AI推荐虚构品牌：幻觉商品率实测数据与品牌实体应对

摘要：AI助手会编造不存在的链接，也会随口给出一个查无此人的品牌，报出一款从没上市的型号。这类错误可测、可复现，已经有黑产在利用，属于系统性现象，不能当成偶发口误。公开研究里，代码大模型给出的包名有19.7%是凭空捏造的，商用模型平均5.2%，开源模型高达21.7%；把大模型当商品推荐器用时，个别引擎在美妆品类的虚构商品率能到22.88%。本文先列出这些可核实的数字，再拆解AI造出一个品牌的生成机制，最后从品牌方和独立站的角度说明：虚构品牌对你是威胁，同时也标出了一张需求空位地图，以及怎样用实体优化把这张地图变成自己的入口。

AI推荐虚构品牌是怎么被发现的？

去年帮一个做户外储能的客户检查AI搜索表现，保哥随手问了一句“预算3000以内有哪些便携电站值得买”。答案列了六个品牌，前五个都认识，第六个名字像模像样，容量、循环次数、质保年限一项不缺，可这个牌子在全网任何地方都查不到。它既不是小众品牌，也不是刚成立的公司，完全是凭空生成的。追问“官网地址给一下”，它又顺手编了个域名，点进去是404。

第一反应是好笑，笑完心里有点发凉。在消费者眼里，这个虚构品牌和另外五个真实品牌放在同一张推荐名单上，得到的信任一样多。它占掉了一个本该属于某个真实品牌的位置。如果你正是那个“本该被推荐却没进名单”的品牌，你连自己输给了谁都查不出来，因为对手根本不存在。

AI编造不存在的链接，我们在另一篇里已经拆过：断链、张冠李戴、虚构出处。编造品牌和商品是同一类错误，只是落在了“实体”这个影响更大的位置上：链接编错了顶多打不开，品牌编错了，会直接改变用户对整个品类的认识。

AI虚构品牌有哪几种形态？

把这一年收集的案例归类，AI编造品牌和商品大致有三种形态，威胁程度依次升高：

• 完全捏造型：品牌名、型号、参数全部是编的，现实中没有任何对应实体。上面那个储能品牌就属于这一类。它最容易识别，一搜就露馅。
• 张冠李戴型：品牌是真的，却被安上了它没有的产品、没做过的功能、没给过的承诺。比如把A品牌的旗舰型号说成B品牌出的，或者给一个真实工具编出一个它没有的定价套餐。这一类最难防，因为半真半假，用户一核实发现品牌是真的，就不再往下查。
• 嫁接混淆型：把两个真实品牌的名字合成一个新词，或者把你的品牌名拼错、改成一个相近的名字。你叫NorthPeak，它推荐成NorthPeak Pro或者NorthPeaks。名字听着像你，用户也以为是你，实际指向一个不存在的实体。

三种形态里，后两种和真实品牌关联最紧。它们出现在你实体信息不够清晰、不够完整的地方，那块空缺由AI自己补齐。信息越稀薄的位置越容易出现幻觉，后面讲的应对方法都建立在这条规律上。

AI幻觉品牌和虚构包名有多普遍？

只讲一个案例，容易被当成个例。这方面已经有比较扎实的量化研究，数字比直觉估计的高得多。

最系统的一份是2025年USENIX安全会议上的论文《We Have a Package for You!》。研究者用16个主流代码大模型生成了57.6万份代码样本，共产生223万次软件包推荐。其中 440,445次（19.7%）推荐的包名根本不存在，去重后是 205,474个唯一的虚构包名，也就是二十多万个由AI凭空造出、又被它当作真实软件包推荐出去的名字。这项研究由多所大学的团队完成，正式发表在2025年USENIX安全会议上，论文完整披露了机制和数据，是这个领域目前引用最多的一手来源之一。

