我們的搜尋無所獲，是平台的商業選擇

破題：我們每天用的電商平台，搜尋其實壞掉了

我們每天用的電商平台，搜尋其實壞掉了。這並非平台工程師的怠惰與無作為，而是在極致商業算計下，平台刻意為之的「必然妥協」。

有一個 PTT 2018 舊討論串，標題叫「蝦皮的搜尋引擎？」，文章說在露天搜尋型號 530GHC 可以找到對東西，但蝦皮卻怎樣都搜不到。不是沒有商品，只是找不到。留言串很快湧入附議：「蝦皮搜尋超爛」、「搜尋前十頁是蝦皮想讓你看的，要確切尋找請直接跳到第十一頁」。

時間快轉到 2022 年，同樣的討論串出現了：「例如輸入『搖控』，此賣場出現一種商品；但如果輸入『搖控器』，賣場會多出一種商品。明明輸入『搖控』應該兩者都出現才對？」

又兩年過去了，狀況有好一點嗎？

前幾天我對台灣主流電商平台做了測試，Momo 的狀況很典型：

• 遙控器：排第一的是機上盒遙控器，相關。
• 搖控器：前三名全部變成 Samsung 電視螢幕，沒有一個是遙控器。

一個注音同音字的錯字，讓搜尋結果從「機上盒遙控器」變成「五萬元的電視螢幕」。

PTT 板有用戶分享在 foodpanda 怎樣都找不到他要的餐廳，生氣之餘去 Google 搜尋 foodpanda 加餐廳名稱，找到連結，再把連結貼回 App。「真的有夠智障。UE 的搜尋就很正常，熊貓真的要加油。」

我忽然好奇，Google 搜尋這麼神，為什麼台灣電商平台的搜尋這麼難用？沒有東西可以抄嗎？我試著把「難用」拆開來看：它為什麼難、難到什麼程度、台灣有沒有人在認真解、為什麼一個存在近十年的問題至今沒被修好，以及世界上其他人怎麼突破。

先講一下，這裡討論的是電商平台的 App 站內搜尋（In-App Site Search）：用戶在搜尋框裡輸入關鍵字，App 在自己的商品庫或餐廳庫裡找結果，然後回傳一個結果列表。不是 App Store 搜尋（那是獲客問題）、不是 Google/Yahoo 外部搜尋（那是 SEO 範疇）、也不是 AI 搜尋助理（那是趨勢但還不是主流）。

場景決定價值：這是到口的肉，看廠商要不要咬下來而已。

---

兩種戰場，不同挑戰

說是電商 App，但其實有幾種不同戰場，每種都有不同的用戶心智與挑戰。就以這篇要探討的電商跟外送來說，分別代表了精確匹配以及情境意圖。

戰場一：【電商】精確匹配型

代表平台：momo、PChome、Shopee、酷澎

用戶帶著明確意圖進來——「Dyson V15 Detect」「iPhone 15 Pro 256GB 深空黑」「A4 影印紙 80磅 一箱」。他不是來瀏覽的，他是來找的。

Baymard Institute 2024 年的大規模電商 UX 研究顯示，這類精確型搜尋的全球平均失敗率是 33%。每三個帶著明確型號來的用戶，就有一個找不到他要的東西。搜尋失敗後，80% 的用戶會直接離開前往競品，不會試著換關鍵字再搜一次。

台灣電商的精確型搜尋失敗，除了前面示範的同義詞、詞組優先序邏輯外，還有兩個現象：

截短悖論：「搖控器」搜不到，但「搖控」可以？消費者原先期待精準的「搖控器」更容易一擊中的找到，寬泛的「搖控」選項要多一點，結果都不是。這是繁中斷詞問題造成的 token 組合不匹配，也是方塊字世界的共通挑戰。

廣告污染：PTT 賣家說的「沒花廣告費，商品就被消失」，買家說的「搜尋前十頁是平台想讓你看的」，描述的都是廣告排名干預了搜尋結果，這不是 bug，是商業選擇。

戰場二：【外送】情境意圖型

代表平台：Uber Eats（UE）、foodpanda（熊貓）

外送 App 的搜尋情境複雜得多，用戶不只是帶著明確商品名稱，還帶著情境：「想吃辣的」「附近開著的」「下雨天快一點的」。系統不只要找到有辣的，還得找到你附近的，有開的。這叫做理解情境。

