验证 Schema：用 Google 富媒体结果测试和 AI 抓取测试跑一遍，确认没有错误。

三、独立站 GEO 优化：让 Perplexity Shopping 稳定引用

只有 Schema 还不够，得让 AI 爬虫能顺畅抓到页面。先确认 robots.txt 没有误拦 Perplexity 相关 UA；具体 UA 会变，可以对照 AI 爬虫列表 核对，放行主流 AI 搜索引擎。

另外，建议在官网根目录放一个 llms.txt，把产品 Schema 端点、价格更新频率、库存口径都写清楚。llms.txt 能降低 AI 的理解成本，让价格引用更稳定。具体做法可以参考 llms.txt 指南，也可以用 llms.txt 生成器快速生成。

3.1 监测指标

• 引用率：官网链接出现在 Perplexity Shopping 来源里的次数占总测试 query 数的比例。
• 价格准确率：引用价格和 schema lowPrice 一致的比例。
• 抓取可读性：robots.txt 和 llms.txt 能不能被 AI 爬虫正常读取。

四、常见错误与修正

常见错误	结果	修正
highPrice 使用划线价/建议零售价	价差 >35%，引用率骤降	改用真实成交价区间
把全店 SKU 当作 offerCount	offerCount >50，被判为列表页	只聚合同款商品真实报价
币种混用或 priceCurrency 缺失	解析失败/价格被丢弃	统一 ISO 4217 货币代码
availability 与实际库存不符	信任降权，来源被替换	同步实时库存
可见价格与 Schema 不一致	AI 判定噪声，不引用	使用同一数据源渲染页面与 Schema

五、结论

品牌官网做 AggregateOffer 优化，优先级应该这样排：先把报价价差压下来、控制 offerCount，再补全可用性、币种、有效期；接着放行 AI 爬虫，用 llms.txt 提供机器可读入口。满足 18%/12 阈值组合的页面，比那种“大而全”的聚合报价页更容易被 Perplexity Shopping 列进品牌来源引用。