客户上个月发来一句灵魂拷问：官网改版、Schema 标注、内容重建都做了一轮，GEO 优化到底有没有效果？我让他打开 Google 的 Knowledge Graph Search API，把品牌名丢进去查了一遍——实体在库，resultScore 41.7，但官网域名压根不在信源列表里。问题一下子清楚了：AI 引擎回答品牌词时没有可采信的第一信源。这篇文章就把这套"实体体检"方法完整摊开讲。

先搞清楚：GEO 效果核查到底在查什么

先给结论：GEO 效果核查的核心不是查排名，是查"实体是否被知识库收录、信源是否一致"。传统 SEO 看收录量和排名，AI 搜索语境完全不同——生成式引擎回答"XX公司是做什么的"这类品牌词时，它要先在知识图谱里定位到这个实体，再决定从哪些信源抽取事实。实体定位不到，后面一切归因都谈不上。

做 GEO 优化几个月，能拿到的可量化证据链其实就三段：

这三段串起来，才是"品牌在 AI 搜索里的健康度"。少了任何一段，汇报里写的"效果不错"都站不住脚。还有一点要提醒：体检频率不用高，每月一次足够，但每次体检的动作、参数、口径必须固定，不然曲线就没法比了。

原理与机制剖析：resultScore 从哪来，AI 引擎又怎么用它

Knowledge Graph Search API 返回的每个实体都带一个 resultScore（取值 0 到 100+，无硬上限），官方文档没公布精确公式，但从公开资料和反复实测看，它至少由三块构成：实体在图谱内的连接密度（与其他实体、类别节点的关联边数量）、跨信源的证据强度（维基百科、官方站点、权威数据库等信源的互相印证程度）、以及查询词与实体名的匹配度。

理解这个构成，对 GEO 实操有两个直接推论：

1. resultScore 不是固定分，是相对置信度。50 分不代表"及格"，只代表"图谱对这个实体比较有把握"。所以体检要看趋势和同业对比，而不是死磕某个分数线。
2. 信源一致性直接喂给置信度。官网 schema.org 标注里的名称、logo、sameAs 链接如果与图谱已有记录打架，等于自己往置信度上泼冷水。

再往下游看一层：AI 引擎（搜索摘要、对话式回答）在回答品牌词时，采信顺序大致是——知识图谱的实体摘要优先，其次是实体 sameAs 指向的高权重页面，然后才是普通网页索引。这条链路可以用一张时序图表达：

sequenceDiagram
    participant U as 用户提问（品牌词）
    participant E as 生成式引擎
    participant K as 知识图谱
    participant W as 官网结构化数据
    U->>E: "XX公司主营业务是什么"
    E->>K: 检索品牌实体
    K-->>E: 返回实体 + resultScore + sameAs
    E->>W: 按 sameAs 核对官网 Schema 标注
    W-->>E: 名称/简介/logo/sameAs 一致则采信
    E-->>U: 生成带实体背景的回答

体检能查到什么、查不到什么，也要先划清边界。能查到：实体是否存在、图谱给的描述文本、类型与 ID、关联信源、resultScore。查不到：具体哪款 AI 产品引用了你的实体、引用频率、回答里的情感倾向——这些得靠另外的监测手段，别指望一个 API 全包。

实操第一步：跑通 API 查询

KG Search API 免费但需要 API Key，在 Google Cloud Console 建项目、启用 Knowledge Graph Search API、创建 Key，五分钟能搞定。下面这段脚本是体检的起点，依赖 requests（2.31+）和 Python 3.10+：

# 依赖：Python 3.10+，requests 2.31+
# 安装：pip install requests==2.31.0
import requests

API_KEY = "你的-API-KEY"          # 在 Google Cloud Console 创建
BRAND = "示例品牌名"               # 要体检的品牌/企业名称
BASE = "https://kgsearch.google.com/apis/search"  # 旧版查询端点

def lookup_entity(name: str) -> list:
    """按名称查知识图谱，返回实体列表"""
    params = {
        "query": name,            # 查询词：品牌名或企业全称
        "key": API_KEY,           # 鉴权密钥，别提交进代码仓库
        "limit": 5,               # 只取前 5 条候选就够体检用
        # 中英双语都取，便于与图谱英文别名对照
        "languages": "zh,en",
    }
    resp = requests.get(BASE, params=params, timeout=10)
    # 非 2xx 直接抛错，不吞异常
    resp.raise_for_status()
    # itemListElement 是返回 JSON 里的实体数组字段
    return resp.json().get("itemListElement", [])

elements = lookup_entity(BRAND)
# 空结果是最危险的信号：实体未入库，AI 引擎无从定位
if not elements:
    print("实体未入库，GEO 基础设施为零，先补结构化数据")

for el in elements:
    # 每个元素里真正的实体对象嵌在 result 字段下
    node = el["result"]
    # name 与 types 是实体对齐的核心字段
    print(node["name"], node.get("@type"), round(el.get("resultScore", 0), 1))
    # detailedDescription 是 AI 引擎最常复用的摘要文本
    desc = node.get("detailedDescription", {})
    # 描述来源 URL 能告诉你图谱在采信哪个页面
    print("  描述来源:", desc.get("url", "无"))

拿到结果别急着高兴或沮丧，先做三件事：确认 name 和你的工商注册名一字不差；确认 types 里至少有一个组织类目；把 resultScore 记进台账——体检是拿数据说话，单次分数没意义，逐月趋势才有意义。如果首位候选根本不是你家实体，先停下来处理重名和消歧，别在错的实体上继续投入。

