AI品牌实体识别：定义、测试方法、消歧框架与9个平台监控清单

AI品牌实体识别，是让AI把一个品牌与正确的公司主体、官网域名、品类定位、产品线、目标场景、证据来源和竞品边界稳定绑定的过程。它解决的不是“AI有没有提到我”，而是“AI是否认得出、说得准、不混淆、能纠错”。

对SEO、品牌、公关和增长团队来说，真正的风险通常不是零曝光，而是：

AI把你和同名品牌、同名公司、普通词混在一起。
AI把子品牌、产品名、公司主体说反。
AI用竞品的话术定义你的品类位置。
AI引用过时页面、采集站或论坛误传。
AI编造功能、客户、融资、负面新闻或价格信息。

先给结论：AI品牌实体识别怎么做？

做AI品牌实体识别，不是多写几遍品牌名，而是建立一套可测试、可归因、可复测的实体运营系统：

识别：在官网建立稳定的品牌事实源，让AI能答对“你是谁、做什么、官网是哪一个”。
消歧：明确同名、简称、子品牌、英文名、创始人和相似实体的边界。
区隔：用场景页、对比页、案例页让AI知道为什么推荐你，而不是只知道你存在。
纠错：把错误回答记录成工单，定位来源，修正页面，再用同一组Prompt复测。
监控：用多平台、多Prompt、多次采样看趋势，而不是用一张截图判断成败。

最小可用监控方案可以从 9个平台 × 20个Prompt × 每个Prompt重复3次 开始，每周得到540条回答记录，再按实体准确率、混淆率、引用覆盖率和推荐位置判断优化效果。

什么是AI品牌实体识别？

AI品牌实体识别是指AI系统能否把一个品牌准确理解为独立实体，并正确关联它的名称、公司主体、官网、产品、品类、服务对象、创始人或高管、第三方证据和竞品关系。

它和传统SEO里的关键词排名不同。用户搜索“AI品牌实体识别”时，真正想知道的是：

AI为什么会认错品牌？
怎么判断AI是否认得出我的品牌？
哪些Prompt可以测试品牌识别？
品牌官网、结构化数据、媒体报道分别该补什么？
同名品牌、跨语言品牌、子品牌混淆怎么处理？
AI说错了，应该先改官网、改第三方来源，还是向平台反馈？
优化后看哪些指标，而不是只看“有没有被提到”？

一个合格的品牌实体，至少要让AI稳定回答下面八类问题。

AI需要识别的字段	合格答案标准	常见错误
品牌名	中文名、英文名、简称能对应同一实体	把简称当成另一个品牌
公司主体	能说清品牌背后的法人、组织或运营主体	把子品牌说成公司
官网域名	能给出正确官网，而不是采集站、代理页或旧域名	引用无关页面
品类定位	能说明品牌属于哪个行业、产品或服务类别	用竞品品类定义你
产品线	能区分主品牌、子品牌、产品、功能模块	主次关系混乱
目标用户	能说明适合谁、不适合谁	泛泛说“适合所有企业”
证据来源	能引用官网、权威报道、案例、官方文档	引用旧新闻或论坛传言
竞品边界	能说清和竞品的差异、适用场景和限制	只复述竞品卖点

为什么只做“信息一致性”还不够？

很多品牌实体优化建议停留在基础层：公司名一致、官网一致、社媒一致、结构化数据一致。这些是必要条件，但不是充分条件。

在AI回答里，品牌经常出现四类更具体的问题：

问题	表现	根因
认不出	用户直问品牌，AI说“不确定”或只给模糊介绍	公开事实源太少，品牌页不可抓取，权威引用不足
认错人	把同名公司、同名产品、创始人或普通词当成你的品牌	实体边界缺失，别名和主体关系没有公开说明
说不清	品类推荐里提到你，但推荐理由空泛或错误	缺少场景页、对比页、案例页和可引用证据
错了没人修	AI持续引用旧信息，团队无法判断该改哪里	没有错误取证、来源追踪和复测流程

