大多数错误，问题不在模型
AI 把成立时间写错、把下架产品当成在售、把别家的服务安到你头上——第一反应通常是「模型瞎说」。但拆开看，多数错误的源头在可检索的信息本身。
模型在缺少权威事实源时，只能拼凑。拼凑出来的内容看起来通顺，实际是几个来源的混合体。
四类常见成因
一、旧页面未清理。三年前的产品页还在线，价格、功能、合作方式都是旧的。它仍然可以被检索到，就会成为证据。
二、第三方转载失真。行业媒体、招商平台、招聘网站转载时改写了业务描述，或使用了过期资料，这些页面的权重有时比官网还高。
三、同名主体混淆。公司简称与另一家企业重名，或与某个产品名相同，模型会把两者的信息合并。
四、渠道口径冲突。官网、公众号、地图、百科的地址、电话、业务范围不一致，模型无法判断，只能选一个。
治理路径
第一步，建立唯一事实源。在官网设一个事实页，把主体信息、业务范围、资质、联系方式写清，全渠道引用同一个地址。这不是形式主义，而是给模型一个可以优先采信的锚点。
第二步，统一对外口径。做一份对外说明文档，所有渠道发布前对照。名称、成立时间、主营业务、服务区域四项必须完全一致。
第三步，修正高权重第三方。百科、地图、行业平台、招聘网站，逐条核对并提交修改。这一步最耗人力，但对结果影响最大。
第四步，用结构化内容持续覆盖。针对高频问句写标准答案，让正确版本在检索结果里占据更多位置。旧信息不可能全部删除，但可以被更新的、更权威的内容挤下去。
哪些做法只能治标
- 只在官网加一句「以官网信息为准」。模型不会因此忽略其他来源。
- 大量发布纠正性稿件，但事实源本身仍然混乱。这只会制造更多版本。
- 追求让模型「删掉」某条信息。做不到，也不该这么做。
一个务实的预期
治理的效果不是「错误消失」，而是「错误变少、正确版本变多」。这已经足够影响用户的判断，因为多数用户只看得到答案的前几句。