針對兩大外送平台測試的結果比電商平台好，但仍有改善空間。

輸入「想吃辣的」，兩個平台都能從這句自然語言裡提取「辣」的意圖，匹配附近的店家。熊貓回傳 34 家相關餐廳，UE 回傳 456 家。輸入「肉」，跑出所有餐點中有肉的店，錯是沒錯，但連鬍鬚張都進來，不符合大口吃肉的訴求。

多試幾次之後發現，兩個平台之間有個明顯的設計差距值得記錄：

廣告品質把關：搜「牛肉麵」，熊貓前兩名廣告是日式拉麵和鍋物，是有湯有麵有肉，但不是我要的牛肉麵；UE 前兩名也是廣告，但是真正的牛肉麵專賣店，而且在距離接近的範圍內，還會把評價更好的往上推，讓你一眼看到。

品牌搜尋保護：搜「麥當勞」，熊貓在麥當勞分店列表之後緊接著顯示競品廣告（達美樂、肯德基）；UE 的麥當勞搜尋頁面沒有任何競品廣告出現。

用戶明確搜了一個品牌名稱，平台把競品廣告插進結果頁，是搜尋設計對用戶信任的直接消耗。

UE 在廣告收入、店家品質、用戶意圖三者之間做平衡，熊貓則稍微傾向廣告收益那一側。

外送搜尋和電商搜尋除了場景外，還有個更大的技術挑戰在於即時資料整合，這是兩大平台目前都還沒做到的。

分別搜「蛋炒飯 30分鐘」和「蛋炒飯 10分鐘」，Uber Eats 兩組結果完全相同——系統沒有把「10分鐘」當作篩選條件執行，因為搜尋系統和配送系統沒有串接。預估送達時間的資料確實存在（頁面上清楚顯示），但查詢執行時無法存取這個資料。

電商搜尋只需要比對靜態商品庫；外送搜尋要滿足上面期待的話，需要在查詢執行的當下整合地理位置、即時營業狀態、預估送達時間、菜單內容四個即時變數。缺任何一個，「蛋炒飯 10分鐘內到」的時間就只是一個被忽略的字串，而不是一個被執行的條件。

其他戰場：【品牌官網】的精準品類、【旅遊平台】的情境大於產品

說電商，就不能不提91App 服務的諸多品牌官網。進入品牌官網的用戶都是有意圖的訪客：他來到「La New 官網」就是要買 La New 的鞋，不會是來買衛生紙的。

這類查詢屬於品類層級，問題相對電商大平台容易解決：商品庫的雜訊少，用戶意圖的一致性高，猜測難度降低，都是賣自家商品，廣告排名干擾也少。

91APP 的 AI 商品貼標就是針對這個場景設計的，效果也有明確量化：導入後搜尋進入商品頁比例提升 8.48% YoY。很棒！投入是會回收的。

Klook 與KKday 雙 K 的旅遊平台，主打國外自助遊的多種體驗產品，在用戶端沒有精準的品牌或產品名稱認知，反而是糊糊的「賞櫻季 去京都 和服體驗」，更多是用展示、推薦引導用戶，再搭配篩選系統，讓用戶找出合意商品。

還有另一個比較遠的例子是脆Threads，網路上對於脆的搜尋難用的抱怨沒有少過。但你想想身為社群平台，要能讓你找到跟主題相關的文章、作者、商品，最好還是最近爆紅的...要耗多少資源，又對他有什麼好處？詳細我寫在番外篇。

---

技術簡史：從關鍵字比對到 AI，三代演進與基礎建設中最容易被忽視的那個

搜尋系統做的事情可以拆成六個動作：輸入、理解、改寫、比對、召回、排列。技術的三代演進，就是這六個動作各自變聰明的過程。

第一代是關鍵字比對。

用戶輸入的詞必須跟商品描述的詞一樣，系統才找得到。最好還是整個資料庫中只有這個商品符合，其他不符合，那就更精準了。

扯遠了，說回關鍵字比對，沒辦法用整句話下去比，一定要用詞。英文靠空白就能斷詞，但繁中沒有天然邊界：「遙控器」被切成「遙控」「控器」，注音錯字「搖控器」被切成「搖控」「控器」。「遙控」「搖控」兩組 token 在比對的演算法眼裡不是同件事。

