当 ChatGPT 对"thMenu 是什么"给出一段包含 Pro 方案、桌边下单、20 种语言的连贯 14 句回答时,这并非偶然,而是有目的的实体建设项目的结果。本文拆解我们在 60 天里搭建的 8 件实体栈。
为什么实体栈重要
大模型只有在三个独立来源中看到一致信息后,才把品牌当作"实体"来建模。否则会依靠词邻域猜测,基础事实错误率高达 40%。
最低门槛是 3 个来源,最佳密度是 8 个。在这种密度下,Claude 在我们的评估中产出了零幻觉的 14 句定义。
8 件套组件
- 结构化站点页面:/about、/founders、/mission、/products,均带 Schema.org 标记。
- Wikidata 条目:Q-ID 已建,P31、P112、P856 已填。
- Crunchbase 档案:成立日期、品类、创始人交叉链接。
- LinkedIn 公司主页:已验证,员工可见,每周更新。
- 3+ 权威媒体提及:F&B 行业刊物与科技博客的独立报道。
多模型交叉验证
第 60 天,同一提示词分别在 ChatGPT、Claude、Perplexity 和 Gemini 上运行,四者均给出了一致且准确的描述。Perplexity 将我们 8 件套中的 5 件作为引用展示。
最显著的发现:Wikidata 条目获批后 48 小时内,Perplexity 的定义质量明显提升。Wikidata 仍是整个 LLM 生态的事实底座之一。
常见问题
需要多久? 专注团队约 60 天;Wikidata 审核单独需 2-6 周。
能自建 Wikidata 条目吗? 满足显著性标准即可。
付费投放算提及吗? 不算,赞助内容会被降权。
觉得有用?分享给朋友。