AI 把高端线的参数安到入门款上，不是它笨，是资料结构让它无法区分。本文讲清「串味」的三个成因，以及按产品线分库、品牌实体建模、会过期事实单独管、内容显式写归属这四层解法，附一套可复现的隔离验证方法。
现象：AI 把你的高端参数安到了入门款上
这是多产品线品牌最典型的一种翻车，且它有个很具体的特征：AI 不是在说坏话，它是在很认真地说错话。
比如一个集团旗下有 A（高端）、B（中端）、C（入门）三条产品线，你问 AI「B 这条线的主摄像素多少」，它答了一个 A 的参数，还很确定。客户去对比竞品时会发现“官网写的和 AI 说的不一样”，然后对品牌的专业度产生怀疑。
这个问题的根因不在 AI 笨，而在你给 AI 的资料结构让它无法区分。AI 拿到的是一堆混在一起的文本，它只能按语义相似度去拼，而三条产品线的描述在语义上相似度极高（同一批术语、同一个品牌名、相似的功能描述）——它没有任何结构信号可以判断“A 的 5000 万像素”不该安到 B 上。
所以解法也不是“让 AI 更聪明”，而是在资料层面制造可辨识的边界。这篇讲的就是这个工程问题。
先理解 AI 是怎么把两条线“读混”的
三个具体机制：
① 共享上下文。 如果三条产品线的资料放在同一个知识库、同一批文档里，检索时召回的切片可能同时包含 A 和 B 的描述。它们被一起塞进上下文，模型面对“哪条是哪条”这个问题时，只能靠文本里的措辞区分——而措辞往往不足以区分。
② 实体未分离。 在 AI 的表示里，如果三条线都只被称作「XX 品牌」，它不会自动建立「XX-A 系列」「XX-B 系列」是两个不同实体。品牌名是同一个，产品名如果不够独特，实体边界就模糊。
③ 别名泛滥。 同一条产品线可能有三个叫法：官网叫「睿系列」、电商叫「RX 系列」、销售内部叫「高配线」。三种叫法混在资料里，AI 无法确认它们是不是同一个东西，于是不合并也不区分——这是最坏的状态。
三个机制叠加，就得到“参数串味”。
解法一：按产品线分库，而不是按文档类型
最直接有效的一层隔离：让每条产品线有独立的知识库。
注意这里的组织维度选择很重要。常见做法是按「产品手册 / FAQ / 案例」分库，这在多产品线场景下是错的——三个库里的每条内容都还混着三条产品线，隔离没有发生在真正需要隔离的维度上。
正确的维度是产品线：
- 知识库：A 产品线（高端）
- 知识库：B 产品线（中端）
- 知识库：C 产品线（入门）
- 知识库：集团通用（品牌故事、集团资质、售后政策——真正共享的部分）
然后在检索时按需限定范围：问 B 的参数，只在 B 库 + 通用库里找。
这一步做完，“串味”能减少一大半，因为它从物理上切断了跨产品线的召回。
一个必须注意的点：集团通用库要真的“通用”。如果把“配件兼容性说明”放进通用库，而这段说明里提到了各条线的差异，那它就又成了一个混料库。判据很简单：这段内容是否对三条线同时成立且表述相同——是才放通用库。
解法二：品牌实体建模，让 AI 知道这是三个东西
分库解决召回隔离，但还有一个问题：模型在生成时，如果上下文里只有“B 产品线”的内容，它答的当然就是 B。可如果用户问的是“A 和 B 有什么区别”，两库的内容都会被召回，这时候模型仍需要知道 A 和 B 是两个不同实体。
平台的做法是维护一份品牌知识图谱，实体类型包括：
| 类型 | 用途 |
|---|---|
| 品牌（brand） | 集团品牌本身 |
| 产品（product） | 具体产品/产品线 |
| 人物（person） | 创始人、专家（E-E-A-T 的落点） |
| 组织（organization） | 子公司、工厂、合作机构 |
| 事件（event） | 获奖、发布、里程碑 |
| 术语（term） | 行业专有名词（避免被误读成品牌） |