所以，AI品牌实体识别不是一次性SEO检查，而是一个“事实源建设 + 消歧 + 竞品区隔 + 错误闭环”的长期工作。

国产AI为什么更容易认错品牌？

中文AI更容易认错品牌，通常不是单一模型问题，而是公开语料里存在同名、简称、跨语言、子品牌、旧新闻、营销稿和采集页互相冲突。

建议把下面9个国产AI触点纳入基础监测样本：

平台	重点观察
DeepSeek	是否能在无联网或联网状态下稳定识别品牌事实
豆包	是否会把品牌描述改写成更口语但不准确的说法
Kimi	是否引用长文、新闻稿或第三方页面
通义千问	品类推荐和对比回答里的品牌位置
文心一言/文小言	中文实体、百科式事实和本地来源关联
腾讯元宝	微信生态、新闻源和问答式回答中的品牌表述
讯飞星火	企业服务、教育、办公类场景中的推荐理由
智谱清言	长答案中的事实稳定性和引用质量
纳米AI搜索	搜索型AI答案里的来源链接和排序位置

用哪些Prompt测试AI品牌实体识别？

测试Prompt要覆盖直问、消歧、品类推荐、竞品对比、引用追问和负面风险。下面这组可以直接复用，把{品牌}、{竞品}、{品类}替换成自己的业务。

测试场景	AI错误表现	推荐Prompt
品牌直问	只说口号，不说主体和官网	`请用三句话介绍{品牌}，说明公司主体、主营业务和官网。`
是否为品牌	把品牌名当普通概念	`{品牌}是一个品牌吗？如果是，请说明它属于哪个品类。`
同名混淆	把另一个行业的同名品牌经历说成你的	`请区分{品牌}和其他同名或相似名称的公司。`
主体关系	把产品线说成公司	`{主品牌}、{子品牌}和{产品名}分别是什么关系？`
跨语言一致	中文和英文回答对应不上	`{品牌中文名}和{英文名}是否指同一家公司？依据是什么？`
品类推荐	不进入候选名单，或进入但理由错误	`如果我是{目标用户}，想解决{任务}，{品类}里有哪些品牌值得考虑？请说明理由。`
竞品对比	用竞品卖点定义你的品牌	`{品牌}和{竞品A}、{竞品B}怎么选？请列出差异和适合人群。`
价值判断	AI只说“贵/便宜”，没有依据	`{品牌}贵不贵？和{竞品}相比值不值？请给出判断依据。`
引用追问	引用采集站、旧新闻或无关页	`请列出你判断{品牌}时参考的来源链接，并说明每个来源支持了什么信息。`
风险负面	放大旧负面或编造争议	`{品牌}有哪些常见争议、风险或不适合的情况？请区分已证实信息和无法确认的信息。`

如果品牌同时面向中英文市场，应单独做跨语言信息一致性自检。中英文品牌名、英文官网、海外媒体报道、LinkedIn、Crunchbase、应用商店和中文官网之间只要有一处关系不清，AI就可能建立两套不同的品牌记忆。

四层框架：识别、消歧、区隔、纠错

AI品牌实体识别应按四层推进：先让AI认得出，再排除混淆对象，再建立竞品区隔，最后把错误答案变成可关闭的工单。

层级	核心目标	关键资产	监测指标
识别	AI知道你是谁	品牌事实页、官网首页、About页、Organization结构化数据、权威介绍	实体准确率、AI提及率
消歧	AI不把你和别人混淆	同名对照表、别名表、品牌架构页、跨语言说明	混淆率、错误主体占比
区隔	AI能说清你和竞品区别	场景页、对比页、案例页、第三方评价、价格与限制说明	推荐位置、推荐理由覆盖率
纠错	AI说错后能定位并复测	截图证据、Prompt日志、引用来源、修正记录、复测报告	错误关闭率、复发率

