美妆品牌 Sephora 的官网成分页，在生成式引擎里曾与维基百科词条名称打架，导致 AI 回答成分问题时把品牌写成另一家。内容团队在生成式引擎优化（GEO）中，发现了一个看似简单却致命的问题：同一实体在不同平台上的名称不一致。他们没有急着投广告或堆关键词，而是先做了一次实体钉死。

几套名字从哪来

Sephora 的官方名称是“Sephora”，但在维基百科上，由于品牌历史与母公司 LVMH 的关系，词条可能以“Sephora (company)”或“丝芙兰”等形式存在。美妆内容团队在分析生成式引擎引用时发现，AI 在回答“Sephora 某款精华的成分是什么”时，有时会引用维基百科词条，而该词条中的品牌描述与官网不一致，甚至出现“Sephora 是另一家公司的子品牌”之类表述。这种名称上的分裂，让生成式引擎在实体链接时产生了困惑。

团队进一步检索发现，问题不止维基百科。一些美妆测评网站、成分分析数据库以及 UGC 平台，对 Sephora 的称呼、拼写和关联实体都有差异。例如，有的写“Sephora USA”，有的写“Sephora.com”，还有的将“Sephora Collection”与“Sephora”混为一谈。这些名称变体在传统搜索里可能不会造成太大影响，但在生成式引擎中，当模型试图理解“Sephora”这个实体时，它会从多个来源抓取信息，如果来源之间的实体定义不一致，模型就可能选择错误的实体，或者生成混合了多个实体的答案。

模型怎样搞混

生成式引擎的工作原理，是从检索到的多个片段中综合生成答案。如果片段中“Sephora”这个实体没有清晰、一致的边界，模型就会根据上下文猜测其指代。例如，当用户问“Sephora 的维生素 C 精华有什么成分”时，模型可能同时检索到官网成分页和维基百科词条。官网页面的标题是“Sephora - Vitamin C Serum”，而维基百科词条可能写着“Sephora is a French multinational retailer of personal care and beauty products...”。如果官网页面没有明确的结构化数据标记（如 Schema.org 的 Organization 和 Product 标记），模型可能无法识别出“Sephora”就是同一家公司，反而将维基百科中的品牌描述当作主要实体，然后把官网的成分信息嫁接到这个实体上，导致答案中出现“Sephora 是另一家公司的产品”之类的错误。

美妆内容团队在测试中发现，当他们在 ChatGPT 或 Perplexity 中询问“What is Sephora's vitamin C serum ingredients?”时，有几次回答的开头是：“Sephora, a subsidiary of LVMH, offers a vitamin C serum...” 但随后列出的成分却来自 Sephora Collection 的另一款产品，而不是官网主推的那款。这种错误并非个例，而是生成式引擎在处理多源实体不一致时常见的“实体分裂”现象。

他们怎样钉死实体

团队决定从三个层面钉死“Sephora”这个实体：一是官网自身的实体标记，二是外部权威来源的实体对齐，三是内容中的实体一致性。

首先，他们在官网所有产品页和品牌页的 HTML 中，添加了完整的 Schema.org 标记，包括 Organization、Brand 和 Product。例如，在 Organization 标记中明确设置 name 为 “Sephora”，url 为 “https://www.sephora.com”，sameAs 指向维基百科词条、官方社交媒体以及 Google Knowledge Graph 条目。这样做的目的是告诉生成式引擎，官网上的“Sephora”与维基百科中的“Sephora (company)”是同一个实体。

其次，他们联系了维基百科的编辑，请求更新词条中的品牌描述，使其与官网信息一致，并在词条中添加了官网链接作为权威参考。这一步骤并不涉及付费推广，而是基于维基百科的编辑规范进行的合理修正。

最后，团队对官网所有内容进行了内部审查，确保在页面标题、正文、图片 alt 文本和元描述中，品牌名称统一使用“Sephora”，而不是“Sephora USA”或“Sephora.com”。同时，他们修改了内部内容风格指南，要求所有新内容在提及品牌时使用全名，并在首次出现时链接到官网主页。

公开页改了什么

除了实体标记，团队还对官网的成分页进行了结构化改造。以前，成分页只是简单的文字列表，没有标注成分的来源或权威性。现在，他们在每个成分旁边添加了 INCI 名称，并链接到权威的化妆品成分数据库，如 CosIng 或 Paula's Choice 的成分词典。同时，他们为每个成分页添加了“最后更新”日期，以及“由 Sephora 科学团队审核”的声明，以增加页面的可信度。

此外，团队优化了页面标题和元描述，使其更符合生成式引擎的引用偏好。例如，将原本的“Ingredient List”改为“Sephora Vitamin C Serum Ingredients: Full List with INCI Names”，并在页面开头用一段话总结主要成分及其功效，方便生成式引擎直接摘取作为答案片段。

防止再裂开

为了防止实体再次分裂，团队建立了一套监控机制。他们每周使用多个生成式引擎（ChatGPT、Perplexity、Google AI Overview）测试一组固定的品牌相关问题，记录答案中的实体名称和引用来源。如果发现答案中出现了错误的实体名称（如“Sephora USA”或“Sephora Collection”），他们会立即检查是哪个来源导致了混淆，并采取相应的修正措施。

同时，团队与法务部门合作，制定了品牌名称的使用规范，并对外部合作伙伴（如测评网站、数据供应商）发出通知，要求他们统一使用“Sephora”作为品牌名称。他们还更新了官网的 robots.txt 文件，确保生成式引擎的爬虫（如 GPTBot）可以正常抓取成分页和品牌页，而不是被误屏蔽。

通过这些措施，Sephora 的内容团队在生成式引擎中的可见度和引用准确性得到了明显提升。虽然他们没有公开具体的数据，但从内部测试来看，品牌名称被写错的情况大幅减少，官网成分页成为 AI 回答美妆成分问题时更常被引用的来源。

还容易问的

这一案例给美妆个护品牌的启示是：在生成式引擎优化中，实体一致性比关键词密度更重要。品牌需要像管理传统 SEO 一样，主动管理自己在生成式引擎中的实体身份，确保所有公开来源的信息一致、准确、可核验。否则，即使官网内容质量很高，也可能因为名称打架而被 AI 写成另一家。

对于那些想要进入 GEO 领域的美妆品牌，Sephora 的实践提供了一个可参考的路径：从实体钉死开始，逐步优化结构化数据、内容权威性和跨平台一致性。如果你还不清楚 GEO 和传统 SEO 的区别，可以查看我们的 SEO vs GEO 指南。