本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026年7月20日 实查为准。
你大概刷到过这种说法：「亚马逊已经不看关键词了，现在是 COSMO 时代，堆词等于自杀。」然后你打开自己的 listing，删了半页关键词，改成一段散文式的场景描写，两周后排名掉了。
先把结论摆在前面，后面再展开：
- COSMO 是亚马逊研究团队发在 SIGMOD 2024 上的一套知识系统，不是取代 A9 的新排名算法——论文里它被部署的场景写得很具体，是搜索导航（search navigation）这类应用。
- 能核到的效果数字全是「相关性判定准确率」和「A/B 分流上的系统级增量」，没有一个是 listing 层面的排名承诺。
- 中文圈流传的「COSMO 排名因子清单」「A10 算法」，亚马逊从未公布过——它们是推演，不是规格。
- 真正值得你动手的部分很朴素：把「谁在什么场景下用它解决什么问题」写进 listing 和结构化属性里，这件事在 COSMO 之前就该做，现在回报变高了。
这篇只干一件事：把论文原文说了什么、和别人替论文说了什么，分开摆给你看。想看端到端怎么落地成流程，去看 用 AI 做亚马逊 SEO 的完整工作流，那篇里 COSMO 只占一节，这篇是那一节的完整拆解。
COSMO 是什么：一套挖「常识」的系统，不是一个算法代号
COSMO 的完整论文标题是 COSMO: A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon，作者全部来自 Amazon.com Inc（另有香港科技大学的合作者），发表于 ACM SIGMOD/PODS 2024（会议信息页脚为 SIGMOD-Companion ‘24, June 9–15, 2024, Santiago, Chile）。原文可在 Amazon Science 论文页读到，另有一篇 2024 年 5 月 10 日的 Amazon Science 博客做通俗版说明（以上均为 2026年8月6日 实查）。
它要解决的问题，论文摘要写得很直白：已有的电商知识图谱堆了大量概念和商品属性，但发现不了用户意图（fail to discover user intentions）。
举个论文里的例子你就懂了：论文 Figure 1（PDF 第 2 页）画的场景是——有人搜「shoes for pregnant women」，随后买走了一双防滑鞋，系统要挖出来的常识就是这条三元组 (Pregnant, require, slip-resistant)；Amazon Science 博客用的也是同一个例子（2026年8月6日 实查）。他要的不是某个品类名，他要的是「别滑倒、走得稳」。纯关键词匹配跨不过这一步。COSMO 干的活，就是把「查询」和「查询背后的理由」之间那座桥修出来。
所以更准确的心智模型是：COSMO 是喂给搜索相关性、推荐和搜索导航的一层知识，不是一套新的排名规则。这个区分很重要，后面「COSMO 取代了 A9」为什么站不住，全从这里来。
论文原文说了什么：六个能核到的事实
以下每条都出自论文正文或 Amazon Science 博客，不掺演绎。
一、它靠大模型生成假设、再用「批评家」过滤。 论文描述的流程是：从大语言模型里蒸馏出高质量的种子知识断言，再由基于人工标注数据训练的 critic 分类器做精炼；因为生成结果不总是符合人类偏好且含噪声，团队用 instruction tuning 微调出一个专用模型，叫 COSMO-LM。
二、规模是 18 个大类，标注量只有 3 万条。 论文摘要原文：COSMO-LM 把知识图谱扩展到亚马逊的 18 个主要品类，仅用约 30k 条标注指令就产出了数以百万计的高质量知识条目。
三、关系类型从 4 种起步，后来细分。 Amazon Science 博客写明最初是 usedFor、capableOf、isA、cause 四种常识关系，后来细化成 used_for_function、used_for_event、used_for_audience 这类更细的关系。这条对卖家的信息量最大：亚马逊在意的是「用来干什么、用在什么场合、给谁用」。