这套框架的重点是把“AI有没有提到我”拆成更可执行的问题：是否认对、是否说准、是否有证据、是否能区分、是否能修复。

第一步：让AI认得出你是谁

识别层的目标，是建立一个机器可读、人工也可信的品牌事实源，让AI在回答直问类Prompt时优先抽取官方定义，而不是拼接二手信息。

品牌事实页建议放在官网稳定URL下，不要只把关键信息藏在图片、PDF、海报、活动页或登录后页面里。页面开头用一句定义式表达：

{品牌名} 是面向 {目标人群} 的 {品类/平台/产品}，主要帮助用户完成 {核心任务}。

这句话要短、具体、可核验。不要写成“领先的智能化解决方案”，因为AI无法从这种表述里稳定抽取品类、对象和边界。

品牌事实页至少补齐这些字段：

字段	建议写法
官方品牌名	中文名、英文名、简称、旧名
公司主体	法人主体、运营主体、总部或主要服务区域
官网域名	主站、产品站、帮助中心、博客、开发者文档
品类定位	用行业通用说法，不自造难懂概念
产品线	主品牌、子品牌、模块、套餐的关系
目标用户	行业、岗位、公司规模、使用场景
适用边界	不适合谁、不承诺什么、不覆盖什么
可信证据	客户案例、媒体报道、资质、白皮书、第三方评测
更新时间	价格、功能、团队、融资等信息的更新时间
联系方式	官方邮箱、表单、客服入口、媒体联系入口
纠错入口	发现错误信息时应该联系哪里

页面标题也要帮助AI和搜索系统理解主题。Google的标题链接文档建议标题文字应描述性、简洁，避免关键词堆砌，并与页面主要语言一致。对品牌事实页来说，标题可以采用：

{品牌名}是什么：公司主体、产品、官网与适用场景

结构化数据不是万能钥匙，但能提供明确线索。Google对结构化数据的定义是：用标准化格式提供页面信息并分类页面内容。品牌官网可根据页面类型使用Organization、Product、Article、FAQPage等标记，前提是标记内容必须在页面上真实可见。

第二步：做实体消歧，排除“不是你”的对象

消歧层的目标不是重复声明“我们是谁”，而是明确告诉AI“哪些相似名称不是我们”。这能降低同名、简称、跨行业、跨语言和母子品牌误配的概率。

如果你的品牌名像人名、地名、普通词、软件名、店铺名或行业词，应建立一个“相似实体对照表”。表格不需要攻击别人，只要客观说明差异。

相似对象	容易混淆的原因	区分信号	页面上应补充的信息
同名公司	名称相同，行业不同	公司主体、官网域名、注册地、品类	“本品牌官网为……”
普通词	品牌名也是常用词	固定写法、商标、产品页、媒体报道	“在本文语境中，{品牌}指……”
子品牌	主品牌和产品名同时出现	母子关系、产品线归属、发布公告	品牌架构图和产品归属说明
创始人	个人名和品牌名共现	职务、任职时间、个人简介页	人物页与品牌页互相链接
英文名	中英文报道不一致	英文官网、社媒、新闻稿、应用商店	中文名、英文名、简称的对应关系
旧名称	改名后旧报道仍被引用	改名公告、301跳转、历史沿革	“原名/曾用名/现名”说明

消歧页里可以使用“不是”句式，但要克制。例如：

{品牌A}不是{品牌B}的子品牌。二者公司主体、官网域名和主营业务不同。

这种句子对AI有价值，因为它直接提供了反向边界。只写“我们专注某行业”不够，AI仍可能把你和相似实体合并。

第三步：建立区隔，让AI知道为什么推荐你

区隔层的目标，是让AI在品类推荐、竞品对比、价格判断和购买建议类问题里，不只提到品牌名，还能给出准确、可验证的推荐理由。

核心内容不是“我们更好”，而是回答三个问题：

适合谁：行业、岗位、规模、预算、技术能力、使用频率。
为什么适合：功能、服务、数据、流程、案例、交付方式。
什么时候不适合：限制条件、替代方案、迁移成本、合规边界。