在代码世界里，软件包相当于“品牌/产品”。你pip install一个包，和消费者买某个牌子的动作一样：信任一个名字，再去某个地方拿东西。所以这个19.7%的错误率，可以看作AI在实体推荐上出错的一个硬指标。

再看更接近电商的场景。另一篇评估大模型商品推荐能力的研究单独测了不存在商品的比例：多数模型控制在5%以下，GPT-4o只有0.46%，Claude 3 Haiku为0.88%，Qwen2-7b为1.66%，Llama3-70b为3.44%；Mistral-7b是例外，在美妆品类的虚构商品率达到约22.88%。按这个比例，你向一个跑在这类开源模型上的导购助手提问，它给出的每五个商品名里，可能就有一个是编的。

开源模型和商用模型的虚构实体率差多少？

上面两组数字反映的是同一个规律：不同引擎编造实体的倾向差距很大，可以差出一个数量级。USENIX那篇论文把模型分成两组做了对比：

这个差异对做出海、做GEO的团队有直接影响：你的目标用户在用哪个引擎，决定了你面对的幻觉密度。如果你的品类里有大量用户在用廉价开源模型驱动的比价工具、导购插件，这些工具编造竞品或编造你的虚假型号的概率，会比ChatGPT官方版高好几倍。监测时不能只看头部几个模型，长尾工具才是幻觉最集中的地方。

这也解释了同一个问题在不同AI里答案差别很大的原因：差别主要来自各引擎编造内容的倾向不同，未必是它们对你的评价不同。多引擎布局的分渠道打法，我们在“被检索和被引用”那篇里讲过，这里补充一条：每个渠道还要单独评估幻觉风险。

少样本提示为什么可能推高虚构商品率？

还有一个反直觉的发现：给AI更多示例、把问题问得更“专业”，有时不会降低幻觉，反而会放大它。

前面那篇推荐器评估研究做了一组对比：同一个模型，在零样本（直接提问）和少样本（先给几个示例再提问）两种设定下的虚构商品率。结果显示，部分模型在少样本设定下幻觉率明显上升，个别模型在美妆和本地生活品类分别升到约16.58%和17.52%，远高于简单问法下的水平。原因在于，示例给了模型一个“照这个格式往下写”的模板，模型会按模板把细节填满，即使这些细节没有真实对应。

做内容和做导购工具的团队需要记住：问法越复杂、上下文越长，答案不一定越可靠，有时反而更差。如果你的站点接入了AI导购或AI客服，你提供的商品示例和提示词模板，可能正在教它编得更像真的。示例要用真实商品，并给出完整信息，不要只给一个格式漂亮、内容空洞的样板让它照着生成。

品牌信息被AI改坏的三种变形是什么？

嫁接混淆型幻觉有几种稳定的变形方式。同一份推荐器研究把AI说错商品的典型错误做了分类，放到品牌上同样适用：

• 省略：把完整的品牌名或型号截掉一段。“NorthPeak Outdoor Pro” 被说成 “NorthPeak”，听起来还是你，指向的却可能是另一个实体，或者一个不完整、搜不到的名字。
• 拼接：把两个真实名字合成一个。你的品牌加上另一个热门品牌的后缀，拼出一个既不是你也不是它的四不像，用户会以为是某种联名款或子系列。
• 说错规格：品牌对，参数错。容量、尺寸、续航、材质中随便一项被改掉，看上去很专业，实际会误导用户。用户按错误参数比价、下单，最后的失望会算到你头上。

这三种变形都以一个真实锚点为起点，再往外偏，所以危险。防范办法仍然是实体一致性：你的品牌名、型号、核心规格在全网的写法越统一、结构化程度越高，模型能改错的空间就越小。如果你自己的页面上型号就有好几种写法，AI只会把它弄得更乱。