工程師的解法是在前面加一層「查詢理解層」，也就是同義詞、品牌詞辭典。靠同義詞字典把「搖控＝遙控」、「蘋果15＝iPhone 15」對應起來。

理論上可行，但台灣現成的斷詞工具（jieba 偏簡中、中研院 CKIP 偏學術）都不懂電商語言，所以定期更新詞典是每個平台持續要做的維運苦工。

台灣各平台的搜尋之所以難用，往往不是卡在演算法的極限，而是卡在維運的貧窮。

第二代是向量語意搜尋。

這一代不再死守字面一致，用語意之間的距離，能自動理解「想吃辣的」跟「麻辣鍋」語意重疊。

但純向量搜尋會把「iPhone 15 Pro 256G」跟「512G」當成近似的東西：對要買特定型號的用戶來說是馮京馬涼。也不能算你大錯，但就不對啊。

所以業界的最佳實踐是混合搜尋（Hybrid Search）：精確型號用第一代的字面比對，模糊需求用向量語意，兩軌並行。

架構是開源的，Coupang 也是這麼做的。

但架構可以買，「領域認知」買不到：通用中文向量模型不懂美妝語境裡「奶油」指的是乳霜質地，不是食材。

又回到得自建字典並且維運，這次還得讓向量模型跟著人類反應微調。

沒有繁中電商語料的在地微調，混合搜尋的框架只是空殼。

第三代是 LLM，但走的是雙軌制。

許多人對第三代搜尋的幻想，是在 App 裡放一個無所不知的 AI 助理。但現實是，貴啊。我們畫畫圖尚且會遇到token 耗盡，電商平台每天幾百萬流量上下，毛利又不高，費用壓力很大的。

於是有雙軌制的模型應用，後台＋前台

後台那軌，是把LLM大語言模型當「離線的資料工人」：淘寶的 BEQUE 框架用 LLM 離線閱讀搜尋日誌，把「送媽媽的實用禮物」改寫成「肩頸按摩儀、保養品套組」，再把輕量化規則部署回前兩代系統，不用每次搜尋都即時呼叫 LLM。

前台那軌，是消滅搜尋框：inline 的 AI 訂位助手讓用戶直接說「週五晚上兩人聚餐有什麼推薦」，AI 解讀意圖、查即時空位、在對話中完成訂位。傳統搜尋框的前提是「用戶知道自己要搜什麼詞」，當消費者越來越習慣用自然語言表達模糊需求，這個前提正在瓦解。

但技術三代都不是重點。真正致命的是基礎建設裡被忽視的「評估層」。

說得好像技術能拯救世界，但一個能持續優化的搜尋系統需要四層基礎建設：

資料層（商品索引與行為日誌）、模型層（斷詞器、向量模型、排名模型）、工程層（200ms 延遲、99.99% 可用率）、評估層（零結果率、搜尋放棄率、排序品質指標（確保你搜的東西在前幾個就跑出來）、A/B 測試框架）。

大多數團隊在前三層投入精力，唯獨跳過評估層，或只做簡單的幾個指標。

結果就是：當工程師提出搜尋優化專案，商業端問「這個改善值多少錢？」，沒有人答得出來。

業內有句殘酷的玩笑：「沒有搜尋品質量測，就只能靠老闆半夜搜了一個詞發現結果很爛，才開始修。這是消防，不是工程。」

💡 這節的技術簡史是壓縮版。技術三代的完整拆解（包含 BM25 的斷詞邏輯、Hybrid Search 的權重機制、基礎建設四層的詳細規格），我另外寫了一篇技術筆記。

為什麼一直找不到？基因問題與幾個結構性難題

基因問題

台灣電商的搜尋問題，為什麼多年仍沒被解決？

如果只看技術，這個問題沒有答案。台灣有足夠好的工程師，有開源的 Elasticsearch 和向量資料庫，有 Gemini 和 LLaMA 這些可以直接用的模型。

momo 能做出 CTR 提升 40% 的 autocomplete（自動完成，你邊打字就猜測你要打什麼＿，91APP 能做出 AI 商品貼標，Coupang 在台灣有幾百個工程師能解決 ML 排名問題。技術不是障礙，商業結構才是障礙。

