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。