建议建立三类页面：

页面类型	作用	应包含的信息
场景页	让AI知道你在哪些任务里值得被推荐	用户画像、任务、痛点、流程、边界
对比页	让AI知道你和竞品的差异	功能、价格区间、服务方式、限制、适用人群
证据页	让AI有可引用材料	客户案例、数据口径、第三方报道、评测、资质

当用户问“哪个更便宜、更值”时，AI不只比较价格，还会比较功能覆盖、服务成本、迁移成本和风险。相关监控方法可参考用户问哪个更便宜、更值时AI怎么排你。

区隔内容必须合规。不要为了让AI推荐你而制造虚假榜单、伪评测、假客户案例或“全网第一”“唯一官方”“绝对领先”等极限表述。涉及推荐、排名、对比和竞品描述时，应参考AI推荐优化的合规红线，把无法证明的结论改成可核验事实。

第四步：纠错，把AI错误答案变成工单

纠错层的目标，是把“AI又说错了”从聊天截图变成可归因、可修复、可复测的运营工单。

每条错误至少记录七个字段：

字段	记录要求
平台	DeepSeek、豆包、Kimi等具体入口
模型/版本	能看到版本就记录，看不到就记录测试入口
Prompt原文	不要只写问题摘要，保留完整文本
测试时间	精确到日期和小时，方便复测
答案截图	包含Prompt、答案、引用来源和时间
错误类型	过时、幻觉、混淆、来源污染、情感偏差
引用来源	有链接则记录链接，无链接则记录AI声称依据

常见错误可以分成五类处理：

错误类型	典型表现	优先级	首先排查哪里
过时信息	旧价格、旧功能、旧高管、旧融资	高	官网、新闻稿、招聘页、旧落地页
幻觉型错误	编造功能、客户、融资、负面	最高	AI引用来源、搜索结果、采集站、问答站
来源污染	竞品稿、论坛误传、代理商页面影响回答	高	被引用页面、标题、摘要、站外重复内容
品牌架构错误	主品牌、子品牌、产品线混淆	中高	About页、产品页、导航、结构化数据
情感偏差	旧负面被放大，澄清信息缺失	中高	新闻页、声明页、客服回复、第三方评价

如果AI凭空编造功能或负面，建议按幻觉型品牌错误处理：先取证，再定位错误来源，最后分别修正官网、第三方来源和平台反馈记录。

不要用隐藏文本、批量低质页面、刷量提及或伪造第三方评价去“喂”AI。Google的垃圾内容政策已经明确覆盖欺骗性、操纵性和规模化低质内容；这类做法即使短期影响AI回答，也会带来搜索、品牌和合规风险。

9个平台的监控方案怎么搭？

监控不应只跑一次Prompt。正确做法是固定样本、重复采样、记录变量，用趋势线判断品牌实体是否更稳定。

一套最小可用方案：

9个平台 × 20个Prompt × 每个Prompt重复3次 = 每周540条回答记录

如果团队资源有限，可以先从5个平台、10个Prompt、每个Prompt重复3次开始。关键不是规模最大，而是口径固定。

Prompt组	目的	示例
品牌直问	看AI是否认得出品牌主体	`{品牌}是什么？`
品类推荐	看品牌是否进入候选名单	`{品类}有哪些品牌值得考虑？`
竞品对比	看推荐理由是否准确	`{品牌}和{竞品}怎么选？`
价值判断	看价格、成本、价值感知	`{品牌}贵不贵？值不值？`
风险负面	看AI舆情和负面放大	`{品牌}有哪些争议或缺点？`
引用追问	看来源是否可靠	`请列出参考来源链接。`
跨语言	看中英文是否一致	`{中文名}和{英文名}是同一品牌吗？`
品牌架构	看主品牌、子品牌、产品线是否分清	`{主品牌}和{产品名}是什么关系？`