我徵詢的資深業內人士說得很直白：「這個問題不是技術問題，是基因問題。」

搜尋體驗好不好，對平台的廣告收入沒有直接影響，對平台銷售收入的影響又太間接。

這個「基因」有三個組成部分：廣告邏輯主導搜尋結果、推薦系統的 ROI 比搜尋清楚、以及用戶容忍度讓損失維持隱性。

廣告邏輯主導搜尋結果

以蝦皮為例，收入有很大一部分來自「關鍵字廣告」：賣家付費讓自己的商品在特定搜尋詞下排在前面。

廣告排名和搜尋相關性是結構性對立的目標：相關性搜尋的目標是「讓用戶最快找到他要的東西」，廣告的目標是「讓付了錢的賣家曝光」。只要廣告版位插在搜尋結果頁的前排，這兩個目標就永遠在搶同一塊位置。

我在蝦皮搜尋「遙控」，頂端廣告版位出現的是「成人選物商城」，因為成人商品廣告主競標了「遙控」這個關鍵字，出的價格比遙控玩具廣告主更高。

廣告關鍵字系統不做語意消歧，只做字面匹配，「遙控」的最高出價者是誰，誰就排第一。

搜尋體驗的優劣對平台銷售的影響難以量化，但廣告收入卻是立竿見影的現金流。

當一個新進賣家只要願意付費，就能在「遙控」的搜尋結果中擠下演算法認定最相關的優質商品時，這就不再是技術問題，而是商業抉擇。

平台選擇了能立即變現的「關鍵字廣告」，放任廣告邏輯反噬了搜尋相關性。只要廣告仍是賣家獲客、平台獲利的核心工具，這個結構性的張力就會持續關掉搜尋優化的機會。

推薦系統比搜尋系統有更清晰的 ROI

個人化推薦系統（首頁 feed、「猜你喜歡」）的效果容易量化：加入推薦模型之後 CTR 從 2% 到 3%，GMV 增加多少，數字清楚。

搜尋的 ROI 比較難算：搜尋失敗後用戶去競品，這個損失沒有被計算；搜尋成功率提升後留存率上升，這個因果鏈路很長，在沒有系統性搜尋品質量測的情況下，很難說服商業側投資。

結果：搜尋工程師提案，商業側問「這個改善值多少錢？」，工程師沒有資料可以回答，提案被擱置。這個循環持續了可能有十年以上。

說來諷刺。根據第三方研究，搜尋用戶雖然只佔電商流量的少數，卻可以貢獻將近一半的營收，這是電商三大曝光管道（搜尋、推薦、廣告展示）中，轉換效率最高的一個，因為進來搜尋的用戶帶著最明確的購買意圖，這是我前面說的到口的肉。

但正因為這份高意圖，搜尋失敗的代價也是靜默的：用戶出去了，流量DAU沒有立即消失，GMV 損失沒有一個欄位記錄它，工程師也就沒有資料可以回答商業側那句「這個改善值多少錢」。提案被擱置。這個循環持續了近十年。

「搜不到就去 Google 再回來」的用戶容忍度

台灣用戶對電商站內搜尋的容忍度，比對 Google 的容忍度高得多，電商 App 搜一個詞找不到，用戶去 Google 搜，然後回來繼續用這個 App。

這個行為模式（「去 Google 繞一圈再回來」）客觀上降低了平台改善搜尋的緊迫性。因為用戶沒有因為搜尋差而立即流失，他們只是摩擦成本更高了，但流量數字看起來還是留著。

問題是：這個摩擦成本是隱性的，沒有被計量。在 Google 上繞的那一圈裡，有多少用戶看到了競品的廣告、然後在競品完成購買，沒有任何一個內部系統會把這筆損失記進報告。損失是真實的，只是看不見。

結構性難題

除了基因問題，還有繁中的結構性難題，讓改善比其他市場更難發生。還記得前面提到的六個動作（輸入、理解、改寫、比對、召回、排列）以及四層基礎建設（資料、模型、評估、工程），難題就是圍繞這些。