大模型为什么会凭空生成虚构品牌？

要应对，先要清楚成因。AI编造品牌是由它的生成方式决定的，和“记错了”不是一回事，主要有四个原因叠加：

• 模型在预测下一个词，并不查询数据库。大模型生成品牌名时，走的是“这个位置最可能出现什么词”的概率路径，不会去检索“数据库里有没有这个实体”。一个符合命名习惯的假品牌，在概率上和真品牌几乎没有区别。
• 品牌名很容易编。North + Peak、Aqua + Flow、Eco + Volt，英文品牌命名有很强的构词规律，模型学会这套规律后，很容易生成一个以假乱真的名字。这也是幻觉品牌听起来都很“正规”的原因。
• 训练数据稀疏的地方，补全最多。冷门品类、新兴市场、小众细分领域，真实实体在训练语料里出现得少，模型缺少真实锚点，就更倾向于自行填空。你所在的品类越窄，越容易被幻觉品牌占位。
• 自回归生成会自我强化。模型在前半句编了一个品牌名，为了让后半句连贯，会接着编参数、卖点、官网，一步错后面跟着错，最后生成一个细节完整的假品牌。

四条合在一起，可以得出一个结论：幻觉品牌最容易出现在真实信息最稀薄的地方。真实信息是否稀薄，正是你可以改变的部分，这也是GEO应对的出发点。

43%的虚构包名每次都出现，可复现幻觉意味着什么？

如果幻觉只是随机噪声，多问几次就能发现。更麻烦的是，这些幻觉可以复现。

USENIX那篇论文把会触发幻觉的同一组提示词重复运行10次，结果是：43%的虚构包名每一次都原样出现，58%至少出现不止一次，只有39%是一次性的随机结果。同一个模型面对同一个问题，会稳定推荐同一个不存在的名字。这种稳定性让一个技术缺陷变成了可被利用的攻击面。

随机错误只是噪声，可复现的错误就成了接口。幻觉一旦稳定，任何人都能提前知道AI会推荐哪个假名字，然后把它注册成真的。

slopsquatting攻击如何抢注AI幻觉出的名字？

按照上面的逻辑，已经有人开始利用。安全圈把这种手法叫作slopsquatting：AI稳定地幻觉出某个不存在的包名，攻击者抢先在公共仓库里把这个名字注册成真实软件包，植入恶意代码，等开发者按AI的推荐install。

云安全联盟（CSA）的研究简报详细记录了这条攻击链：攻击者先找出某个模型会反复幻觉出的名字，再抢注、投毒。已有真实案例：一个名为unused-imports的恶意包，被npm标记冻结后，仍以每周约233次的下载量进入真实开发者的项目，来源就是AI的推荐。这是正在发生的供应链攻击，并非理论推演。

同样的逻辑放到消费端也成立：AI稳定地幻觉出某个不存在的“品牌”或“型号”，投机者就把这个名字注册成域名、开店、做仿冒页，专门接收AI送来的、以为自己在买正品的流量。现在发生在npm上的事，之后也可能出现在你的品类里。实体链接与消歧原本是个学术概念，现在直接关系到品牌安全。

虚构品牌对独立站和DTC品牌有哪三类威胁？

回到独立站主、DTC品牌和做GEO的团队。虚构品牌至少从三个方向影响你的生意：

1. 虚构竞品占位。在你的品类里，AI每编出一个不存在的品牌放进推荐名单，就会少一个真实品牌（很可能就是你）的位置。你的曝光被一个空气对手拿走了。
2. 品牌名被改写。嫁接混淆型幻觉会把你的名字拼错、加后缀、混进别的词，用户以为找到了你，实际被引向一个不存在的实体，或者更糟，被引向抢注了这个幻觉名的仿冒站。品牌被仿冒、被抢排名的防御思路，我们在讲怎么把自己写成可信实体那篇里提过，AI搜索普及后这类问题只会更常见。
3. 张冠李戴损害口碑。AI把你没做过的差劲功能、没承诺过的政策安到你头上，用户信了、失望了，负面评价却落在你的真实品牌上。你要为自己从没说过的话负责。

