把AI回答里的数字全抠出来核对，我发现三成跟官网对不上

最近接了个工业品客户的咨询，他们官网参数页有近200个SKU，每个SKU大概30个技术指标。客户问：AI搜索里我们产品的参数准确率怎么样？

我之前一直用抽检法，就是随机挑20个问题问AI，人工对答案。但这次SKU太多，抽检置信度不够，我就写了个脚本，把官网上所有参数用正则表达式提取出来，生成一个结构化对照表，然后批量问AI，再把AI回答里的数字全部抠出来，跟对照表做匹配。

结果有点意外：在300条回答里，有87条至少有一个数字跟官网不一致，比例接近三成。

这87条里，大部分不是完全编造，而是「错位引用」——比如把A型号的功率安到B型号头上，或者把去年旧版参数页的数值搬过来。真正凭空捏造的数字只有11条。

我顺着错位引用往下查，发现一个规律：AI引用的页面，不一定是客户官网最新的参数页，而是某个第三方B2B平台上的历史快照。那个快照是2023年的，里面部分型号已经停产，但页面权重高，AI抓取时优先用了它。

客户的官网参数页其实更新很勤，但结构化程度差，参数藏在图片里或者用表格嵌套，AI解析成本高。相比之下，第三方平台的页面是纯文本表格，干净利落。

所以问题不在AI「不聪明」，而在内容可被引用的工程没做好。我建议客户做两件事：第一，把参数页改成标准HTML表格，加schema.org的Product标记；第二，在页面顶部显式标注「最后更新日期」，并且把旧版页面做301重定向到新版。

这两步做完之后，我重新跑了同样的300条问题，数字不一致的比例降到了9%。但注意，只是降了，没归零。还有一部分是AI在生成时做「单位换算」时出的错，比如把bar换算成psi时四舍五入方向不对。

这就是我说的「可被引用性工程」——你得让机器读得懂、读得准、读得新。光靠堆内容或者发通稿，解决不了参数错位的问题。

想问一下社区里做工业品或者医疗器械的朋友：你们有没有遇到过AI把单位换算搞错的情况？我目前只测了压力单位，不确定温度或者流量单位是不是同样的问题。