entity-audit

/digital-marketing-pro:entity-audit

脚本位置。 如果你的宿主环境未设置 ${CLAUDE_PLUGIN_ROOT}，脚本位于此插件的 scripts/ 文件夹中，与 skills/ 文件夹并列。请使用 Python 3.10 或更高版本运行：使用 python；如果找不到 python，则在 macOS 和许多 Linux 系统上使用 python3。

用途

审核品牌实体数据在 AI 引擎用作知识来源的平台之间的一致性。检查 Wikidata 条目、Google 知识面板准确性、Wikipedia 收录情况和知名度，以及行业目录中的品牌信息是否一致。实体数据不一致会降低 AI 引擎的信任度和曝光度——当知识来源对官方网站、成立日期、总部所在地或行业分类等基本事实存在分歧时，AI 引擎可能会完全忽略该品牌，或展示互相矛盾的信息。此命令会按平台系统地进行审核，标记具体差异，并按对 AI 曝光度的影响优先级制定修复计划。

所需输入

用户必须提供（或系统将提示用户提供）：

• 品牌／实体名称：要审核的品牌、组织、人物或产品的准确名称——必须与其在知识来源中应显示的名称一致。如果品牌有已知别名或曾用名，请一并提供，以便交叉核对
• 实体类型：Organization、Person、Product 或 Brand——用于确定要检查的属性以及相关目录类型。组织需检查成立日期、总部和行业；产品需检查制造商、发布日期和类别；人物需检查角色、所属机构和知名作品
• 需核实的关键属性：官方网站 URL、成立日期、总部所在地、社交媒体账号（LinkedIn、Twitter/X、Facebook、Instagram）、行业分类、关键人物（CEO、创始人）、母组织、员工人数，以及用户认为重要的任何实体专属属性。品牌资料中的属性将作为事实来源
• 要检查的目录（可选）：与品牌行业相关的行业专属目录（例如，SaaS 领域的 G2、Capterra、Clutch；酒店和旅游领域的 Yelp、TripAdvisor）、专业协会和商业注册机构。如果未提供，命令会根据资料中的品牌行业分类推荐相关目录

流程

1. 加载品牌上下文：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。提取所有实体属性的权威值——官方名称、网站、创立日期、总部、社交媒体资料、行业、关键人物和描述。这些信息将作为比对所有平台的基准来源。同时检查是否存在指南文件 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json。如果尚未设置品牌，请询问：“先设置品牌吗（/digital-marketing-pro:brand-setup）？”——或者使用用户提供的值继续。
2. 检查 Wikidata：在 Wikidata 上按名称和别名搜索该实体。如果找到，核验每项属性——官方网站（P856）、社交媒体资料（P2002、P2003、P2013、P4264）、创立日期（P571）、总部（P159）、行业（P452）、关键人物（P169、P112）、实例（P31）和描述。将每项属性记录为匹配、不匹配（同时记录两个值）、过时或缺失。如果 Wikidata 中没有对应条目，将其记录为不存在，并评估该实体是否符合创建条目的知名度标准。
3. 检查 Google 知识面板：核实以品牌名称为查询词时是否存在知识面板。如果存在，检查面板是已认领还是未认领；显示的信息（网站、地址、社交链接、描述、类别）是否与品牌资料一致；图片和徽标是否为最新。将每个元素记录为准确、不准确（注明差异详情）、过时或缺失。注明面板的信息来源。
4. 评估 Wikipedia 收录情况：在 Wikipedia 上搜索该实体。如果存在条目，核实关键事实是否准确——创立日期、总部、描述、关键人物、产品/服务，以及任何可能已过时或不正确的说法。检查引用质量和时效性。如果没有条目，评估其是否符合知名度标准——是否有可靠独立来源提供大量报道、是否已证明其在所在领域的重要性，以及相关说法是否可核实。记录为存在且准确、存在但有问题（列出问题），或不存在并附上知名度评估（很可能符合、临界或不太可能符合）。
5. 检查行业目录：对于每个相关目录，核实是否存在对应列表，并检查数据是否一致——企业名称拼写、地址、电话号码、网站 URL、企业描述、类别分类以及目录特有字段。将每个列表记录为一致、不一致（注明具体差异）、不完整（缺少字段）或不存在。特别标记 NAP（名称、地址、电话）不一致，因为这会对 AI 引擎的实体解析产生格外大的影响。
6. 记录调查结果：通过 geo-tracker 的 entity-check action 记录每项实体调查结果（--platform 接受实体平台：wikidata、google-kp、wikipedia 或 directory；--status 接受 present、absent、inconsistent 或 outdated）：

   python "${CLAUDE_PLUGIN_ROOT}/scripts/geo-tracker.py" \
       --brand {slug} --action entity-check \
       --platform wikidata \
       --entity-name "Acme Corp" \
       --status inconsistent \
       --details "Founding date P571 shows 2015; brand profile says 2014"
   

   每个平台 × 属性的调查结果都运行一次，并在 --details 中记录预期值、实际值和严重程度。
7. 生成不一致报告：将所有平台的差异汇总为一份报告——按属性分组（例如，查看所有对创立日期存在分歧的平台），并按平台分组（例如，查看 Wikidata 上的所有问题）。根据所有平台上匹配的属性比例，计算整体实体一致性评分。
8. 制定优先级行动计划：按对 AI 可见性的影响对修复项排序——先修正 Wikidata 属性（直接影响知识图谱），其次认领并修正知识面板（影响 Google AI Overview），第三修正 Wikipedia 准确性问题（广泛影响引用），最后修正目录信息一致性（强化实体信号）。为每项修复提供具体说明：要更改什么、在哪里更改，以及所需的流程（Wikipedia 对可靠来源的要求、知识面板认领验证、Wikidata 引用要求）。

输出

全面的实体一致性审计，包含：

• 实体一致性记分卡：按平台列出状态——存在/缺失、一致/不一致/已过时，并提供总体一致性百分比和字母等级
• 具体差异列表：列出所有平台上的每项属性不匹配，显示预期值（来自品牌资料）、找到的实际值和严重程度（NAP/网站不匹配为严重，成立日期/行业错误为高，缺少社交媒体资料为中，描述细微差异为低）
• Wikidata 待办事项：列出需要在 Wikidata 上创建、更新或更正的属性，所需的引用来源，以及分步编辑指南
• 知识面板待办事项：认领状态和流程、需要提交的信息更正、需要更新的图片/徽标，以及类别调整
• Wikipedia 关注度评估：如果尚无条目——评估关注度标准，指出具体的可靠来源，并建议是否创建条目；如果已有条目——列出需要处理的准确性问题，并提供讨论页讨论指南
• 目录列表审计：按目录列出状态、需要更新的具体字段、需要新增的缺失列表，以及需要解决的 NAP 一致性问题
• 优先级修复计划：按对 AI 可见性的影响为所有待办事项排序，估算投入（快速修复、中等工作量、重大项目），并预估对实体一致性得分的影响
• 执行日志条目：带时间戳的记录，包含平台数量、一致性得分、严重差异数量和关键标记，供审计追踪

使用的 Agent

• seo-specialist — 在 Wikidata、知识面板、Wikipedia 和各类目录中分析实体，制定知识图谱优化策略，核验 Wikidata 属性并提供编辑指导，评估 Wikipedia 关注度并识别可靠来源，分析 NAP 一致性，评估实体解析的影响，并按对 AI 可见性的影响对修复建议排序
• execution-coordinator — 协调多个平台上的目录更新，提供 Google 知识面板认领流程指导，制定包含投入估算和执行顺序的结构化行动计划，并跟踪多步骤实体修复工作流的执行情况