難題一：斷詞邊界沒有標準。

索引端和查詢端必須用同一套切詞邏輯，否則就算商品存在，查詢也找不到它。

台灣各平台自行決定斷詞器、詞典、切割粒度，結果是用戶在不同平台有完全不同的搜尋體驗，即使背後的商品庫幾乎一樣。

台灣沒有業界共用的電商繁中斷詞標準，所以每間廠商都要重新造輪子。

難題二：電商詞典很難跟上市場。

這篇文章提到第三次了，詞典是需要維護的，不是做完就好。

新品牌每週上市、新造詞每月出現、節慶特殊詞（「母親節限定」「520 送禮」）有明確時效性、流行語（「鬆弛感穿搭」「多巴胺色系」（其實這兩個我看不懂））

從社群延伸到購物搜尋的速度極快。每一個沒有被詞典收錄的詞，都是一個潛在的搜尋失敗點。

目前台灣沒有一家廠商在做公開可用的繁中電商詞典服務，至少我沒有翻到。

難題三：錯字、別字，還有晶晶體。

「遙控器」和「搖控器」是注音同音字混淆，「藍牙」和「藍芽」是台灣電商兩種並存寫法，「充電寶」和「行動電源」是中國市場與台灣市場不同叫法。

更複雜的語言現實：「搖控器」在台灣電商裡不只是打錯字，它本身就是一個存在的詞，台灣有相當比例的賣家在商品標題裡使用「搖控器」而非「遙控器」。搜尋系統必須把兩個詞識別為同一語意，不只因為注音同音，而是因為它們在台灣電商商品庫裡都是真實存在的標注方式。

還有，中英數字夾雜的狀況特別多，所以不只是斷詞，還得辨認中英夾雜時候的斷句邏輯。

「Apple iPhone 15 Pro 256GB」「SAMSUNG 三星 Galaxy S24 Ultra」「SK-II 神仙水精華液 230ml」：搜尋系統必須同時處理繁中字符、英文字母、數字、品牌縮寫、規格單位。確保「iphone」和「iPhone」是同一查詢、「samsung」和「三星」是同一品牌、「30ml」和「30 ml」指的是同一規格。

這在英文搜尋環境下不存在，在台灣電商是每天幾千萬次的基礎挑戰。

難題四：廣告排名與搜尋相關性的結構性衝突。

Shopee 搜「遙控」，頂端廣告是成人選物商城；一個 5 粉絲的新開賣家，因為買了廣告，排在幾萬銷量的老賣家前面。廣告資格沒有門檻，只要出錢就能拿到最顯眼的版位。

這個衝突沒有技術解法，只有商業決策。Uber Eats 廣告品質系統性優於 foodpanda，說明把用戶體驗的重量放進廣告競標邏輯是做得到的——只是要有人決定這樣做。

難題五：搜尋品質沒有標準量測。

回到剛講的最缺少的基礎設施，評估層。身為商業分析師，最難接受的就是沒得量的事情。

零結果率（Zero Result Rate）、低點擊率查詢清單、搜尋放棄率、nDCG （查詢的目標在第幾個出現）監控、A/B測試框架、離線評估套件：大量固定測試查詢，涵蓋高頻、長尾、注音錯字、中英混合，配上人工標注的相關性標準。

台灣電商平台普遍缺乏這些監控機制，或是做得比較基本，更別提把搜尋跟GMV掛鉤。

沒有量測，就不知道搜尋壞到什麼程度；不知道壞到什麼程度，就無法判斷某個修復方案是否真的有效。

這個難題也是「基因問題」最重要的改善入口：一旦搜尋失敗的代價被量化，商業側就有了投資的依據。

---

別人怎麼突破

台灣的搜尋挑戰不是孤例。韓國和中國同樣面對方塊字的斷詞挑戰，但他們做了台灣沒做的事。

Coupang 把查詢理解（Query Understanding）獨立成搜尋的第一層——在做任何商品比對之前，先問清楚用戶在找什麼。面對 CJK 中日韓語系訓練資料稀少的現實，Coupang 選擇用開源模型進行大規模自動標註，再把弱監督標籤直接投入機器學習訓練。

淘寶 用 BEQUE 框架把搜尋優化的目標從「語言品質」直接對齊到 GMV 和交易筆數。41 萬對查詢改寫訓練資料，線上 A/B 測試顯示長尾查詢的成交金額顯著提升，目前已覆蓋淘寶主搜尋 27% 的頁面瀏覽量。搜尋優化在中國電商是有明確 ROI 計算的投資，不是純技術工程。

