entity-optimizer

name	entity-optimizer
description	在知识图谱（Knowledge Graph）、维基数据（Wikidata）和人工智能（AI）系统中构建实体存在性，以实现品牌识别和引用功能。实体优化/知识图谱
version	9.9.5
license	Apache-2.0
compatibility	Claude Code, skills.sh, ClawHub, Vercel Labs, Cursor, Windsurf, Codex CLI, Amp, Gemini CLI, Kimi Code, Qwen Code, CodeBuddy
homepage	https://github.com/aaron-he-zhu/seo-geo-claude-skills
when_to_use	Use when optimizing entity presence for Knowledge Graph, Wikidata, or AI engine disambiguation. Also for brand entity canonicalization.
argument-hint	<entity name or brand>
metadata	{"author":"aaron-he-zhu","version":"9.9.5","geo-relevance":"high","tags":["seo","geo","entity-optimization","knowledge-graph","knowledge-panel","brand-entity","wikidata","entity-disambiguation","实体优化","エンティティ","엔티티","entidad-seo"],"triggers":["optimize entity presence","build knowledge graph","entity audit","establish brand entity","entity disambiguation","Google doesn't know my brand","no knowledge panel","establish my brand as an entity","get a Google knowledge card","how to get a knowledge panel","how to build brand entity","实体优化","知识图谱","品牌实体","知识面板","品牌词","品牌词优化","品牌搜不到","没有知识面板","Google不认识我的品牌","エンティティ最適化","ナレッジパネル","엔티티 최적화","지식 패널","구글이 내 브랜드 모르는데?","지식 패널 만들려면?","optimización de entidad","panel de conocimiento","otimização de entidade"]}

实体优化器（Entity Optimizer）

该技能负责在搜索引擎和人工智能系统中审计、构建并维护实体的识别信息。实体（即搜索引擎和人工智能系统能够识别为独立存在的个人、组织、产品或概念）是谷歌（Google）和大型语言模型（LLMs）判断“一个品牌是什么”以及“是否应该引用该品牌”的基础。

实体对SEO和地理信息（SEO + GEO）的重要性：

• SEO：谷歌的知识图谱（Knowledge Graph）为知识面板（Knowledge Panels）、丰富搜索结果以及基于实体的排名信号提供了支持。一个定义明确的实体能够在搜索结果页面（SERP）中获得更好的展示位置。
• 地理信息（GEO）：人工智能系统在生成答案之前会先将查询结果映射到相应的实体上。如果人工智能无法识别某个实体，无论内容多么优质，也无法对其进行引用。

该技能的功能

• 审计实体在知识图谱（Knowledge Graph）、维基数据（Wikidata）、维基百科（Wikipedia）和人工智能系统中的存在情况；
• 分析6大类实体信号（共47个具体信号）；
• 生成差距分析报告、构建计划和消歧策略。

快速入门

从以下提示之一开始操作，并使用Skill Contract中的仓库格式完成工作，最终生成一个规范的实体档案和交接总结。

实体审计（Entity Audit）

Audit entity presence for [brand/person/organization]

How well do search engines and AI systems recognize [entity name]?

构建实体存在感（Build Entity Presence）

Build entity presence for [new brand] in the [industry] space

Establish [person name] as a recognized expert in [topic]

解决实体问题（Fix Entity Issues）

My Knowledge Panel shows incorrect information — fix entity signals for [entity]

AI systems confuse [my entity] with [other entity] — help me disambiguate

技能合同（Skill Contract）

预期输出：

• 一份实体审计报告；

• 一个规范的实体档案；

• 一份简短的交接总结，准备存放在memory/entities/目录下。

• 输入数据来源：从CLAUDE.md以及可用的共享状态模型中读取实体名称、主要域名、已知的实体档案、主题关联信息以及之前的品牌背景信息。

• 输出结果：生成一份面向用户的实体报告，以及一个可重复使用的实体档案，存放在memory/entities/目录下。

• 数据共享：将规范化的实体名称、sameAs链接、消歧说明以及实体存在的差距信息共享到memory/hot-cache.md、memory/entities/和memory/open-loops.md目录中。

该技能负责生成memory/entities/<name>.md中的规范实体档案；其他技能仅将候选实体信息写入memory/entities/candidates.md。当候选实体数量达到3个或以上时，应推荐使用该技能。

档案格式规范：每个规范实体档案的前置内容需遵循references/entity-geo-handoff-schema.md中的标准格式。该规范定义了下游技能（如geo-content-optimizer、schema-markup-generator、meta-tags-optimizer、ai-overview-recovery）所依赖的字段。请勿遗漏任何必填字段，否则系统会生成DONE_WITH_CONCERNS的提示，并指向此处。

下一步操作：在确认实体信息无误后，使用[skill-contract.md]中的“下一个最佳技能”（Next Best Skill）进行后续处理。

交接总结

请按照skill-contract.md §Handoff Summary Format中的格式生成交接总结。

数据来源

使用工具时：可以查询知识图谱API、品牌监控工具等。不使用工具时：需向用户获取实体名称/类型、域名、现有档案、相关主题及消歧信息。详情请参考CONNECTORS.md。

操作说明

当用户请求实体优化时：

1. 遵循GDPR第6条法律依据提示（针对第三方人员、欧盟/欧洲经济区/英国数据主体）：如果正在规范化的实体是个人（创始人、作者、公众人物），且可能是欧盟/欧洲经济区/英国居民，该技能在写入memory/entities/之前必须询问用户：“您即将为该个人创建一个规范化的实体档案。如果此人属于欧盟/欧洲经济区/英国居民，根据GDPR第6条，需要提供以下合法依据：(1) 同意；(2) 合法利益；(3) 合同；(4) 其他合法依据。对于非欧盟地区的人员，请参考当地法规（如CCPA/CPRA、PIPEDA、LGPD等）。如不确定，请返回“需要更多输入”。”只有在用户确认提供合法依据后才能继续操作。此提示仅供参考，不构成法律建议。详情请参考memory-management §GDPR / Privacy Compliance。