这三条都不是你自己犯的错，损失却都由你承担。这是AI幻觉对品牌最不公平的地方。

虚构品牌为什么能当作品类需求地图？

换个角度看，这可能是本文最有价值的一点。前面说过，幻觉最容易出现在真实信息最稀薄的地方。反过来推：AI在哪个品类、哪个细分需求上开始编品牌，就说明那个位置有一个还没被真实实体填满的空位。

这相当于AI免费替你做了一次需求勘探。它每编造一个品牌，都在标记“这里有需求，但真实实体的信号不足，所以只能自己造一个”。对准备进入新品类、新市场的品牌来说，这是一张现成的、按机会密度标注好的地图：

• 系统地向AI询问你所在品类的各种购买场景，记录它开始编造品牌或型号的那些查询。
• 这些查询就是你的“实体真空区”，也就是真实供给不足、AI只能自行补全的位置。
• 用真实的产品、真实的内容和清晰的实体信号填上这些空位，赶在幻觉和抢注者之前。

把AI的错误当作内容缺口的线索，这个思路我们在讲幻觉链接时用过，放到品牌上同样适用，而且价值更高：品牌层面的空位一旦填上，就能长期占住用户心智里的入口。

虚构实体率20%时，一个品类会漏掉多少推荐流量？

百分比比较抽象，换成生意上的账会更直观。假设在你的品类里，用户主要通过一个跑在开源模型上的导购工具做初筛，参照公开研究，这类场景的虚构实体率保守估计为20%。这个工具一个月给出10万次品牌推荐，结果是：

• 约2万次推荐指向不存在的品牌或型号；
• 这2万次里，有相当一部分本可以成为真实品牌（包括你）的曝光机会，却被空气竞品截走；
• 其中稳定复现的那部分（参照43%的复现率），随时可能被抢注者做成真实的仿冒落地页，拿走你所在品类的意向流量。

这笔账不用算到小数点，量级已经说明问题：幻觉品牌不是零星意外，它会持续、稳定地分走你所在品类里本该属于真实供给的注意力和信任。你之前可能根本没发现，因为传统的排名监控和流量统计里没有“被一个不存在的对手打败”这一项。这也是AI搜索时代SEO目标要从关键词转向“教AI认识你是谁”的原因：你先要成为一个AI能准确识别、不会编错的实体，才不会被一个根本不存在的名字顶替。

实体grounding如何让AI识别真实品牌？

根本的办法只有一个方向：把你这个真实实体的信号做强、做清楚，让模型在这个位置有足够的真实锚点，不需要自行补全。技术上这叫实体grounding，落地有以下几项工作：

• 把Organization结构化数据做完整。用Schema的 Organization类型标清品牌名、别名（alternateName）、logo、创立信息和官方渠道，重点是sameAs：把你在维基数据、领英和各大平台的官方主页全部关联起来，形成可以交叉验证的实体身份。
• 按Google的官方要求补齐组织标记。Google明确表示，Organization结构化数据能帮它理解并在搜索里消歧你的组织。关键词是消歧（disambiguation），它和幻觉正好相反。消歧信号给足了，模型就不容易把你和别人混淆，也不容易另编一个。
• 让品牌名和核心产品名在权威语料里反复、一致地出现。实体的可信度来自一致性。如果你的品牌名在不同页面写法不同、参数说法不一，就等于给幻觉留了空子。

你不做实体建设，AI就会自己补，而且错漏很多。完整的审计方法，包括实体之间的关系怎么查，需要单独展开，这里先确定方向。

如何抢占品类实体空位，避免幻觉替你回答？

只把自己的信息做清楚还不够，还要主动填补前面那张需求地图上的空位。具体做法：

• 针对AI会编造品牌的查询场景，制作真实、具体、可验证的内容，比如真实的选型指南、对比评测和规格页，让AI在这个位置有真实内容可引用，不必自己编。
• 把产品线覆盖到这些空位对应的细分需求上，即使暂时只能先用一篇深度内容占住，也比把位置留给不存在的竞品好。
• 持续更新，保持信息新鲜。实体真空区被真实供给填满后，模型就没有自行补全的必要了。