每个实体可以有多个别名。这一点对多产品线特别关键：把「睿系列」「RX 系列」「高配线」都登记为同一个产品实体的别名，AI 在生成时就知道这是同一个东西，不会把它当三个不同产品分别描述。
实体还有属性（properties），可以是参数、定位、目标人群。这些属性在生成内容时会作为可信事实注入，而不是让模型自由发挥。
解法三：把“会过期的事实”单独管起来
参数串味里有一类特别常见：价格、规格、促销政策这类会变的事实。
如果这些数字散落在几十篇内容里，改一次价格要改几十处，漏一处就产生了一个错误信源。而 AI 恰恰最喜欢引用具体数字——于是它引用了那个漏改的旧价格。
平台把这些做成内容参数表：价格、营业时间、政策这类“会过期的事实”集中维护，在生成内容时自动注入提示词，而不是让模型从上下文里自己找。
好处有两个：一是改一处即全站生效；二是模型拿到的是明确标注的参数，不是从一堆文本里推断出来的数字——后者是串味的主要来源。
解法四：内容层面显式写清归属
前面三层都是平台侧的结构，最后一层是内容本身的写法。这一层看起来最朴素，但对 AI 的区分帮助很直接：
不要写：“我们的产品采用 5000 万像素主摄，支持 8K 视频。”（没说是哪条线）
要写：“睿系列（A 产品线）采用 5000 万像素主摄，支持 8K 视频；简系列（C 产品线）为主摄 1200 万像素。”
差异在于：前者是一个孤立的参数陈述，AI 只能凭上下文猜归属；后者在同一个句子里建立了「产品线 - 参数」的绑定关系，即使被单独摘出来也不会串。
类似地：
- 每个参数都带上产品线名称，而不是靠小节标题隐含；
- 对比类内容用表格，一行一条产品线，而不是散文式描述；
- 避免“我们”/“本品牌”这类模糊主语——在多产品线语境下它就是最大的歧义源。
怎么验证隔离是否生效
隔离做完不能只看“感觉好多了”，要有可复现的验证方法：
① 定向提问测试。 准备一组问题，每组针对一条产品线，问它独有的参数。跑完之后看：
- 答对了 → 隔离生效；
- 答成了别条线的参数 → 召回或实体边界仍有问题；
- 答“没有相关信息” → 召回不足（比答错好，但也不是目标）。
② 交叉提问测试。 直接问「A 和 B 有什么区别」。这一组测的是实体边界：模型能不能同时拿到两边信息并正确区分。如果它把两边的参数混着说，说明实体建模或内容归属还不够。
③ 别名覆盖测试。 用内部叫法、电商叫法、用户俗称各问一遍同一条产品线。三种叫法都能对上同一条线，说明别名登记完整。
④ 长期复测。 产品线会有新品、停产、改名。这些变化如果不更新实体和知识库，隔离会逐渐失效。用固定问题集定期复测，才能发现“曾经对、现在串了”。
一个容易忽略但很贵的教训
多产品线品牌做 GEO，最容易犯的错不是“没做隔离”，而是先做内容、后做结构。
先铺一百篇文章，每篇都混着三条线的信息，然后再想做隔离——这时候你要么重写一百篇，要么接受隔离只能做一半。而如果先花两天把分库、实体、别名搭起来，后面的内容生产会自动落进正确的边界里。
结构是前提，内容是在结构里生长的东西。这个顺序反了，成本会翻好几倍。
这套方法的边界
需要说清楚的：
- 分库不解决所有问题。 如果通用库里有跨线内容，或者单篇内容自身就混着多条线，分库无法救。内容归属必须一起改。
- 实体建模需要维护。 别名、属性会随业务变化。这不是一次性配置，是一项持续的运营工作——但它的成本远低于事后返工。
- 不能保证 AI 一定不串。 我们能做的是把结构信号给足，让 AI 有足够依据区分。引擎的模型行为不完全可控，所以验证要做成常态（上面第四点），而不是上线时跑一次。
- 串味问题不止出现在 AI 回答里。 同样的资料结构问题也会影响 RAG 问答、客服机器人、内部检索——一次结构性修复，收益是多处的。