这两天，OpenAI 在 ChatGPT 里悄悄上线了一个新功能——“shopping research in ChatGPT”。简单说，就是把「帮你挑东西、做功课」这件事交给模型：你只要说出自己的需求，它会主动去全网查价格、看评测、读评论，然后给你一份像人写出来的「选购指南」。

这个功能已经面向所有登陆用户开放，免费版、Go、Plus、Pro 都能用，而且为了配合黑五和圣诞季，官方给出了“几乎不限量使用”的承诺。

而如果仔细观察最近几款头部Chatbot的更新节奏，会发现一个悄悄发生的趋势：电商，正在变成它们天然想要插手的场景。

豆包其实是这一波「AI 入口争夺战」里最典型的案例。它原本只是一个通用 AI 助手，陪你聊天、回答问题、写写东西。但只要你在对话里随口提一句「想换电脑」，系统立刻就会“懂事地”在产品名后贴上一个抖音电商入口，点开就是已经匹配好的商品页，你无需跳 App、无需搜索关键词，直接一键在抖音商城完成下单。

更巧妙的是，豆包不会只给冷冰冰的商品链接，而是会在 AI 生成的商品介绍之后，自动补充真实用户在抖音上发布的测评视频与图文，对照着看，用户能更直观地感受到产品实际效果——从质感到穿搭、从手感到使用体验，信息密度比传统导购高太多。

这种转向的底层动力，其实是一场行业级的逻辑重构。

过去一年，AI 的主要商业化路径集中在订阅与 API 调用，本质上是一种“出售模型能力”的生意：你付费，我给算力、给答案、给生成内容。但当用户开始越来越频繁地把 AI 当成“做功课的伙伴”——让它帮忙比较、做取舍、选型号、查口碑——消费场景便天然被卷了进来。毕竟，选商品、做 trade-off、缩窄选择范围，本来就是语言模型最擅长的结构化思考任务。

对国内大模型厂商而言，这一步更是迫在眉睫。toC 订阅长期免费，行业急需找到新的商业闭环。而当 AI 已成为用户消费前置决策的“第一触点”，电商，几乎是最顺滑、也最现实的变现方向。

下面这篇文章，我们从四个维度来拆：shopping research in ChatGPT到底是什么、怎么用，实际体验表现如何，它在行业里的位置在哪里，以及这背后 OpenAI 想做的究竟不只是“导购”那么简单。

一个专门帮你「做功课」的小模型

先把产品本身说清楚。

在最新版本的 ChatGPT 里，只要你问的是跟购物相关的问题，比如“帮我找一台 7000 元以内、适合剪视频的轻薄本”，界面上就会自动弹出一个卡片，提示你可以启用“智能购物（shopping research）”。你也可以从输入框旁边的「+」菜单里，手动选择这个工具。

一旦进入购物研究，ChatGPT 会切换成一个类似「长对话工作流」的界面：它会先追问一些关键条件，比如预算区间、尺寸偏好、品牌倾向，你更在意的是性能、颜值还是性价比等等。官方帮助文档里写得很直白：通过这套追问机制，把原本模糊的「想买点啥」，收敛成一套足够明确的决策约束。

技术上，OpenAI 把这个功能做成了一个单独的小模型：官方称其为一个基于 GPT-5-Thinking-mini 后训练的「shopping research mini model」，专门对付「很多约束、很多细节」的选购场景。内部有一套评估体系，用来衡量它给出的产品有多少比例真正满足用户的条件，比如价格、规格、颜色、材质等。

数据来源上，OpenAI 强调了几个原则：其一，结果完全来自公开网页，没有任何“竞价排名”，不会混入广告或付费推荐；其二，它会优先抓取「高质量零售网站」，主动过滤掉低质量、薅羊毛型和垃圾站点；其三，它会把来源链接列出来，方便用户点回原站核对价格和库存。

有意思的一点是，OpenAI 还在同时推进「Instant Checkout」和「Agentic Commerce Protocol」——前者允许用户在 ChatGPT 里直接下单，后者是一套给商家、Agent和应用的电商协同协议。这意味着，今天的 shopping research，更像是未来「Agent 电商」的前端试验场：先解决“决定买什么”，再慢慢打通“在哪里买、怎么付钱”。

它更像一个「咨询顾问」，而不是「比价机器人」

下面是基于典型场景模拟的一组「测评」。

第一个场景，是典型的「高客单价、参数复杂」的电子产品选购。比如你给它的需求是：“预算 1000 美元以内，我需要一台适合视频剪辑、日常办公的 14 寸轻薄本，最好重量控制在 1.4kg 内，屏幕素质要好，对续航也有要求，Windows 和 Mac 都可以比较。”

启用 shopping research 之后，ChatGPT 会先把问题拆得更细：你日常用什么剪辑软件，是否需要独显、是否经常在户外用、是否有品牌偏好等等。等信息足够以后，它开始检索网页，逐步把候选机器拉进来。官方展示的典型表现是：它不仅列出机型和关键参数，比如 CPU 型号、内存、硬盘、屏幕规格，还会补充从评测站和用户评论里抓来的使用体验总结，并明确标出“适合重度剪辑 / 更偏办公 / 性价比较高”这类主观标签。