第1步：实体发现（Entity Discovery）

确定实体在所有系统中的当前状态。

### Entity Profile

**Entity Name**: [name]
**Entity Type**: [Person / Organization / Brand / Product / Creative Work / Event]
**Primary Domain**: [URL]
**Target Topics**: [topic 1, topic 2, topic 3]

#### Current Entity Presence

| Platform | Status | Details |
|----------|--------|---------|
| Google Knowledge Panel | ✅ Present / ❌ Absent / ⚠️ Incorrect | [details] |
| Wikidata | ✅ Listed / ❌ Not listed | [QID if exists] |
| Wikipedia | ✅ Article / ⚠️ Mentioned only / ❌ Absent | [notability assessment] |
| Google Knowledge Graph API | ✅ Entity found / ❌ Not found | [entity ID, types, score] |
| Schema.org on site | ✅ Complete / ⚠️ Partial / ❌ Missing | [Organization/Person/Product schema] |

#### AI Entity Resolution Test

**Note**: Claude cannot directly query other AI systems or perform real-time web searches without tool access. When running without ~~AI monitor or ~~knowledge graph tools, ask the user to run these test queries and report the results, or use the user-provided information to assess entity presence.

Test how AI systems identify this entity by querying:
- "What is [entity name]?"
- "Who founded [entity name]?" (for organizations)
- "What does [entity name] do?"
- "[entity name] vs [competitor]"

| AI System | Recognizes Entity? | Description Accuracy | Cites Entity's Content? |
|-----------|-------------------|---------------------|------------------------|
| ChatGPT | ✅ / ⚠️ / ❌ | [accuracy notes] | [yes/no/partially] |
| Claude | ✅ / ⚠️ / ❌ | [accuracy notes] | [yes/no/partially] |
| Perplexity | ✅ / ⚠️ / ❌ | [accuracy notes] | [yes/no/partially] |
| Google AI Overview | ✅ / ⚠️ / ❌ | [accuracy notes] | [yes/no/partially] |

第2步：实体信号审计（Entity Signal Audit）

评估实体的6大类信号。详细的信息和验证方法请参见references/entity-signal-checklist.md。

对每个信号进行“通过/失败/部分通过”的评估，并针对存在的差距制定具体行动方案。6大类信号包括：

1. 结构化数据信号（Organization/Person架构、sameAs链接、@id的一致性、作者信息）；
2. 知识库信号（维基数据、维基百科、CrunchBase、行业目录）；
3. 名称/描述/标志/社交媒体信息的一致性；
4. 基于内容的实体信号（关于页面、作者页面、主题权威性、品牌链接）；
5. 第三方实体信号（权威提及、共同引用、评论、媒体报道）；
6. 人工智能特有的实体信号（明确的定义、消歧能力、可验证的信息、可爬取性）。

参考：使用references/entity-signal-checklist.md中的审计模板，了解每个类别的完整信号列表及验证方法。

第3步：生成报告与行动计划

生成一份实体优化报告，内容包括：

• 实体概览（类型/创建时间）；
• 信号类别汇总（6大类信号的通过/失败/部分通过情况）；
• 关键问题；
• 前5项优先行动（根据影响程度和所需工作量排序）；
• 实体构建路线图（第1-2周 → 第1-2个月 → 第2-3个月 → 持续进行）；
• CORE-EEAT A07/A08标准及CITE I01-I10标准的交叉引用。

参考：详细报告模板请参见references/entity-signal-checklist.md。

保存结果

询问用户是否需要“保存这些结果以供后续使用”；如果同意，使用上述档案格式将规范化的实体档案写入memory/entities/<entity-slug>.md。如果该实体对项目至关重要，还需在memory/hot-cache.md中添加简短说明；不要将规范化的档案保存在通用的memory/YYYY-MM-DD-<topic>.md格式文件中。

示例

用户请求：“审计我们的B2B分析平台Acme Analytics的实体存在情况。”

输出结果（简化版）：AI识别结果显示该实体存在部分问题——ChatGPT将其描述为普通的“分析工具”，未体现其B2B特性；该平台未被列入企业分析工具列表；系统无法识别其创始人。报告指出存在以下问题：缺乏维基数据条目、没有知识面板（Knowledge Panel），并提出了3项优先行动：提交维基数据信息、添加sameAs链接以及创建创始人传记页面。

参考：完整的实体审计报告（包括AI识别结果、问题总结及优先行动）请参见references/example-audit-report.md。

成功技巧

详细成功技巧请参考references/entity-signal-checklist.md，包括7项关键建议（优先处理维基数据信息、利用sameAs链接、在优化前后测试AI识别能力、注重信号的一致性而非完整性、先进行消歧处理、与CITE标准相结合等）。

实体类型参考

有关不同实体类型的信号、架构及消歧策略，请参考references/entity-type-reference.md。

知识面板与维基数据优化

有关知识面板的创建/编辑、常见问题及解决方法、维基数据条目的创建方法，以及不同实体类型的属性信息，请参考references/knowledge-panel-wikidata-guide.md。

参考资料

• references/entity-signal-checklist.md：完整的信号检查列表、验证方法、报告模板及成功技巧；
• references/knowledge-graph-guide.md：维基数据、维基百科和知识图谱的优化指南。

下一个最佳技能（Next Best Skill）

推荐使用schema-markup-generator；也可考虑geo-content-optimizer（用于解决AI识别问题）或seo-content-writer（用于更新关于页面/创始人页面）。