Naver 走最激進的路：自建語言模型 HyperCLOVA X，用 6,500 倍於 GPT-4 的韓文語料訓練，整合進搜尋後 CTR 高出傳統結果 8 個百分點。當語言夠獨特、市場夠大，自建語言模型可以成為護城河。

這三家的共同點：他們都把搜尋當成核心基礎建設來投資，不是當成「有空再修」的邊緣系統。

回頭看台灣，也不是完全沒有人在做。

91APP 的 AI 語意搜尋讓商品頁進入率提升 8.48% YoY，是台灣少見的公開量化成果，但場景是品牌官網，複雜度和大型平台不同。

momo 的 Gemini 驅動 autocomplete 做到 CTR +40%，但那是行為預測問題，核心搜尋排名是否已改造，從公開資料無法確認。

inline 的 AI 訂位助手是台灣最接近第三代搜尋的案例，在TechNews 的訪談中，執行長Doris說 九成用戶開啟對話時還沒決定要吃什麼，驗證了「描述情境，讓 AI 幫我決定」的需求是真實的。

技術做得到。問題始終是：誰願意投資那些不性感的苦工。

---

結語：兩件該做的事，與一個正在關閉的窗口

這篇拆解了近十年的電商搜尋失敗，答案不是技術不夠好，而是商業結構讓搜尋優化永遠排不上優先序。但「排不上」和「不需要」是兩回事。

如果我是電商平台的決策者，該排上資源優先序的事其實就兩件。不是其他不需要，而是沒有這些，再厲害的模型與工程，也缺少原料與指南針：

第一件：做資料層的苦工。

建立並持續維護繁中電商詞典和斷詞器，用自家的交易數據微調向量模型，學習用戶日誌，作為這是 Learning-to-Rank 模型的訓練資料來源。

「搖控器＝遙控器」「藍芽＝藍牙」「神仙水＝SK-II 精華液」：這些對應關係不會從天上掉下來，要靠人分析搜尋日誌、一條一條建起來，然後定期更新。（現在也可以叫Agent大軍做，但還是要有人寫需求給它跟持續維護）

沒有捷徑，但這是所有搜尋優化的地基。

第二件：建評估層。

零結果率、搜尋放棄率、nDCG——把這些基本指標接上儀表板，讓搜尋失敗的代價第一次被量化。

有了「你每天因為搜尋爛損失多少 GMV」這個數字，搜尋優化的提案才不會再被「這個改善值多少錢？」擋回去。

沒有量測，就沒有投資；沒有投資，技術再好也只是 demo。

更重要的是，這兩件事不只是在修現在的站內搜尋。

當 AI 搜尋助理逐漸成為消費入口，用戶會直接對 AI 說「幫我找一台預算兩萬內、適合打電競的筆電」，AI 繞過平台首頁和廣告版位，把最符合需求的商品連結端給用戶，平台變成一個笨水管。

那時候，平台能不能被 AI 理解、被 AI 推薦，取決於你的商品資料結構化程度有多高、語意基礎設施有多紮實。

資料層的苦工和評估層的量測，既是修好今天的搜尋體驗，也是為明天的 AI 時代打地基。

而那些繼續放任搜尋爛下去的平台，等到用戶開口的對象從搜尋框變成 AI 助理，連被問到的機會都不會有。

---

📌 關鍵數字

• 33%：全球電商精確型搜尋的平均失敗率（Baymard 2024）；搜尋失敗後，80% 的用戶直接離開前往競品
• 8.48%：91APP AI 搜尋導入後商品頁進入率 YoY 提升，台灣少見的公開量化成果，但場景是品牌官網
• 27%：淘寶 BEQUE 查詢改寫系統覆蓋的主搜尋頁面瀏覽量，工業落地規模最大的 LLM 搜尋案例之一
• 61%：計劃在 2026 年內部署 Agentic AI 的電商業者比例（Algolia 2026）

免責與邀請

我不是搜尋工程師，也不在電商產業工作。這篇文章的內容來自公開資料的研究、技術文獻的閱讀、業內人士的請教，以及身為消費者的實測與交叉驗證。

如果業內專家讀完覺得「不是這樣，我們早就做了，問題比你想像的複雜很多」——非常歡迎指正。寫這篇的目的就是把問題攤開來看，如果有人能補上我看不到的那一面，這篇文章就更完整了。