在这个过程中，用户可以做两件事：

其一，点“更多类似的”或者“不感兴趣”，训练系统更懂你的偏好；

其二，随时插入新的约束，例如突然想起“最好有全尺寸 SD 卡槽”“键盘一定要带数字小键盘”，shopping research 会重新过滤、更新结果。

这种「一边聊一边筛」的体验，和传统电商上自己套筛选器很不一样，更像你坐在一个懂数码的朋友旁边，把纠结一股脑地倒给他。

第二个场景，是情绪色彩很浓的送礼选择。比如“给四岁喜欢画画又有点胆小的侄女挑生日礼物，预算在 50 美元以内，希望既能培养创造力，又不要太吵闹，最好家长也容易收拾。”这类问题以前在搜索引擎上非常难查，你要自己「拆问题」：画画玩具、安静、易收纳、适合 4 岁……

而 shopping research 的玩法刚好相反：你直接把故事讲出来，由它来帮你抽象出几种产品线，比如创意画板、儿童手工套装、安静型积木，再从中各选几个代表产品，讲清楚适合的年龄段和使用场景。

在这种场景下，它的价值并不是「找到了某个最低价的玩具」，而是帮你把模糊的情绪需求，翻译成一套可执行的选择方案——这也是 OpenAI 在介绍里反复强调的一个点：shopping research 是为那种「复杂、需要 trade-off 的决策」而生，而不是为了查一个具体商品的单价。

第三类，是偏向「家居大件 + 生活方式」的混合问题，比如“给 40 平米小公寓选一个安静的无线吸尘器”、“帮我搭一整套阳台露营风小家具，预算 500 美元以内”。这类需求既有具体参数（噪音、续航、尺寸），又有风格偏好。

shopping research 在这里会表现出两个特点：一是会对参数型约束非常敏感，比如噪声分贝、尘桶容量、电池可拆卸与否等；二是会尽量从图片和评论里抽象出风格标签，用自然语言帮你描述「这套更偏北欧风，那套更偏户外感」，有点类似人工编辑的家居专题。

当然，它也有明显的边界。比如当前版本对亚马逊上的商品支持有限，某些场景下不会直接给出 Amazon 链接，这意味着在真正的「全网比价」上，它还有很长的路要走。

在价格和库存的实时性上，OpenAI 自己也打了预防针：由于价格和库存变化很快，shopping research 无法保证每一次推荐的价格都和商家页面上的完全一致，因此用户在真正下单前，仍然要回到商家网站确认。这也是它被命名为“research”的原因——它负责的是「做功课」而不是「替你成交」。

对于 Pro 用户，shopping research 还会和「ChatGPT Pulse」打通：如果你之前一直在聊电动自行车，系统后面可能会主动推送「适合你城市通勤的 e-bike 配件指南」这样的卡片，提前帮你把「你可能会买什么」的 research 做好。这个逻辑，已经非常接近一个“懂你上下文的私人买手”。

综合来看，从体验上，它更像一个「买前咨询顾问」，专长是帮你结构化需求、解释 trade-off、缩小选择范围，而不是传统意义上那个冷冰冰的「比价机器人」。

和谁在竞争？

从产品形态上看，shopping research 一脚踏进了好几个人的地盘。

对信息入口而言，它直接挑战的是 Google Shopping 和各类「购物垂直搜索」。用户以前想选电视、洗衣机，第一反应是「先搜一圈评测，再自己比参数」；现在如果习惯了和 ChatGPT 说话，很自然就会把这件事交给「聊天框」去做。The Verge 的评论就一针见血：它正在把 ChatGPT 变成一位「个人购物顾问」，而不是一个单纯的问答机器人。

对内容平台和测评媒体而言，它有点类似「自动化编辑」。那些原本靠“年度选购指南”“618 选购攻略”吸引流量的网站，会发现未来用户可能连网站都懒得点开——shopping research 自己就能把各家评测拆成结论、优劣、适用人群，再用更贴近用户上下文的话语重新编辑。这对 SEO 和联盟营销站点来说，是一次不小的结构性冲击。

对电商平台而言，这一步更像是为下一步的「Agent流量入口」铺路。

在另一篇关于 Instant Checkout 的介绍里，OpenAI 明确写道：未来用户可以在 ChatGPT 完成选购研究后，直接在对话里完成下单，不用再跳转若干个网页。对商家来说，是否支持 Instant Checkout、是否是该商品的主卖家、价格和履约能力如何，都会影响自己在 ChatGPT 里的排序。

这意味着，一旦闭环打通，shopping research + Instant Checkout 的组合，就不再只是一个「帮你写购物攻略的模型」，而是一个具备流量分发权、排序权的电商入口。相比传统电商，这个入口更「上游」：它在用户还没决定在哪个平台买东西时，就已经先帮他把选择做完了。