这一步的原则是：幻觉说明供给不足，你删不掉模型里的幻觉，能做的是把真实供给补上。你无法直接修改AI模型，但可以改变它读到的内容。

品牌幻觉审计怎么做？

看不见的问题无法管理，所以要定期检查“AI眼里的你”。保哥团队内部把这套流程叫作品牌幻觉审计，步骤并不复杂：

1. 建立一组标准问题：围绕你的品牌名、核心产品和所在品类的典型购买场景，列出20到50个问题。
2. 跨引擎、每周提问：在ChatGPT、Gemini、Perplexity以及你的用户实际使用的垂直工具上各问一遍，记录答案。重点看三件事：有没有编造竞品，有没有说错你的信息，有没有改写你的名字。
3. 标注和归档：记录每一次幻觉，按“虚构竞品/张冠李戴/名字改写”三类归档，观察哪一类最多、在哪个引擎最多、随时间是好转还是恶化。
4. 反推内容动作：每一处稳定出现的幻觉，都对应一个需要补充的实体信号或内容空位。审计的产出应该是一张下个月的内容排期表，而不是一份只让人焦虑的报告。

这套审计和传统排名监控回答的是两个问题。排名监控回答“我排第几”，品牌幻觉审计回答“AI有没有在用一个假的我误导用户”。在AI搜索里，后一个问题的影响往往更大，但大多数团队的监控仪表盘里没有这一项。

品牌被AI张冠李戴时如何纠偏？

如果审计发现AI把不属于你的信息安到了你头上，不要等它自行修正。可以按以下顺序处理：

• 在自有权威页面上把事实写清楚。在你自己的高权重页面上，用清晰、结构化、机器可读的方式写明正确信息：你有什么、没有什么、承诺什么。给模型提供一个比幻觉更强、更一致的真实版本。
• 通过官方反馈渠道纠错。主流AI产品大多提供内容反馈入口，发现明显的事实错误时，正式提交更正。单次提交可能没有效果，但同一个错误被多方持续纠正，会进入这些产品的评估和修正流程。
• 监控抢注。定期检查嫁接混淆型幻觉对应的域名、店铺有没有被抢注做仿冒，发现苗头后尽早用品牌保护和法律手段处理，不要等它做大。

纠偏需要长期投入，一次解决不了，但方向明确：你提供的真实信号越强、越一致、越权威，幻觉的生存空间就越小。

品牌幻觉审计的季度落地节奏

方法讲完，关键是能执行。下面是一个可以直接套用的季度节奏，把这套流程排进日程：

• 第1周，建立基线：列出20到50个覆盖品牌名、核心产品和典型购买场景的问题，在3到4个主流引擎以及你的用户实际使用的垂直工具上各问一遍，原样存档答案。这就是你的第一份“AI眼里的我”。
• 第2到3周，标注定级：把每一处幻觉按“虚构竞品/名字改写/张冠李戴/说错规格”分类，标出高发引擎和高发场景，排出优先级，先处理出现在高购买意向查询上的问题。
• 第4到8周，补供给、补信号：针对高优先级幻觉，一边补结构化数据和跨来源一致的实体信息，一边制作真实内容填补对应的实体空位。这是工作量最大的阶段，也是真正改变AI所读内容的阶段。
• 第9到12周，复测看趋势：把第1周那组问题原样再问一遍，对比幻觉是减少了、转移了还是恶化了。重点看趋势而非单次数字：你的动作有没有让“AI版的你”更接近真实的你。