采样时要记录这些变量：

是否开启联网或搜索模式。
是否使用新对话，避免历史上下文污染。
是否登录账号，账号地区和语言设置是什么。
Prompt是否完全一致，有无追问。
AI是否给出引用链接。
回答中品牌出现的位置、篇幅和推荐理由。
是否出现竞品、错误来源或不确定表达。

竞品样本也要动态更新。AI回答里经常会出现团队原本没关注的新对手，尤其是细分场景、价格比较和“替代品”问题。可以把高频出现但未纳入监控的品牌加入竞争池，参考用AI推荐数据发现你还没注意到的新对手。

指标怎么定义，才不会被虚高数据误导？

AI品牌实体识别的指标要同时看“出现、准确、区隔、证据和风险”。只看AI提及率，会把“提到了但说错了”的回答误判为好结果。

指标	计算方式	用途
AI提及率	含品牌答案数 / 有效答案数	衡量是否被看见
加权可见度	提及率 × 位置权重 × 篇幅权重	衡量可见强度
推荐位置	品类推荐名单中的平均排名	衡量竞争位置
实体准确率	正确事实字段得分 / 应核验字段总分	衡量是否认对
混淆率	含错误主体答案数 / 有效答案数	衡量消歧效果
引用覆盖率	含可信来源答案数 / 有引用答案数	衡量证据质量
幻觉率	含编造事实答案数 / 有效答案数	衡量高风险错误
情感分布	正向、中性、负向答案占比	衡量AI舆情风险
错误复发率	已修复错误再次出现次数 / 已关闭错误数	衡量闭环质量

MaxAEO建议把实体准确率拆成字段评分，而不是主观打分：

字段	权重
公司主体正确	20
官网域名正确	15
品类定位正确	15
产品线关系正确	10
目标用户正确	10
推荐理由正确	10
引用来源可信	10
时间信息不过时	5
不适用边界清楚	5
合计	100

如果一个回答提到了品牌，但公司主体错了、官网错了，即使语气正面，也不应算作有效曝光。对AI品牌实体识别来说，准确曝光比泛曝光更重要。

一个匿名化诊断样例：B2B工具品牌为什么被AI说错？

下面是一个按MaxAEO诊断口径整理的匿名化样例，用来说明如何把错误归因到具体资产。它不是行业平均数据，也不代表所有品牌都会遇到同样问题。

环节	发现
品牌背景	某B2B工具品牌，中文名是常用词，英文名与产品域名不完全一致
错误Prompt	`请介绍{品牌}，说明它的官网和主要产品。`
AI回答	3个平台把它说成同名软件；2个平台引用旧代理商页面；1个平台把产品名说成公司名
根因	官网没有品牌事实页；About页只写愿景；旧代理商页面标题含“官方”；英文名和中文名没有互链说明
修复动作	新增品牌事实页；补中文名/英文名/简称关系；给旧页面加更新说明；删除“官方代理”误导标题；新增产品线关系表
复测口径	用同一组Prompt、同一平台、同一联网状态，在7天和30天后复测
验收标准	公司主体、官网、品类、产品线四个字段连续两轮准确率达到90%以上，且无同名品牌混淆

这个样例说明：AI说错不一定是模型问题。很多错误来自公开页面标题、旧代理商内容、结构不清的官网导航和没有消歧的品牌命名。

品牌实体资产清单怎么做？

品牌实体资产清单应覆盖五类内容：官方事实、第三方证据、消歧边界、竞品区隔和纠错记录。缺任何一类，AI都有可能误读。

资产类型	必备内容	检查问题
官方事实源	品牌事实页、About页、产品页、帮助中心	AI能否从官网抽取“你是谁”？
结构化信号	Organization、Article、FAQPage、Product等	标记内容是否真实可见？
第三方证据	媒体报道、客户案例、评测、资质、应用商店	AI是否能引用可信来源？
消歧边界	同名对照、别名、旧名、英文名、子品牌关系	AI是否会把你和别人合并？
竞品区隔	场景页、对比页、价格说明、限制说明	AI是否能说清为什么推荐你？
纠错记录	Prompt、截图、来源、修复动作、复测结果	错误是否能关闭并防复发？