四、离线效果是相关性判定准确率的提升，不是销量。 测试集是为 KDD Cup 2022 建的 Amazon Shopping Queries 公开数据集，衡量的是「查询—商品」相关性分类的 F1：
| 实验设置 | 加入 COSMO 意图知识后相比最优基线的提升 |
|---|---|
| 编码器冻结（Fixed Encoder） | Macro F1 +60.06%、Micro F1 +29.26% |
| 编码器参与微调（Trainable Encoder） | Macro F1 +27.81%、Micro F1 +22.30% |
论文还提到，加了意图知识的 cross-encoder 最终达到 73.48% Macro F1 与 90.78% Micro F1，超过了 KDD Cup 排行榜第一名的集成模型。请记住：这是模型判断「这个商品跟这个查询相不相关」的准确率，跟你的销量没有换算关系。
五、线上 A/B 有一个具体的销售数字，但限定条件很重。 论文 4.3.2 节写：在为期数月、覆盖约 10% 美国站流量的 A/B 测试中，该分流内商品销售额出现 0.7% 的相对提升，论文称折算为每年数亿美元的营收增量；同一分流内导航互动率提升 8%。论文自己强调，这还是「搜索页上一个相对次要、展示位置有限的功能」带来的。这是系统级、分流级、且发生在搜索导航场景的结果，不是任何单个 listing 的销量会涨 0.7%。
六、论文自认的局限：跟不上实时变化。 原文写道，模型虽每日刷新，但在处理实时信息（例如 flash sales 这类短时波动的时效性事件）上仍受限。换句话说，指望 COSMO 帮你捕捉一场闪购期间的意图漂移，目前不现实。
A9 和 COSMO 是什么关系：叠层，不是替代
先说一个容易被忽略的前提：「A9」本身也不是亚马逊官方公布的排名公式。 它源自亚马逊那家做搜索的子公司名，业内拿来指代「关键词匹配 + 转化表现」这一套传统排序逻辑。亚马逊从未公开过排名公式，也从未宣布过「停用 A9」。
在这个前提下，两者的分工可以这样理解（下表右列属于基于论文机制的推论，不是官方对照表）：
| 维度 | 业内所称的 A9（传统匹配层） | COSMO（论文中的意图知识层） |
|---|---|---|
| 输入 | 查询词与 listing 文本的字面匹配、历史表现 | 从「搜了什么又买了什么」的行为数据里挖出的常识关联 |
| 判断的问题 | 这个词有没有出现、点击转化好不好 | 这个查询背后的真实需求是什么、哪些商品能满足 |
| 官方确认的部署场景 | 未公布 | 论文明确写了搜索相关性、会话推荐、搜索导航 |
| 对卖家的含义 | 词要埋对，转化要好 | 场景、人群、用途要写清楚 |
结论：COSMO 让「相关」这件事的判据变宽了，但没有取消「必须先相关」这个门槛。 你的 listing 里没有那个词，模型连把你捞进候选集的机会都没有；有了词但读不出你解决什么问题，你在意图层吃亏。两层都得过。
站内那篇 亚马逊 Rufus 使用指南 讲的是买家侧那层对话入口，跟本文的知识层是两回事，可以对着看。
哪些说法在流传，但没有官方确认
这一节的每一条，都是传言口吻：以下说法在中文卖家圈广泛流传，截至 2026年8月6日 我们未能在亚马逊官方论文、Amazon Science 页面或官方公告中找到依据。
- 「A10 算法」。这个名字从未出现在任何亚马逊官方材料里，是服务商造出来的叫法。你可以把它当成「业内对新一代排序的统称」，但别把基于它的任何「因子权重表」当真。
- 「COSMO 排名因子清单」。论文里没有任何一句是「做 X 可以提升排名」。凡是列出「COSMO 的 N 个排名因子」的内容，包括下一节我给的建议，本质都是从机制反推的经验，不是泄露的规格。
- 「COSMO 会惩罚关键词堆砌」。没有任何官方材料提到过 COSMO 层面的惩罚机制。堆词伤点击率和转化率这件事在 COSMO 之前就成立，但把它说成「COSMO 的惩罚」是把猜测讲成了事实。
- 「0.7% 是你能拿到的销量提升」。这个数字确实来自论文原文（见上一节），但去掉了「相对」「10% 流量分流」「搜索导航场景」三个限定词之后，它就变成了另一句话。数字可信，被压扁的版本不可信。
