身份错位
把你归错品类、说错主营业务、认错所属集团。基本盘一错，后面所有推荐和评价都建在沙子上。
解决方案
AI 谈起你的时候，说的都对吗？
它可能把你归错类、报错关键信息、把已经不存在的东西当现状、拿几年前的旧事当最新。这些错误正被用户当真。答案准确率审计，帮你系统查出 AI 到底说错了什么。
先看清问题
AI 把你讲错的样子，往往长这样
它不是恶意抹黑，而是一本正经地把错的当成对的：把你归进不相干的类别、把张三的资质安到你头上、把你早就调整过的信息当成现行版本。
麻烦在于，AI 的语气永远自信。用户听不出哪句是准的、哪句是错的，只会照单全收，再拿去做决定。
所以纠错的第一步，不是急着解释，而是先把「AI 到底把你讲成了什么样」一条条查清楚——看得见，才修得动。
错误分几类
AI 讲错你，通常是这六种
属性报错
关键属性、适用人群、核心特点这些具体信息报得不对，用户照着错的去比较、去决策。
信息过时
已经调整过的还在用旧版本说、早已改变的还当现状讲。过时信息最像真的，也最容易骗到人。
张冠李戴
把别人的动作、事件、资质安到你头上，或反过来把你的说成别人的。混淆本身就会误导用户。
无中生有
凭空生成一个你根本没有的说法或细节，语气还特别笃定。这类编造最隐蔽，因为它听起来毫无破绽。
口径自相矛盾
同一个事实，换个问法、换个平台答得不一样。自相矛盾本身就是一种「不准」，会让用户无所适从。
怎么查、怎么修
从「感觉哪里不对」到「一份可修的清单」
凭印象说「AI 好像讲错了」没用，得有一套能落地的查错纠错动作。
步骤 01
第一步 · 圈定要核的事实
先列出关于你、最不能错的那些硬事实：身份归属、关键属性、时效状态、资质与关系。把「该对」的标准定下来，才知道拿什么去比对 AI 的说法。
01
步骤 02
第二步 · 跨平台采集 AI 说法
在主流大模型上、用不同问法各问一遍，把 AI 对每条事实的说法原样记下来。这是全页唯一一次强调「多平台采样」——一个平台的一次回答，不足以下判断。
02
步骤 03
第三步 · 逐条比对、分类定级
把 AI 的说法和你圈定的标准逐条比对，标出错在哪、属于六类里的哪一类，再按「影响用户决策的程度」定优先级，别把小瑕疵和硬伤混为一谈。
03
步骤 04
第四步 · 用新证据纠错并复审
针对高优先级错误，补上结构清晰、口径一致、可核验的权威内容去覆盖旧说法；隔一段时间再审一次，用事实是否被纠正来验证有没有真修好。
04
你没法纠正一个你没看见的错误——纠错的前提，是先把 AI 讲错你的每一句都摆到台面上。
值数 Matrix 对答案准确率审计的基本主张
产品看板
错在哪、有多严重、先修谁，一屏交代清楚
把每次探测查出的错误按类型和严重度汇总，输出的不是一句「有问题」，而是一份能直接派活的修复清单。
左右滑动查看完整界面
错误类型分布
六类错误分开统计，看清你主要栽在哪一类，而不是笼统一句「不准」。
分平台准确率
各大模型的事实质量并列，定位哪个平台对你误解最深、最该先处理。
严重度排序
按对用户决策的影响排序，直接告诉你该先修哪一条、哪些可以缓一缓。
修复闭环
标记每条错误的处理状态，纠错后复审，用「有没有改过来」证明工作有效。