刷到“苹果发布新手机”的推送时，你不会把苹果和水果摊的红富士搞混——这套人类天生的判断力，就是实体链接与消歧要教给AI的能力。
先搞懂：它到底在帮AI解决啥麻烦
说穿了就是两件事。
先得把文本里提到的具体事物，对应到现实里真实存在的那个实体条目上。比如你跟智能音箱说“帮我订去北京的机票”，它得把“北京”对应到“中国首都北京市”这个标准实体，而不是叫“北京”的某个老小区。
再要消掉同一个词的多重含义。比如搜“苹果总部在哪”，AI大概率不会给你跳本地水果批发市场的地址。
说实话，这套逻辑和你平时和同事聊天没区别——聊到“上周的会”，你知道指的是部门周会，不是楼下咖啡师的例会，对吧？
实操层面的几个常见注意点
上下文信息的权重不能随便砍。
如果只给AI丢一句“我喜欢苹果”，没有前后文，它根本没法判断你说的是水果还是消费电子品牌。这时候硬做链接就是瞎猜。
别不信。据一些用户反馈，不少搭建内部知识库的团队，一开始为了省算力，把文档的上下文窗口设得特别小，结果把文档里的“华为”经常错链成同名的乡镇企业，排查了半天才发现是上下文截太短了。
另外，低频自定义实体的维护不能偷懒。
比如你公司内部的项目名、专属客户名，这些通常公开知识库里不会收录。要是不提前把这些实体的对应关系录进自定义词表，AI大概率会给你链到别的同名公开实体上。通常这类自定义实体库的更新周期，和公司的项目迭代节奏对齐就好，不用天天更，但项目结项或者更名的时候，一定要同步更新。
它和普通关键词提取有啥区别
很多人刚接触的时候，会把它和之前用的关键词提取搞混。
其实差得挺多的。关键词提取只是把文本里出现的名词挑出来，比如从“我昨天买了一瓶农夫山泉”里挑出“农夫山泉”。但实体链接与消歧是要把这个词，对应到世界上有统一标识的具体实体——比如明确链到“农夫山泉股份有限公司”这个工商注册的实体条目上，而不是别的什么叫农夫山泉的山寨小作坊。
有意思的是，现在不少做RAG的团队，都会把这一步嵌在文档入库的环节，不然检索的时候很容易因为实体错配，给用户返回关联度很低的内容。
你平时用智能工具处理文本的时候，遇到过哪些实体识别错配的离谱情况？欢迎结合具体场景继续探讨。