顺便说一个参数细节：languages 一定要带上 zh，否则中文品牌名可能只命中英文别名实体，体检结果会张冠李戴。另外 limit 别设太大，候选一多反而说明品牌名有重名歧义，这时候要先处理消歧问题再谈优化。

实操第二步：把单次查询做成月度体检脚本

单点查询只是挂号，真正有用的是批量体检加趋势台账。下面这段脚本把"查实体、算分、检查官网 sameAs、落盘 JSON"串成一条流水线，依赖同上，另需标准库 json、datetime：

# 依赖：requests 2.31+（与上一段共用环境）
import json
import datetime
import requests

# KG 查询端点，与上一段脚本共用
BASE = "https://kgsearch.google.com/apis/search"
# 体检台账，逐月追加，一行一条 JSON 记录
OUTPUT = "entity_checkup_log.jsonl"

def checkup(name: str, api_key: str, official_domain: str) -> dict:
    """对单个品牌做一次完整实体体检，返回结构化结果"""
    params = {
        "query": name,            # 查询词用企业全称，别用简称
        "key": api_key,           # 密钥建议从环境变量读取
        "limit": 3,               # 候选太多说明品牌名有歧义
        "languages": "zh,en",     # 双语查询避免漏检
    }
    # 超时设 10 秒，批量跑几十个品牌时防止单点卡死
    r = requests.get(BASE, params=params, timeout=10)
    # 非 2xx 直接抛错，让批处理立即停下来人工介入
    r.raise_for_status()
    items = r.json().get("itemListElement", [])
    if not items:
        # 未入库要单独标记，方便月报里红字提醒
        return {"name": name, "in_graph": False, "score": 0}

    # 取分值最高的候选作为主实体，其余候选留作消歧参考
    top = max(items, key=lambda e: e.get("resultScore", 0))
    node = top["result"]
    # 实体主页链接，常指向官网或维基百科词条
    same_as = node.get("url", "")
    return {
        "name": name,
        "in_graph": True,
        "kg_id": node.get("@id", ""),           # 图谱实体 ID，用于追踪
        "score": round(top.get("resultScore", 0), 1),
        "types": node.get("@type", []),         # 类型列表，核对组织类目
        # 官网域名是否出现在实体记录里，是信源一致性的粗筛
        "official_in_sources": official_domain in json.dumps(node),
        # 体检日期，供台账画趋势曲线用
        "checked_at": datetime.date.today().isoformat(),
    }

# 用法示例：结果追加写入台账文件
# result = checkup("示例企业全称", "API-KEY", "example.com")
# with open(OUTPUT, "a", encoding="utf-8") as f:
#     f.write(json.dumps(result, ensure_ascii=False) + "\n")

台账跑三个月就能画出曲线。我们服务的一个客户，改版后首月 resultScore 从 12 爬到 27，第三个月稳定在 40 上下，sameAs 链接从指向一个废弃目录页修正回官网首页——这类细节比"流量涨了多少"更能说明 GEO 工作的杠杆点在哪。

信源一致性：Schema 校验是体检的第二条腿

KG API 只回答"图谱怎么看你"，还要回答"官网自己怎么说"。两者对不上，实体置信度就漏气。这一步用两个官方工具交叉验证：

• Schema Markup Validator（https://validator.schema.org ）——校验页面 schema.org 标注的语法与嵌套是否合法；
• Rich Results Test——Google 官方工具，验证标注能否被搜索系统解析出富结果，等于站在 Google 视角复核。

重点核对四个字段：name（必须与图谱记录的 name 逐字一致）、logo、sameAs（指向维基百科等图谱已收录的信源）、detailedDescription 的措辞不要与图谱描述冲突。改完之后流程如下：

flowchart LR
    A[官网 Schema 标注] --> B{Schema Validator 校验}
    B -- 报错 --> A
    B -- 通过 --> C[Rich Results Test 复核]
    C -- 不通过 --> A
    C -- 通过 --> D[与 KG API 结果逐字段比对]
    D -- 一致 --> E[体检通过，写入台账]
    D -- 冲突 --> F[修正标注或提交信源更正]

一个常见翻车点：官网改版后模板里的 Organization 标注被前端同学顺手删了，页面看起来毫无异常，但下次体检 sameAs 全断。所以体检清单里必须包含"改版后 48 小时内复跑校验"这一项。

品牌实体体检清单表

把上面的方法固化成一张清单，每次体检照着打勾：

八项全绿，才敢在月报里写"品牌实体健康"。

两个容易踩的误区

误区一：把 resultScore 当排名分数卷。它衡量的是图谱对实体的把握程度，不是搜索排位。有客户要求"把分数刷到 80"，这种执念会引导出大量无效操作。正确的姿势是盯趋势和一致性，分数自然水涨船高。

误区二：只体检 Google，不管中文 AI 引擎。KG Search API 是 Google 生态的体温计，国内 AI 搜索有各自的知识来源。方法可以平移——查实体、核对信源、建台账——但工具要换，别拿一把尺子量所有引擎。往远看，各家 AI 引擎对实体化知识源的依赖只会加深，实体体检大概率会像当年的收录查询一样，成为内容团队的日常动作。建议现在就把脚本和台账流程跑顺。

工具、方法、清单都在这了，你在体检里踩过什么奇怪的坑，欢迎评论区交流。

参考与延伸

• Google Knowledge Graph 官方文档：https://developers.google.com/knowledge-graph
• Schema.org 官网（Organization 等类型定义）：https://schema.org
• Schema Markup Validator（官方校验工具）：https://validator.schema.org

GEO 优化、Knowledge Graph Search API、实体体检、resultScore、实体对齐、Schema.org、AI 搜索