官网自查可以从下面10个问题开始：

首页和About页是否能在前两屏说清品牌是什么。
title、H1、meta description是否清楚说明页面主题。
公司主体、品牌名、英文名、简称、官网域名是否一致。
是否有主品牌、子品牌、产品线关系说明。
是否列出同名品牌、同名人物、常用词的区分方式。
是否有客户案例、评测、报道、白皮书等第三方证据。
是否有对比页说明适合谁、不适合谁。
是否记录AI错误答案、截图、引用来源和复测结果。
是否每周或每月跟踪AI提及率、混淆率和引用覆盖率。
是否把公关、SEO、内容、法务、客服反馈接入同一纠错流程。

优化前后应该看哪些变化？

有效优化不只看提及率上涨，还要同时看到事实更准、混淆更少、推荐理由更清晰、引用来源更可信、负面或幻觉错误能被关闭。

维度	优化前常见状态	优化后目标
识别	AI能说出品牌名，但主体和官网不稳定	品牌名、主体、官网、品类稳定一致
消歧	同名品牌、创始人、子品牌混在一起	AI能主动说明差异
区隔	只说“功能不错”，没有推荐理由	能说清目标人群、优势和边界
引用	引用采集页、旧新闻或无关页面	引用官网、权威报道、案例页
舆情	负面片段被放大，缺少澄清信息	能呈现平衡事实和更新时间
竞品	竞品定义了你的品类位置	你的差异点进入AI回答
纠错	错误截图散落在群聊里	错误有工单、负责人和复测结果

GEO生成式引擎优化的早期研究也支持“结构化证据”的价值。KDD 2024论文《GEO: Generative Engine Optimization》发现，加入来源、引文和统计信息等方法可以提升生成式引擎中的可见性，且效果会因领域而异。对品牌来说，这意味着优化重点不是堆词，而是提供更容易被引用、核验和比较的事实。

常见误区

误区一：AI品牌实体识别等于多发新闻稿

新闻稿能增加公开语料，但如果标题夸张、主体不清、内容重复，反而会制造噪音。更重要的是官网事实源、第三方证据和消歧边界能否互相印证。

误区二：只要加了结构化数据就能解决

结构化数据只能增强线索，不能替代页面内容。Google也强调，不应添加用户不可见的信息作为结构化数据。对AI来说，看得见、能引用、能核验的正文仍然更重要。

误区三：只测一个AI平台

不同AI平台的检索源、联网能力、回答风格和引用展示不同。只测一个平台，容易把平台偏差当成品牌问题，或把一次正确回答当成长期稳定。

误区四：把所有竞品都写成不如自己

AI更容易采用克制、可验证、有边界的比较。攻击竞品、虚构榜单、伪造评测，不仅可能不被采信，还可能带来不正当竞争和广告合规风险。

误区五：AI说错后只去投诉平台

平台反馈有必要，但很多错误源头在公开网页。先找引用来源和相似实体，再修正官网、旧页面、第三方资料和搜索摘要，通常比只投诉更可复盘。

常见问题

AI品牌实体识别和AEO、GEO有什么关系？

只改官网能解决AI认错吗？

不能。官网是基础事实源，但AI还会参考媒体报道、百科、论坛、电商页、招聘页、应用商店、社媒和第三方评测。正确做法是先让官网成为权威事实源，再清理或补充高影响第三方来源。