跑完一个季度，你会得到两样东西：一张持续更新的品牌幻觉地图，以及一套验证过效果的应对动作。它会随复测不断更新，比一次性报告更有用。

前面那个户外储能客户，后来按这个节奏跑了一轮：先找出AI在“露营用大容量电站”这个场景上反复编造的几个不存在的型号，确认这正是它产品线覆盖不足、内容也稀薄的空位；接着补了一组真实的选型对比和规格页，并补齐Organization标记和sameAs。一个季度后复测，在那几个高频购买场景里，AI开始稳定引用它的真实产品页，不再报出那个查无此人的假品牌。整个过程没有特殊技巧，只是把真实信号做得比幻觉更强。

没听过的品牌名一定是AI幻觉吗？

这里还有一个反方向的误区。做过几轮幻觉审计后，很容易走到另一个极端：看到不认识的品牌名，就认定是AI编的。这会误判两类真实存在的品牌：

• 新兴真实品牌。市场上每天都有新品牌出现，在增长快的出海品类里尤其多。一个你没听过的名字，很可能是刚起步的真实竞品，不核实就当成幻觉，会让你误判竞争格局。
• 私有品牌和区域品牌。很多品牌只在特定渠道、特定地区销售，全网能搜到的证据很少，但它们是真实存在的。

判断AI给出的品牌是真是假，不能看“我认不认识”，要看可核实的证据链：有没有独立来源，有没有真实的商业实体痕迹，信息是否一致。这和识别AI幻觉的通用原则相同：不预设结论，只做核验。

品牌幻觉为什么短期内会加剧？

有人会认为，模型一代比一代强，幻觉会逐渐消失。这个预期偏乐观。有几个结构性原因，让品牌幻觉在短期内更可能加剧：

• AI生成内容正在回流到训练语料。越来越多的网页本身由AI写成，其中难免夹带幻觉品牌和错误参数。这些内容被抓进下一代模型的训练集，模型就会学到自己的错误，污染不断累积。
• 新品类、新品牌出现的速度远快于模型更新的节奏。你所在的细分赛道每天都有新实体出现，而模型知识有截止日期，这段空档正是它最容易自行补全的地方。市场增长越快，实体真空越普遍。
• 抢注者的动机在增强。只要AI带来的流量还在增长，把幻觉名字抢注成仿冒落地页就有利可图，slopsquatting从代码领域扩散到消费品领域只是时间问题。

三条放在一起，结论很清楚：指望模型自己变好来解决品牌幻觉，等于把自己的生意押在别人的路线图上。你能掌控的，是主动把自己的实体信号做强、做清楚，赶在幻觉之前占住位置。这项工作需要长期做，AI搜索时代的品牌都绕不开它。

如何判断AI给出的品牌名是真是假？

把前面的内容压缩成一张随手可用的清单。下次AI给出一个品牌或型号，尤其是你准备据此做决策或写进内容时，先检查这五项：

五项里只要有两项出现红旗，就先不要相信。这张清单能防止你自己被幻觉带偏，也可以用来建立用户信任：把“怎么辨别真假品牌”讲清楚，这类内容本身只有可信实体才写得出来。

品牌幻觉的应对要点

本文列了不少数字和机制，需要记住的是三点。第一，AI编造品牌和商品不是偶发失误，是可测、可复现、已被黑产利用的系统性现象，公开研究里的19.7%、21.7%、22.88%都是硬指标，并非危言耸听。第二，幻觉最容易出现在真实信息最稀薄的地方，所以它每编一次，都标出了一个没被真实实体填满的需求空位；这是威胁，也是一张免费的机会地图。第三，你无法直接修改AI模型，但可以改变它读到的内容：把实体信号做强、做一致，把真实内容补到空位上，定期审计“AI版的你”并主动纠偏。

AI搜索时代的品牌竞争多了一条不容易被看见的赛道：除了和真实对手争排名，还要和不断被生成出来的虚假版本争“谁才是真正的你”。谁的实体信息更清晰、更权威、更不容易被改错，谁就更不容易被不存在的对手替代。这件事没有捷径，方向已经清楚，越早做越早占住位置。

