FAQ

AI 把我们公司的信息说错了,怎么办?

先别急着找 AI 公司投诉——AI 说错,十有八九是它读到的某个来源本身错了或互相矛盾。处理顺序是:定位错误说法住在哪个页面上(常是自家官网的旧页面、某平台条目或 Wikipedia);在官网上留一份唯一的、机器可读的正确事实(llms.txt + JSON-LD),让引擎有标准答案可引;按被引用权重逐个纠正第三方来源;最后用同一组问题定期复测确认。厂商申诉通道存在但慢,是兜底手段,不是主解法。

Figure 01 · 错误信息传播链:从污染源到错误答案,再到四步修复

  • 传播链 · 1

    污染源

    某个第三方目录、旧新闻稿、百科词条,或自家没更新的页面,提供错误事实。

  • 传播链 · 2

    引擎引用

    AI 在回答时引用该来源,把错误事实写进答案。

  • 传播链 · 3

    错误答案

    客户看到错误的价格、地址、注册状态或案例归属。

  1. 01

    第一步:存证与分类

    截图、提问原文、回答全文、引擎与日期存档;按四类归类。

  2. 02

    第二步:溯源

    顺着引用找污染源;先查自家官网有没有旧口径。

  3. 03

    第三步:修源头并给唯一正确版

    逐个修掉源头错误;官网用 llms.txt + JSON-LD 给出机器可核验的唯一事实版本。

  4. 04

    第四步:复测确认

    2–4 周后用同一组固定问题复测,错误率单独统计。

修源头,不追答案:源头不清,下一轮采样还会错。错误从污染源经引擎引用进入答案;修复走四步回路,厂商反馈渠道只是兜底。实测数据见Negency 旗舰报告 2026 年第一期:30 家样本中 17 家没有任何 JSON-LD。

先分清:错误分四类,修法各不同

AI 说你的事实来自它引用的那批源:你的官网、第三方平台、Wikipedia、媒体、评测站。动手之前先分类:事实错误(成立年份、地址、价格)、定位错误(业务边界说错)、张冠李戴(把竞品案例安到你头上)、过期信息(旧产品、旧口径)。分类决定修法——事实错误修源头页面,过期信息先下线旧版,张冠李戴要补唯一正确版;分类不清就动手,容易修错地方。本页把处置合并为一个四步框架:存证与分类 → 溯源 → 修源头并给唯一正确版 → 复测确认。

第一步:存证与分类

把错误回答存档:截图、提问原文、回答全文、引擎与日期,一起存进一条记录。存证有两个用处:一是复测时有同一口径的对照,二是向第三方平台或媒体提交勘误时有凭据。存档后按上面四类归类,并按伤害排序(见文末「哪些错误先修」)。存证时记下提问的完整原文——复测必须用同一组问题,换了问法就比不出变化。

第二步:溯源

顺着答案的引用与引擎的知识来源找污染源——多半是某个第三方目录、旧新闻稿、百科词条,或自家某个没更新的页面在提供错误事实。先查自家官网有没有旧口径:很多错误其实源自官网自己的过期页面,修自家页面最快;官网无误,再按被引擎引用的权重逐个查第三方页面。

例如:AI 把公司地址说成旧办公室,溯源发现是一家目录站的企业档案多年未更新,同时官网页脚还挂着旧地址的 PDF 版公司简介——两个源头都要修,只修一个,下一轮采样还会错。

第三步:修源头,并给唯一正确版

逐个修掉源头页面的错误口径:有编辑权的第三方页面(平台主页、合作伙伴页)逐个改对;独立媒体的错误走正式勘误请求;自家旧页面当天下线或更新。同时在官网留一份权威事实源:关键事实(业务、时间、地点、资质)统一表述且机器可读(llms.txt + JSON-LD),让引擎有一个可落点的标准答案。llms.txt 的写法见《llms.txt 是什么?企业网站有必要加吗?》。

直接找引擎「改答案」基本无效:源头不清,下一轮采样还会错。厂商反馈渠道是兜底,不是主修法——通过各厂商官方反馈渠道提交(例如在 ChatGPT 回答下点踩并描述错误、在 Perplexity 回答下使用举报入口),同时要接受:反馈不承诺改掉某一条具体答案,真正起作用的是源头修掉之后引擎的重抓取。

第四步:复测确认

用出错的那组固定问题,在 2–4 周后同口径复测,错误率单独统计。复测时把每次结果记在同一张表里:问题、引擎、日期、答案是否正确、引用来源是否已换成修好的页面。纠错生效服从引擎的重抓取周期,以周计不以天计,改没改好靠复测说话,不靠感觉。口径准确率是我们为每个 GEO 客户持续跟踪的固定指标。复测的方法见《怎么衡量品牌在 AI 回答里的可见度?》。