品牌是否必须做llms.txt？

不是必须。llms.txt可以作为给AI工具读取的站点索引，但它不能替代可抓取页面、清晰导航、结构化数据和权威外部证据。中小品牌应优先完善品牌事实页、About页、产品页、案例页和消歧说明。

多久复测一次比较合适？

高竞争品类建议每周复测，普通B2B或SaaS品牌至少每月复测。模型大版本更新、品牌发布会、负面舆情、竞品融资、新品发布或官网改版后，应临时加测。

AI说错品牌信息，可以直接要求平台删除吗？

要看错误类型。过时信息优先修正来源；幻觉、诽谤或明显错误要保留截图、Prompt、时间戳、答案文本和引用来源，再通过平台反馈、来源更正、公关澄清或法律路径处理。没有证据的口头投诉很难复盘。

中小品牌有必要做AI品牌实体识别吗？

有必要，但不必一开始就做大规模监控。中小品牌可以先做三件事：建立品牌事实页，测试5个平台的10个核心Prompt，记录所有主体、官网、品类和竞品混淆问题。只要品牌名容易撞词、行业竞争激烈或客单价较高，就应该尽早做实体消歧。

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Article",
      "headline": "AI品牌实体识别：定义、测试方法、消歧框架与9个平台监控清单",
      "description": "AI品牌实体识别的核心不是堆品牌词，而是让AI把品牌名、公司主体、官网、品类、产品线、证据来源和竞品边界稳定绑定。本文给出定义、9个平台Prompt测试法、评分指标、消歧清单和纠错流程。",
      "author": {
        "@type": "Organization",
        "name": "MaxAEO"
      },
      "publisher": {
        "@type": "Organization",
        "name": "MaxAEO"
      },
      "datePublished": "2026-07-03",
      "dateModified": "2026-07-03",
      "image": "image-placeholder",
      "keywords": [
        "AI品牌实体识别",
        "AI品牌监测",
        "AI实体消歧",
        "AI搜索可见度",
        "GEO优化"
      ],
      "mainEntityOfPage": {
        "@type": "WebPage",
        "@id": "https://maxaeo.cn/blog/ai-brand-entity"
      }
    },
    {
      "@type": "FAQPage",
      "mainEntity": [
        {
          "@type": "Question",
          "name": "AI品牌实体识别和AEO、GEO有什么关系？",
          "acceptedAnswer": {
            "@type": "Answer",
          }
        },
        {
          "@type": "Question",
          "name": "只改官网能解决AI认错吗？",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "不能。官网是基础事实源，但AI还会参考媒体报道、百科、论坛、电商页、招聘页、应用商店、社媒和第三方评测。正确做法是同时处理自有内容、第三方证据和错误来源。"
          }
        },
        {
          "@type": "Question",
          "name": "品牌是否必须做llms.txt？",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "不是必须。llms.txt可以作为给AI工具读取的站点索引，但不能替代可抓取页面、清晰导航、结构化数据和权威外部证据。"
          }
        },
        {
          "@type": "Question",
          "name": "多久复测一次比较合适？",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "高竞争品类建议每周复测，普通B2B或SaaS品牌至少每月复测。模型大版本更新、品牌发布会、负面舆情、竞品融资、新品发布或官网改版后，应临时加测。"
          }
        },
        {
          "@type": "Question",
          "name": "AI说错品牌信息，可以直接要求平台删除吗？",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "要看错误类型。过时信息优先修正来源；幻觉、诽谤或明显错误要保留截图、Prompt、时间戳、答案文本和引用来源，再通过平台反馈、来源更正、公关澄清或法律路径处理。"
          }
        },
        {
          "@type": "Question",
          "name": "中小品牌有必要做AI品牌实体识别吗？",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "有必要，但不必一开始就做大规模监控。中小品牌可以先建立品牌事实页，测试5个平台的10个核心Prompt，并记录主体、官网、品类和竞品混淆问题。"
          }
        }
      ]
    }
  ]
}