核心功能：自动构建品牌知识体系（知识图谱），结构化呈现品牌信息，帮助AI平台更准确理解品牌，提升推荐准确率和完整性。
适用场景：
交付形式：Coze技能商店（免费版+付费版）
用户输入：
品牌：华为
官网：https://www.huawei.com
行业：消费电子
构建维度：品牌简介、产品系列、技术优势、企业文化、社会责任
技能输出：
【品牌知识图谱构建报告】
品牌：华为
构建时间：2026-05-28 23:20
涵盖维度：5个
✅ 已构建知识实体：
**1. 品牌简介**
- 实体ID：brand_huawei_intro
- 属性：
- 成立时间：1987年
- 总部地点：深圳
- 创始人：任正非
- 主营业务：通信设备、消费电子、企业业务
- 员工数量：约20万人（2025年）
**2. 产品系列**
- 实体ID：brand_huawei_products
- 子实体：
- 智能手机（Mate系列、P系列、nova系列）
- 笔记本电脑（MateBook系列）
- 平板电脑（MatePad系列）
- 智能穿戴（Watch系列、Band系列）
- 智能家居（HiLink生态）
**3. 技术优势**
- 实体ID：brand_huawei_tech
- 子实体：
- 5G技术（专利数量全球领先）
- 麒麟芯片（自研处理器）
- 鸿蒙操作系统（分布式操作系统）
- 影像技术（XMAGE影像品牌）
**4. 企业文化**
- 实体ID：brand_huawei_culture
- 属性：
- 核心价值观：以客户为中心，以奋斗者为本
- 企业愿景：构建万物互联的智能世界
- 管理理念：灰度管理、蓝军机制
**5. 社会责任**
- 实体ID：brand_huawei_csr
- 属性：
- 碳中和目标：2030年实现自身运营碳中和
- 数字包容：TECH4ALL倡议
- 供应链责任：供应商行为准则
✅ 已生成知识图谱文件：
- JSON-LD格式（schema.org兼容）
- RDF格式（语义网标准）
- CSV格式（可导入Neo4j等图数据库）
【AI平台适配性提升预估】
- 豆包：理解准确率提升约35%
- 通义：信息完整性提升约42%
- DeepSeek：推理准确性提升约28%
【导出选项】
- JSON-LD（推荐，AI平台友好）
- RDF/XML（语义网应用）
- CSV（数据分析）
- Markdown（人类可读）
用户输入：
产品：华为Mate 60 Pro
品牌：华为
构建维度：产品参数、功能特性、用户评价、竞品对比
技能输出：
【产品知识图谱构建报告】
产品：华为Mate 60 Pro
品牌：华为
构建时间：2026-05-28 23:25
✅ 已构建知识实体：
**1. 产品参数**
- 实体ID：product_mate60_pro_specs
- 属性：
- 处理器：麒麟9000S
- 内存：12GB
- 存储：256GB/512GB/1TB
- 屏幕：6.82英寸OLED，2720×1260像素
- 电池：5000mAh
- 快充：88W有线快充，50W无线快充
**2. 功能特性**
- 实体ID：product_mate60_pro_features
- 子实体：
- 卫星通信（支持卫星电话和短信）
- 鸿蒙操作系统4.0
- XMAGE影像系统（可变光圈）
- 屏幕指纹识别
- IP68防水防尘
**3. 用户评价**
- 实体ID：product_mate60_pro_reviews
- 属性：
- 综合评分：4.7/5.0
- 优点：卫星通信实用、性能强劲、拍照优秀
- 缺点：重量较大、价格较高
- 推荐率：92%
**4. 竞品对比**
- 实体ID：product_mate60_pro_vs
- 子实体：
- vs 苹果iPhone 15 Pro（优势：卫星通信、快充；劣势：生态）
- vs 小米14 Ultra（优势：品牌溢价、系统流畅；劣势：性价比）
✅ 已生成Schema标记：
{
"@context": "https://schema.org",
"@type": "Product",
"name": "华为Mate 60 Pro",
"brand": {"@type": "Brand", "name": "华为"},
"description": "...",
"offers": {...}
}
【使用建议】
1. 将JSON-LD部署到产品页面
2. 提交到Google Search Console
3. 使用"GEO健康诊断师"验证AI平台理解效果
graph TD
A[用户输入] --> B[参数验证]
B --> C[网页内容爬取]
C --> D[信息抽取]
D --> E[实体识别]
E --> F[关系抽取]
F --> G[知识图谱构建]
G --> H[Schema标记生成]
H --> I[输出结果]
1. 信息抽取算法
def extract_information(url, dimensions):
"""
从网页抽取结构化信息
"""
# 爬取网页内容
html = crawl_url(url)
text = extract_text_from_html(html)
# 按维度抽取信息
extracted_info = {}
for dim in dimensions:
if dim == "品牌简介":
extracted_info[dim] = extract_brand_intro(text)
elif dim == "产品系列":
extracted_info[dim] = extract_products(text)
elif dim == "技术优势":
extracted_info[dim] = extract_tech_advantages(text)
# ... 其他维度
return extracted_info
2. 实体识别算法
def recognize_entities(extracted_info):
"""
识别知识实体
"""
entities = []
for dim, info in extracted_info.items():
# 使用NLP模型识别实体
doc = nlp(info)
for ent in doc.ents:
entities.append({
"text": ent.text,
"label": ent.label_,
"start": ent.start_char,
"end": ent.end_char
})
return entities
3. 知识图谱构建算法
def build_knowledge_graph(entities, relations):
"""
构建知识图谱
"""
graph = {
"@context": "https://schema.org",
"@graph": []
}
# 添加实体
for entity in entities:
graph["@graph"].append({
"@id": f"#{entity['id']}",
"@type": entity["type"],
"name": entity["name"],
"description": entity.get("description", "")
})
# 添加关系
for rel in relations:
graph["@graph"].append({
"@id": f"#{rel['id']}",
"@type": "Relationship",
"subject": f"#{rel['subject']}",
"predicate": rel["predicate"],
"object": f"#{rel['object']}"
})
return graph
[开始节点]
↓
[输入节点] - brand_name, website_url, dimensions
↓
[参数验证节点] - 检查必填项
↓
[代码节点-网页爬取] - 爬取网页内容
↓
[代码节点-信息抽取] - 抽取结构化信息
↓
[代码节点-实体识别] - 识别知识实体
↓
[代码节点-关系抽取] - 抽取实体关系
↓
[代码节点-图谱构建] - 构建知识图谱
↓
[代码节点-Schema生成] - 生成Schema标记
↓
[输出节点] - 知识图谱 + Schema标记
↓
[结束节点]
| 套餐 | 价格 | 功能 |
|---|---|---|
| ------ | ------ | ------ |
| 基础版 | ¥19.9/次 | 5个维度，完整实体识别，多格式输出 |
| 专业版 | ¥399/月 | 无限维度，API接入，自动更新 |
| 企业版 | ¥1,999/月 | 全部功能，定制化知识模型，专属支持 |
输入测试数据：
参考references/publish_materials.json填写技能详情
references/dimensions.json - 知识维度定义库references/schema_templates.json - Schema模板库scripts/builder.py - 知识图谱构建核心算法scripts/extractor.py - 信息抽取器共 1 个版本