哪些错误先修:按伤害排序

价格与服务边界错误(直接丢单)> 联系方式与主体信息错误(客户找不到你)> 定位与案例错误(伤信任)> 表述瑕疵(可排期修)。错误来自有编辑入口的平台(百科、目录、地图),当天提交更正;来自自家旧页面,当天下线或更新;来自无出处的模型记忆,只能靠持续发布正确口径加第三方佐证逐步覆盖——这正是事实治理要做在出事之前的原因。

平时怎么做:事实治理要做在出事之前

30 家中国出海企业全球官网主域名(Negency 旗舰报告 2026 年第一期,2026 年 10 月 30 日单日采样)实测,17 家没有任何 JSON-LD,13 家 H1 缺失或不唯一——多数企业的官网连一份机器可读的「唯一正确版」都没有,AI 出错时无据可依。事实治理的平时功课是:官网留一份机器可读的事实文件(llms.txt + JSON-LD),关键事实在全网逐字一致,定期用固定问题集复测口径准确率。出事之后再补,花的力气远大于平时维护。

先看清你的品牌在 AI 搜索里站在哪

先跑一次免费的AI 可见度体检,几分钟看清你的官网在抓取可达、机器可读、实体结构三项上的得分;要完整的竞品对照与修复清单,看AI 搜索可见度诊断包。

相关问题

GEO 和 SEO 有什么区别?

SEO 优化的是网页在搜索结果列表里的排名,目标是点击;GEO(生成式引擎优化)优化的是企业在 AI 生成答案里被发现、理解、信任和引用的程度,目标是进入答案本身。两者共用一部分技术基础(可抓取性、结构化数据、内容质量),但 GEO 额外要求实体事实治理、机器可读面(llms.txt、Markdown 镜像)和第三方提及生态。做 SEO 的网站不等于对 AI 可见:AI 引擎引用谁,取决于它能否抓到、读懂并核实这个企业的事实。 具体差异集中在四个层面:目标、对象、内容结构与评估方式,正文有逐项对照。

中国企业出海,怎么做 AI 搜索可见度?

出海企业的 AI 可见度短板通常不在内容量,而在机器可读面:我们对 30 家中国出海企业的实测显示,类目均分最弱的是机器可读面(69.2/100)——17 家首页没有 JSON-LD、15 家 sitemap 缺失或收录不足、13 家 H1 缺失或重复。路径是四步:先体检摸清机器人可达性与机器可读面,再治理实体事实(双语口径一致),然后按海外客户的真实问题生产问答式内容,最后经营第三方提及(媒体、社区、合作伙伴),并用固定问题集定期复测提及与引用验证效果。

AI 搜索时代,企业官网要做哪些改造?

五件套:一是机器人可达——robots 对 AI 爬虫显式放行且实测不被防火墙/验证页拦截;二是机器可读面——llms.txt 事实文件(可选辅助)、sitemap 完整、核心页提供 Markdown 版(可选);三是实体结构——JSON-LD 写明 Organization 等实体类型、标题与 H1 规范、双语站 hreflang 对应;四是问答式内容——按客户问题组织页面、短答先行并配 FAQ schema;五是可度量——后台能分开看到真人与机器人流量、AI 引荐带来的线索单独归因。Negency 官网自身就是按这五条改造的,体检工具用的也是同一套标准。

llms.txt 是什么?企业网站有必要加吗?

llms.txt 是放在网站根目录的一份纯文本说明书,专门写给 AI 看:公司是谁、做什么、核心页面在哪、关键事实与定义是什么。它不能直接提升被引用的概率(Ahrefs 2026 年 5 月研究:137,210 个域名中,已发布 llms.txt 的文件 97% 当月零次被取用,对引用率的直接影响接近零),但它是成本最低的事实治理动作——一份文件把全网口径统一锚点立住,AI 抓取时有据可依。结论:值得加,但别指望只加它就有效;它要和实体事实治理、结构化数据、问答式内容一起做。Negency 的 llms.txt 是事实圣经版:含公司定义、方案边界、案例出处与引用规则。

企业部署 AI Agent 之前,要做哪些准备?

四件准备,缺一件都不建议开工:一是场景选型——从高频、规则相对清晰、结果可验证的工作流里选试点,而不是从最炫的场景选;二是知识与数据基础——Agent 要用的知识库先治理(去重、版本、权限),脏知识库只会放大错误;三是治理设计——权限边界、人工审批点、审计日志在上线前定好;四是度量基线——试点前先记录人工流程的耗时与错误率,否则上线后无法证明价值。Negency 的方法论是先小范围受控试点、验证有效再扩围,治理是设计输入而不是事后补丁。