资源介绍
视频数量：26个
总时长：39分
课程介绍：
第二受众：人工智能代理如何发现和选择商品
想象一个普通夜晚：你准备买跑鞋，打开对话助手，直接问“适合刚开始跑步的人、三百元以内、明天能送到哪里”。助手同时查看品牌官网、商品页、库存和配送说明，比较几款商品后给出建议。你没有亲手点击这些页面，网站日志里却多出了一串请求。过去分析工具盯着人的浏览、购物车和结账，现在机器也在替消费者发现商品、核实事实、筛选购买方案。这就是“第二受众”，它已经出现在服务器日志、网页响应和商业结果里。
课程用二十六个短视频、总计约三十九分钟，聚焦一个实际问题：网站怎样看懂机器请求，它们在做什么，读到了什么，又怎样把机器发现纳入商业判断。内容从概念和流量识别，讲到商品页表达、站点服务，最后落到归因测量。
一、第二受众为何改变电商分析：
传统漏斗通常从搜索或广告开始，经过网站浏览、加入购物车，最后走向付款。人工智能代理把一部分发现和比较搬到了网站之外，消费者不必先点击你的页面，助手就能替你查资料、看价格、核对库存。于是，商品有了曝光，却未必有普通点击；机器读到了页面，也不代表留下了人类会话。课程用训练、回答、索引和实时阅读四种角色解释这种差异，还通过实时仪表板提出关键问题：谁在访问，为什么访问，访问了什么，返回了什么，以及这些信号是否值得继续追踪。
二、识别机器流量，要让证据说话：
课程从 Applebot、Bing、Google 等常见机器来源入手，重点不是认名字，而是区分观察、得到支持、未知和推测。看到一次请求是观察，出现可重复的证据才接近得到支持，现有材料不足时必须保留未知，想到某种解释也只能先放在推测里。用户代理只是一句自我声明，任何人都能填写“ChatGPT用户”，所以不能凭字段名称判断来源。课程会结合来源地址、平台公布的网络范围、请求路径和时间戳进行核验，也会说明服务器端检查能看到什么，以及实时阅读者究竟取走了哪些内容。Google Analytics 漏掉这类流量并不奇怪，浏览器端规则、会话统计和默认过滤都可能遮住机器请求；服务器看到的抓取次数，也不能直接换算成真人阅读量。
三、人工智能代理读取商品页的六个商业事实：
同一条商品网址，对人和机器可能呈现两种表示。人能凭视觉和交互理解页面，机器更需要明确、稳定、可核验的文字和结构。课程把检查重点落在六类商业事实上，包括商品身份与类目、价格、库存和可购买状态、规格与变体、配送与退换信息，以及商家和信任信息。事实若只藏在图片、脚本或含糊文案里，或者不同页面互相冲突，代理就可能无法比较或给出错误建议。
这六类信息不是装饰性字段，而是代理做比较时真正需要的事实。价格要标明币种和时效，库存要说明是否可购买，规格和变体要彼此对应，配送与退换信息要可查，任何冲突都会让推荐失去依据。
课程用多个品牌和故障案例说明，诊断比一个笼统评分更有用。入口被拦截，机器连页面都打不开；页面显示请求成功，却几乎没有商业内容；页面返回成功但价格错误，都会让机器消费者得到错误结果。课程还整理四种失败模式和排查顺序，带你从访问是否发生、响应是否正确、内容是否完整，到事实是否一致逐层定位。
四、机器界面的两个杠杆：
网站服务机器代理，核心只有两件事：访问与信息。访问决定请求能否到达，信息决定到达后能否读懂。只放开抓取，解决不了页面贫乏；只堆内容，也弥补不了错误拦截。训练、索引和实时阅读各有目的，站点应结合日志、状态码、路径和返回内容，判断哪些请求允许、限速、缓存或进一步验证，让机器接口既可用又可追踪。
五、从机器发现到商业结果：
当消费者在对话框里完成发现，外部助手可能成为新的入口，传统点击归因很容易漏掉这段旅程。课程最后串起从身份核验到业务信号的测量链：确认请求身份，记录访问路径和时间，查看网页实际返回，再追踪推荐、引流、辅助转化和成交证据。测量时，可以把已核验身份、实时阅读请求、页面路径、返回内容、外部推荐和后续信号分层记录，区分直接成交与辅助影响，避免只盯最后一次点击。能观察到的内容和暂时无法确认的部分要分开，一次机器引用也不能直接等同于销售额。
这套方法适合电商负责人、增长与搜索团队、网站分析人员、商品内容编辑，以及负责日志和爬虫策略的技术人员。它尤其适合已经看到陌生代理请求，却不知道那是训练、索引还是实时阅读的人。学完后，你可以从用户代理追到来源证据，从返回成功追到商品事实，再从页面读取追到业务信号，在传统漏斗之外建立更可靠的第二受众测量视角。