Baiyuan RAG Knowledge Platform Whitepaper

Chapter 9 — 與 GEO Platform 的整合

GEO 負責讓品牌在 AI 回答中被提及；RAG 負責確保 AI 看到正確的事實。兩者是一體兩面。

9.1 為何兩個產品要深度整合

百原 GEO Platform（見 GEO 白皮書）負責七維度 AI 引用率評分、AXP 影子文檔、閉環幻覺修復。RAG 負責 L1 Wiki + L2 混合檢索、多租戶知識庫。表面看是兩條產品線，但事實上共用同一個「品牌事實」。

具體共用的東西：

flowchart TB
    subgraph BRAND[品牌事實單一來源]
        ENT[brand_entities<br/>Organization/Service/Person]
        FACTS[brand_facts<br/>可驗證事實集]
    end

    subgraph RAG[RAG Platform]
        DOC[documents]
        WIKI[wiki_pages]
    end

    subgraph GEO[GEO Platform]
        AXP[AXP Shadow Doc]
        GT[Ground Truth]
        SCAN[7 維掃描]
    end

    BRAND --> RAG
    BRAND --> GEO

    RAG -->|Wiki 即 GT| GT
    GEO -->|幻覺修復注入| RAG
    GEO -->|AXP 內嵌| WIKI

Fig 9-1: RAG 與 GEO 的共用與雙向流

三條重要的資料流：

brand_entities → 兩系統：品牌基本資料（成立年份、CEO、產品線）寫一次，GEO 和 RAG 各自讀
RAG Wiki → GEO Ground Truth：L1 Wiki 頁是結構化事實，直接作為 GEO 的 GT 比對源
GEO 幻覺偵測 → RAG 寫入：GEO 發現 AI 把品牌講錯時，自動把正確事實補進 RAG 的對應 Wiki

9.2 品牌實體共用資料模型

-- 共用表，位於 shared 資料庫
CREATE TABLE brand_entities (
    id               UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id        UUID NOT NULL,
    entity_type      TEXT NOT NULL,  -- Organization / Service / Person / LocalBusiness
    schema_id        TEXT NOT NULL,  -- "https://acme.example/#org"
    name             TEXT NOT NULL,
    description      TEXT,
    properties       JSONB NOT NULL, -- schema.org 擴充屬性
    sameAs           TEXT[],         -- [Wikipedia, Wikidata, LinkedIn]
    created_at       TIMESTAMPTZ,
    updated_at       TIMESTAMPTZ
);

CREATE TABLE brand_facts (
    id               UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id        UUID NOT NULL,
    entity_id        UUID REFERENCES brand_entities(id),
    claim            TEXT NOT NULL,   -- "成立於 2018 年"
    evidence         TEXT NOT NULL,   -- 出處原文
    evidence_url     TEXT,
    verified_by      TEXT,            -- "human" / "llm_nli" / "auto_scraped"
    verified_at      TIMESTAMPTZ,
    confidence       REAL             -- 0.0–1.0
);

GEO 與 RAG 各自有「自己的」資料表（documents、chunks、wiki_pages 在 RAG；axp_snapshots、scans 在 GEO），但事實的權威源是 brand_facts。

9.3 Ground Truth 閉環

GEO 系統每日掃 15 個 AI 平台，量測「AI 如何描述品牌」。如果掃到：

ChatGPT：『ACME 公司成立於 2015 年，總部位於上海。』

而 brand_facts 記錄是：

成立於 2018 年，總部位於台北。

GEO 會產生一筆 Hallucination Event。系統分三階段處理：

sequenceDiagram
    autonumber
    participant GEO
    participant NLI as NLI 引擎
    participant CR as ClaimReview<br/>生成器
    participant RAG
    participant Scan as 下次掃描

    GEO->>NLI: 比對 AI 聲明 vs brand_facts
    NLI-->>GEO: contradiction (conf=0.92)
    GEO->>CR: 產生 ClaimReview(Schema.org)
    CR-->>GEO: JSON-LD
    GEO->>RAG: 注入 wiki_pages (slug=company-overview)
    GEO->>GEO: 更新 AXP shadow doc 嵌入 ClaimReview
    Note over Scan: 4 小時後
    Scan->>Scan: 重掃 AI 平台
    Scan-->>GEO: 驗證 AI 是否仍誤述