与此同时，像 Target 这样的零售巨头已经开始和 OpenAI 做深度整合：用户可以在 ChatGPT 里直接浏览 Target 的商品、加入购物车、选择门店自提或配送，整个流程不离开聊天界面。这种合作模式，如果复制到更多零售商身上，再叠加 shopping research 的“选购顾问”属性，就形成了一个完全不同于 App 和网页的“会话式电商生态”。

可以说，shopping research 把 ChatGPT 从「生产力工具」进一步推向「消费入口」。站在 OpenAI 的视角，这是一个自然的延伸：在大家已经习惯用它写代码、写报告之后，下一步就是让它参与到更频繁、更高 GMV 的场景里。

Agent 电商的「原型机」，但还远没到颠覆时刻

回到产品本身，我们可以更冷静地对它做一个分析。

机会在于，它抓住了一个长期被低估的痛点——信息过载下的「决策成本」。传统搜索引擎在购物场景里提供的是“信息列表”，电商平台提供的是“商品列表”，真正的「决策」一直都压在用户自己身上。而 shopping research 的价值，就在于把这部分脑力劳动部分外包出去：帮你把需求结构化，把备选项拉平到可以比较的维度，然后给出几个可行方案和「为什么」。

从产品演进路径看，它也是「Agentic Commerce」最自然、最安全的一块起步场景。相比直接让 AI 帮你自动下单，先让它帮你做 research、写 buying guide，本身风险要小得多，也更容易被监管、用户和商家接受。OpenAI 在介绍 Instant Checkout 和 Agentic Commerce 协议时也强调，目标是「让人、AI Agent和商家三方在一个统一的流程里协同」，而不是简单做一个新渠道的「硬广位」。

但隐忧同样明显。

第一个隐忧是「准确性」：再强的模型，本质上还是在读网页、抽取信息，再进行自然语言重组。官方已经承认，价格、库存、促销信息存在延迟甚至错误的可能，所以用户仍然需要自己二次确认。对那些试图完全「把购物交给 AI」的用户来说，这个现实会构成一定挫败感。

第二个隐忧是「中立性与可解释性」。今天 OpenAI 强调的是“没有广告、没有付费排序、完全基于相关性和质量”，但一旦未来在 Instant Checkout 或商家合作上引入更复杂的商业模型，如何向用户解释排序逻辑、如何在商业利益和用户利益之间保持平衡，会变成一个非常现实的问题。对商家而言，“怎么进入 ChatGPT 的货架”“怎么优化自己在 shopping research 里的可见度”，已经开始变成新的 SEO 战场。

对用户来说，现在可以把它当成一个「更聪明的选购文章生成器」。当你懒得开二十个 Tab 做功课时，让 ChatGPT 的 shopping research 先帮你打个样，再针对它的建议提问、质疑、反驳，最后做出自己的决定。

为什么 Agent 电商的真正沃土会在中国

如果放到全球视角去看，就会发现一件很有意思的事：OpenAI 的 shopping research 之所以看起来“新”，很大程度上是因为美国本土的电商基础设施并不完善，内容导购的习惯也远不如中国成熟。而同样的事情放在中国，土壤几乎是天然肥沃的。

首先，中国互联网在电商商业化上的认知与实战经验，是远超美国公司的。过去十年，从淘宝的图文测评、京东的参数比对，到小红书的内容种草、抖音的直播带货，中国用户已经极度适应“用内容完成消费决策”，而平台也在这套链路上积累了极丰富的数据、供应链和运营策略。换句话说，中国的消费者不需要被教育“为什么要让 AI 帮你做功课”，他们本来就在用内容做选择，只是今天换成了 AI 来帮你完成。

其次，中国大模型厂商手上握着一个美国公司难以复刻的巨大优势——成熟的生态闭环。豆包背后有抖音电商，拥有庞大的商品库、短视频测评内容、达人体系和极高转化效率。通义千问挂在阿里体系上，天然能接入淘宝、天猫的供应链、优惠体系和消费者决策链路。腾讯系模型则可以串联视频号、公众号、小程序和微信支付，让“看内容—下单—履约”变成一条连续操作。美国的入口和交易平台大多是割裂的，而中国的模型厂商从一开始就立在“流量、内容、交易一体化”的超级平台上。

这意味着，OpenAI 还在探索“对话 → 做功课 → 找商品 → 去外部平台下单”的链路时，中国厂商几乎已经可以做到“对话里完成做功课，对话里直接进入商品，对话后一键支付”。模型只需要把用户的需求结构化、把 trade-off 解释清楚，剩下的那部分——从激发兴趣到下单、物流、客服，已经被中国电商打磨得非常顺滑。

也因此，虽然全球都在谈“Agent 电商是下一波浪潮”，但最有可能率先跑通、规模化、甚至变成全民日常基础设施的地方，很有可能不是美国，而是中国。国内厂商不是从 0 到 1，而是从 9 到 10：把已经成熟的电商链路，换一个更高效、对话式的入口重新点亮。

参考文献：

[1] https://openai.com/index/chatgpt-shopping-research/