來信：erica.yojuhsu@gmail.com

 

---

📎 延伸閱讀

番外一：技術筆記：BM25、Hybrid Search 與基礎建設四層的完整拆解

番外二：台灣電商搜尋的 SaaS 市場機會：3,000 家客戶與 6,000 萬的起步估算

番外三：當搜尋框不是正確工具：旅遊平台與社群平台的搜尋問題

---

FAQ 

Q：為什麼電商平台的站內搜尋這麼難用？
A：核心原因不是技術，而是商業結構。廣告收入比搜尋體驗更直接可量化，推薦系統的 ROI 比搜尋系統更清楚，加上用戶習慣繞道 Google 再回來，平台感受不到搜尋壞掉的痛。

Q：搜尋失敗對電商的影響有多大？
A：根據 Baymard Institute 2024 年研究，精確型搜尋的全球平均失敗率是 33%，搜尋失敗後 80% 的用戶直接離開前往競品。搜尋用戶雖只佔流量少數，卻可貢獻近一半營收。

Q：台灣電商搜尋跟中國、韓國比差在哪？
A：技術架構可以買，但繁中電商語料的在地微調沒有人做。台灣缺乏業界共用的電商繁中斷詞標準、沒有公開可用的繁中電商詞典服務，且普遍缺乏搜尋品質的評估層（零結果率、nDCG 等指標監控）。

Q：AI 搜尋助理會怎麼影響電商平台？
A：當用戶直接對 AI 說「幫我找預算兩萬內的電競筆電」，AI 會繞過平台首頁和廣告版位，把最符合需求的商品連結直接端給用戶。平台若不投資語意基礎設施，會逐漸退化成物流中心與結帳管道（Dumb Pipe）。

---

參考資料

學術、國際機構、頂級研究

1. Baymard Institute — E-Commerce Search UX Benchmark (2024) https://baymard.com/research/ecommerce-search
2. Coupang Engineering Blog — Fueling the Coupang Search Engine (2024) https://medium.com/coupang-engineering/the-evolution-of-search-discovery-indexing-platform-fa43e41305f9
3. Coupang Engineering Blog — Accelerating Coupang's AI Journey with LLMs (2024) https://medium.com/coupang-engineering/accelerating-coupangs-ai-journey-with-llms-2817d55004d3
4. Wenjun Peng et al. — Large Language Model based Long-tail Query Rewriting in Taobao Search, WWW '24 (2024) https://dl.acm.org/doi/abs/10.1145/3589335.3648298
5. Han et al. — MTGR: Industrial-Scale Generative Recommendation Framework in Meituan (2025) https://arxiv.org/html/2505.18654v1

產業媒體與分析報告

1. YWC 科技筆記 — ElasticSearch 打造搜尋產品的經驗談 (2024) https://ywctech.net/tech/build-search-products-using-elasticsearch-notes
2. TechOrange — Google Cloud Commerce Forum momo 91APP (2025) https://techorange.com/2025/09/18/google-cloud-commerce-forum-momo-91app/
3. TechNews 科技新報 — inline 首創 AI 智慧訂位服務 (2025) https://technews.tw/2025/07/01/inline-ai-powered-smart-reservation-service/
4. Naver 計劃於 2025 年推出「AI 標籤頁」，拓展無縫 AI 搜尋體驗 https://www.ai-newss.com/news/articleView.html?idxno=26830
5. Algolia — B2C Commerce AI Trends Report (2026)

台灣用戶原聲（PTT）

1. PTT e-shopping 板 — 蝦皮搜尋相關討論串（2018–2024）
2. PTT FoodDelivery 板 — foodpanda 搜尋討論（2021–2023）
3. PTT FoodDelivery 板 — Uber Eats 分店搜尋問題（2022）

平台官方資料

1. 91APP — AI 搜尋與 AAO 策略 (2025) https://91app.com/blog/ai-seo-optimization-aao-strategies/
2. 91APP — jooii 全通路智慧幫手發布 (2023) https://91app.com/en/blog/91app-20230629/
3. inline — AI 小助手上線公告 (2025) https://technews.tw/2025/07/01/inline-ai-powered-smart-reservation-service/