从机制推出来的 listing 改法（以下均为推论）
声明：本节四条不是亚马逊的指引，是我们从论文 §3.2（知识生成流程）与第 4 节（下游应用）的机制反推出来的操作建议。 亚马逊没有说过做这些能提升排名。
推论一：把「给谁用、什么场合用、解决什么问题」写进标题和五点。 依据是关系类型那条事实——系统显式建模 used_for_audience、used_for_event、used_for_function。所以别只写「304 不锈钢、500ml」，写成「露营装冷饮 8 小时不化——500ml 304 不锈钢保温杯」。参数留着，前面挂上人群和场景。
推论二：把后台结构化属性填满。 依据是论文里 COSMO 的知识被组织成层级并链接到商品概念（论文 4.3 节的 camping → winter camping → winter boots 示例）。材质、适用人群、使用场合、兼容性这些字段留空，等于把意图信息留在桌上不拿。这是投入产出比最高的一条。
推论三：关键词研究要多挖「带情境的长尾」。 依据是意图知识来自「查询—购买」行为对。只挖大词和搜索量，挖不到「shoes for a nurse」这种问题式表达。具体挖法见 用 AI 做亚马逊关键词调研。
推论四：别为了「适配语义」把词删了。 依据是上一节的分层结论——相关性仍是门槛。正确顺序是先保住词的覆盖，再在可读性范围内加进场景表达，而不是二选一。基础打法可回看 亚马逊 SEO 入门。
想看这套解读的英文完整版，amzbase 的 COSMO 指南按同样的「事实层/演绎层/操作层」结构写过一版，引用的是同一批一手来源。
落地时能用的工具
挖情境长尾和反查竞品属性，手工做很痛苦。下面三个是常见选择，定价以 2026年7月20日 官方页实查为准：
| 工具 | 用途 | 适合谁 | 定价区间 | 局限 |
|---|---|---|---|---|
| Helium 10 | 关键词与反查 ASIN、排名追踪、listing 诊断 | 已有一定销量、要一套打通的卖家 | 有受限免费档；Platinum $129/月（年付合 $99）、Diamond $359/月（年付合 $279）、Enterprise $1,499/月仅年付 | 完整 Profit & Loss 报告要到 Diamond 档才全含，Platinum 只有有限利润报告；功能多、上手成本高 |
| SellerSprite（卖家精灵） | 关键词挖掘、竞品与流量结构分析 | 中文界面优先、做美日欧多站点的卖家 | $39–$189/月，年付约省 16% | 无永久免费档，仅 3 天试用；导出额度 50 次/天封顶 |
| MerchantWords | 纯词库扩展、长尾与情境词发现 | 只想补词库、不需要全链路工具的人 | $35–$749/月 | 只做词不做全链路；官方页未披露免费试用，年付具体数字未渲染 |
更全的工具横评见 亚马逊 listing 优化工具盘点。
常见问题速答
COSMO 取代 A9 了吗？ 没有官方依据支持这个说法。亚马逊从未宣布停用 A9，论文把 COSMO 定位为服务于相关性、推荐和导航的知识层。
60% 的提升是销量吗？ 不是。那是公开研究数据集上相关性分类的 Macro F1 提升幅度（编码器冻结设置下 +60.06%），跟销量没有换算关系。
我需要单独为 COSMO 做优化吗？ 从机制上讲不需要「单独做」。把人群、场景、用途讲清楚，把结构化属性填满，本来就是被这套机制奖励的写法。
COSMO 现在还在跑吗？ 论文发表于 2024 年 6 月并描述了线上部署。亚马逊未公开发布过该系统的下线或迭代公告，2026年8月6日 我们也未查到相关官方更新，因此其当前具体形态无法从公开资料确认。
延伸阅读
- 用 AI 做亚马逊 SEO：从关键词到 listing 的完整优化工作流——本文的上游，讲整条流程怎么串
- 亚马逊 Rufus 使用指南——买家侧的对话入口，和知识层配套看
- 用 AI 做亚马逊关键词调研——情境长尾的具体挖法
- 亚马逊 listing 优化工具盘点——工具选型