Fig 9-2: Ground Truth 閉環修復流程

關鍵點：

NLI 三值分類：entailment（支持）/ contradiction（矛盾）/ neutral（沒提到） — 只有 contradiction 才觸發修復
ClaimReview 是 Schema.org 型別：搜尋引擎與 AI 都認這個結構化標記
RAG 是修復的注入點：把正確事實寫進 RAG 的 Wiki，之後品牌自己的 AI 客服也會拿到一致事實

9.4 Schema.org @id 三層互連

@id 是 JSON-LD 給實體的唯一 URI。三層互連代表：

{
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://acme.example/#org",
      "name": "ACME Corp",
      "hasOfferCatalog": {"@id": "https://acme.example/#catalog"},
      "employee": [
        {"@id": "https://acme.example/team/alice#person"}
      ]
    },
    {
      "@type": "Service",
      "@id": "https://acme.example/#service-consulting",
      "provider": {"@id": "https://acme.example/#org"}
    },
    {
      "@type": "Person",
      "@id": "https://acme.example/team/alice#person",
      "worksFor": {"@id": "https://acme.example/#org"}
    }
  ]
}

GEO Platform 的 AXP Shadow Doc 會把這段 JSON-LD 注入到 HTML 的 <head>；RAG Platform 的 Wiki 頁引用同一組 @id。AI 爬蟲（GPTBot、ClaudeBot、PerplexityBot）會把三層互連視為強品牌知識圖訊號。

9.4.1 為何 RAG 需要關心 Schema.org

RAG 本身不直接輸出 HTML，為何要管 Schema.org？兩個理由：

Wiki body 內可嵌 @id 引用：當 AI 生成答案並引用 @id，使用者點擊連結可跳到權威頁
RAG 是 brand_entities 的消費者：Wiki 編譯時 LLM 被要求「所有事實聲明要對齊 brand_entities 的 @id」

9.5 幻覺偵測 → RAG 自動修復

這是本章最重要的雙向整合。場景：

客戶在 chat.baiyuan.io 客服 widget 問「你們的 CEO 是誰？」
RAG 的 Wiki 頁 company-overview 未涵蓋 CEO 資訊
L1 miss → L2 檢索 → chunks 剛好也沒 CEO 資訊 → LLM 亂講「Bob Smith」
另一條路：GEO 掃 ChatGPT 發現 AI 也說「Bob Smith」
但 brand_facts 說 CEO 是「Alice Wang」
GEO 觸發修復：把 CEO: Alice Wang 加進 RAG 的 company-overview Wiki slug
下次有客戶問，Wiki hit 回「Alice Wang」✓

這個閉環的工程表示：

// GEO 端：偵測到幻覺後
await rag.api.post('/api/v1/wiki/patch', {
  tenant_id,
  knowledge_base_id,
  slug: 'company-overview',
  patch: {
    section: 'leadership',
    content: 'CEO: Alice Wang（2020 年起）',
    source_claim_id: claim.id,
    confidence: 0.98,
  }
});

// RAG 端：
// 1. 把 patch 寫入 wiki_pages.body（merge 策略）
// 2. 重新 lint
// 3. 若通過則立即生效
// 4. 下次 compile 時會整合進正式版本

這個功能從 2026 Q2 進入生產，是 GEO ↔ RAG 最深的整合點。

9.6 共用指標與 Dashboard

百原 Dashboard 上，租戶可以看到兩個產品線合併的品牌健康度指標：

指標	來源	涵義
AI 引用率（GEO）	GEO 七維掃描	AI 平台提及品牌的比例
事實正確率（GEO）	GEO NLI 驗證	提及時描述正確的比例
Wiki 覆蓋度（RAG）	RAG Wiki 編譯統計	brand_facts 有多少被寫成 Wiki
客服命中率（RAG）	RAG Query 日誌	客服問題有多少能回答
幻覺修復延遲	GEO 注入 → 下次掃驗證	修復後 AI 多久改口

這五個指標從不同角度量化「品牌被 AI 正確認知的程度」。Ch 11 有實例展示。

本章要點

GEO 與 RAG 共用 brand_entities / brand_facts 兩張表，是事實權威源
RAG 的 L1 Wiki 同時作為 GEO 的 Ground Truth
Schema.org @id 三層互連是 AXP + Wiki 共用的品牌知識圖訊號
GEO 偵測幻覺後自動 patch RAG Wiki，形成雙向閉環
Dashboard 上 5 個跨產品指標量化品牌 AI 健康度

參考資料

修訂記錄

日期	版本	說明
2026-04-20	v1.0	初稿

導覽：← Ch 8: 串流 + Handoff · 📖 目次 · Ch 10: 與 PIF 整合 →

This site is open source. Improve this page.