问 AI 一家公司是做什么的，答案里把它和另一家名字相近的公司混在一起；或者成立年份差了几年，总部城市写成了分公司所在地。这类错误看起来是模型在胡说，根子上往往是另一件事：这个品牌作为一个实体，在模型能读到的材料里没有立稳。

品牌实体是什么，和品牌词有什么不同

实体指的是一个具体、可识别的对象，一家公司、一个人、一个产品，区别于用来称呼它的那几个字。品牌词是字符串，实体是字符串背后的那个东西。两家公司名字只差一个字，是两个实体；一家公司有全称、简称、英文名三种叫法，是同一个实体。

这个区分在搜索领域并不新。谷歌在 2012 年推出知识图谱时，用的说法就是「things, not strings」，要理解的是事物，而不只是匹配字符串。当时公布的规模是 5 亿个对象、35 亿条关于这些对象及其关系的事实。

Hogan 等人发表在 ACM Computing Surveys 的综述，把知识图谱作为一个研究领域做了系统梳理：它用图的结构存储实体和实体之间的关系，服务于需要整合多样、动态、大规模数据的场景。对品牌来说，知识图谱里有没有自己、关于自己的事实对不对，决定了系统在看到这个名字时能联想到什么。

5 亿谷歌 2012 年推出知识图谱时公布的对象数量Google 2012
35 亿同时公布的关于这些对象及其关系的事实数量Google 2012
14000PopQA 数据集的问题数量，用于测试模型对不同热度实体的事实掌握Mallen 等 2023

为什么中小品牌更依赖被检索到的材料

大模型自己记住了多少关于某个品牌的事实，和这个品牌有多出名密切相关。Mallen 等人在 ACL 2023 发表的研究构建了 PopQA 数据集，约 14000 个问题，专门考察模型对不同热度实体的事实掌握。结论是：模型在热度较低的长尾事实上表现明显较差，单纯把模型做大，对这部分帮助有限；引入外部检索之后，这类问题的表现显著改善。

绝大多数中小品牌都处在长尾那一端。这意味着模型回答关于它们的问题时，自身记忆靠不住，主要依赖回答当下检索到的材料。材料是否一致、是否准确，直接决定答案是否准确。

检索到的材料互相矛盾时会怎样，Xu 等人在 EMNLP 2024 发表的知识冲突综述里有专门讨论。他们把检索到的多份材料之间的矛盾归为一类冲突，并指出这类冲突会明显影响模型输出的可信度。官网写成立于某年，百科写的是另一年，某篇旧报道又是第三个年份，模型拿到的就是一组互相打架的事实。

哪些事实最能帮 AI 认出一个品牌

最有用的是能在公开系统里核对的事实。法定全称、统一社会信用代码、注册地址、联系电话，这些信息有官方登记可查，不同来源之间可以互相印证。

统一社会信用代码尤其适合作为锚点。按国家标准 GB 32100-2015，它由 18 位阿拉伯数字或大写英文字母组成，包括登记管理部门代码、机构类别代码、登记管理机关行政区代码、主体标识码和校验码五个部分。它是一串编码而不是名称，不存在简称、音译、错别字这类变体，这正是名称做不到的地方。

谷歌搜索中心关于 Organization 结构化数据的文档说明，这类标记帮助谷歌理解机构的管理信息，并在搜索结果中消除歧义。文档明确写着没有必填属性，建议尽可能添加相关属性，推荐的属性里专门有一组商业标识符，包括 taxID、vatID、iso6523Code、duns 和 leiCode，此外还有 legalName、alternateName、address、sameAs 等。

事实可以在哪里核对在官网上怎么呈现
法定全称企业登记信息关于页正文与 legalName 属性
统一社会信用代码企业登记信息关于页或页脚正文，并按文档选择合适的标识符属性
简称、英文名、曾用名企业自行声明关于页正文与 alternateName 属性
注册地址与办公地址企业登记信息与地图平台分开写明，与地图资料一致
官方账号各平台的认证资料sameAs 属性列出企业自己控制的主页

需要说清楚的是，这份文档是谷歌的。国内各家 AI 平台是否读取、如何使用 Organization 标记，没有公开说明。标记本身成本很低，值得做，但不应期待它单独解决问题。

实体优化的具体做法

实体优化的核心不是写新内容，而是让已有的事实在所有渠道上说同一句话。

第一步是做一张事实表：法定全称、简称、英文名、曾用名、统一社会信用代码、成立时间、注册地址、办公地址、电话、服务范围。每一项只保留一个正确版本，由专人维护。

第二步是拿这张表去逐个渠道比对：官网各页面、百科词条、地图平台、公众号简介、招聘平台、行业目录。发现不一致的，改成表里的版本。这一步很枯燥，但它消除的正是模型检索时会撞上的矛盾。按上面知识冲突研究的思路，在材料互相打架的情况下，再多发一份新材料并不能解决问题，先把旧的对齐更对症。

第三步是在官网上把这些事实写成正文，而不是只放在图片或页脚的小字里，再配上相应的结构化数据。内容生产与信源投放里提到的百科词条和行业信源，也要以这张表为准，不能各写各的。

第四步针对同名混淆。如果已知有一家名字相近的公司，官网上可以直接写明两者的区别：所在城市不同、业务不同、没有关联关系。这类说明看起来多余，对模型却是少有的明确消歧材料。同样值得写明的是自己不做的业务，模型在材料不足时可能把相邻业务安到品牌头上，一句明确的否定能堵住这个口子。

实体优化做不到什么

它不能让一个品牌被推荐。实体立稳，只是让模型在提到这个名字时知道说的是谁、说得对不对；在「哪家好」这类问题里被点名，还取决于有多少可信来源支持这个品牌，那是另一层工作。

它也不能强行把品牌加进某个知识图谱。谷歌、百度这类系统收录谁、怎样呈现，由平台决定，企业能做的是把可核对的事实准备好，放在它们会读取的地方。

已经进入模型训练数据的旧信息，也不会因为网页改了就立刻消失。事实统一之后，变化要靠后续几轮复测来确认，而不是改完第二天去问一次。

参考来源