常见问题解答

AI推荐的品牌不存在，是模型太差还是普遍现象？

是普遍现象，和模型档次有关，但不只由档次决定。公开研究里，代码大模型的虚构实体率在商用模型中约为5.2%，在开源模型中约为21.7%；用作商品推荐器时，个别开源模型在某些品类能到22%以上，头部商用模型则低于1%。所以既不能说“AI都不靠谱”，也不能盲目相信，关键看你的用户在用哪个引擎，长尾垂直工具的幻觉密度通常远高于头部产品。

我的品牌被AI改写或和别人搞混了，能改吗？

能改善，但很难马上根除。核心是做强实体信号：补齐Organization结构化数据、sameAs交叉链接和各渠道一致的品牌信息，让模型在你这个位置有清晰的真实锚点，同时通过官方反馈渠道持续纠错。这需要长期投入，你提供的真实信号越强、越一致，幻觉的空间就越小。

虚构品牌对我的SEO/GEO到底有没有实质伤害？

有，而且不容易被发现。它会拿走你本可以获得的推荐位，可能把你的名字引向仿冒站，还可能把你没做过的差评安到你头上。问题在于这些损失不会出现在传统的排名和流量报表里，你往往不知道自己输给了一个不存在的对手，只有通过专门的品牌幻觉审计才能看到。

什么是slopsquatting，和我做电商有关系吗？

slopsquatting指攻击者利用AI稳定幻觉出的名字，抢先注册成真实软件包或真实域名并投毒的手法，最早在软件供应链中大规模出现。对电商的直接影响是：AI幻觉出的品牌名、型号名同样可能被抢注成仿冒店铺或域名，专门接收被AI误导的意向流量。定期监测与你品牌相关的幻觉名字有没有被抢注，是一项新的品牌保护工作。

怎么找出AI在我品类里最容易编造品牌的地方？

系统地提问。围绕你所在品类的各种购买场景列一组问题，在多个引擎上逐个提问，记录AI开始编造品牌或型号的查询。这些查询就是你的“实体真空区”，即真实供给不足、AI只能自行补全的位置，也是你用真实内容和产品去占领的机会点，相当于AI免费帮你做了一次需求勘探。

把自己的实体做清晰，真能减少被幻觉替代吗？

能，这是目前最根本的解决方向。幻觉的根源是模型在真实信息稀薄的位置自行填空。你把这个位置的真实锚点做足，包括结构化数据、跨来源一致的信息和持续更新的权威内容，模型就有真实信息可用，不需要也不倾向于自行补全。你无法直接修改AI的记忆，但可以改变它读到的内容，所有工作都围绕这一点展开。

权威参考资料

• We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs——USENIX Security 2025论文，代码大模型虚构包名率19.7%、开源21.7% vs商用5.2%、20.5万个唯一幻觉名及43%复现率的一手数据来源。
• USENIX Security 2025官方会议页：Package Hallucinations研究报告——上述论文的会议正式发布页，含研究背景与作者信息，可核实这项包幻觉研究的权威出处。
• Beyond Utility: Evaluating LLM as Recommender——把大模型当商品推荐器时的虚构商品率评测，多数模型低于5%、Mistral在美妆品类约22.88%的分模型数据出处。
• Cloud Security Alliance：Slopsquatting与AI供应链攻击研究简报——云安全联盟对slopsquatting攻击链的系统梳理，含幻觉名被抢注投毒的真实案例，是理解虚构实体安全风险的权威来源。
• Google Search Central：Organization结构化数据文档——Google官方对组织结构化数据的落地要求，明确指出它用于帮助搜索理解并消歧你的组织，是实体grounding的官方依据。
• Schema.org：Organization类型定义——结构化数据Organization类型的官方规范，alternateName、sameAs等字段的权威定义，做品牌实体标记时的一手参照。
• Wikipedia：Entity Linking(实体链接与消歧)——实体链接与命名实体消歧的概念说明，理解AI为什么会把品牌搞混、以及消歧为何是幻觉反义词的背景知识。