深度研究与信息检索摘要在信息爆炸的时代如何从海量数据中高效获取、筛选、整合有价值的信息已经成为技术人员、产品经理、投资分析师乃至企业决策者的核心能力之一。本文将围绕深度研究与信息检索这一主题系统讲解如何利用深度研究Deep Research功能完成行业调研、竞品分析与知识整合。文章将从信息检索的底层逻辑出发逐步深入到自动化检索管道的搭建、行业调研方法论、竞品分析框架、知识整合与结构化输出并附上完整可运行的 Python 代码示例帮助读者构建一套属于自己的深度研究工作流。一、引言为什么搜索不等于研究很多人把研究等同于搜索打开搜索引擎输入关键词翻几页结果复制粘贴几段文字就算完成了调研。但这种做法存在三个致命问题信息碎片化搜索结果是一条条孤立的链接缺乏上下文和逻辑关联。信源不可靠没有经过交叉验证的信息很容易被营销内容或过时数据误导。无法沉淀调研完就忘了知识没有形成结构化资产下次还要重来。深度研究Deep Research的本质是把检索—筛选—验证—整合—输出这五个环节系统化、自动化最终形成一份可复用、可追溯、有洞察的研究报告。它与传统搜索的核心区别在于维度传统搜索深度研究目标找到答案形成洞察过程单轮查询多轮迭代信源单一来源交叉验证输出链接列表结构化报告可复用性低高接下来我们将从技术实现的角度一步步拆解如何构建深度研究工作流。二、信息检索的底层逻辑与关键技术2.1 检索的三层模型任何信息检索系统本质上都包含三个层次召回Recall尽可能多地把相关信息找出来。排序Ranking把最相关的内容排到前面。重排Re-ranking结合上下文、时效性、权威性做二次筛选。传统搜索引擎如 Google、Bing主要优化前两层而深度研究系统必须重视第三层因为研究报告的质量取决于信源的权威性和时效性。2.2 关键词检索 vs 语义检索关键词检索基于倒排索引匹配字面词汇。优点是快缺点是无法理解同义词和上下文。语义检索基于向量嵌入Embedding把文本映射到高维空间通过余弦相似度找语义相近的内容。在深度研究中两者往往结合使用先用关键词检索保证召回率再用语义检索提升相关性。2.3 一个最小可用的检索代码示例下面我们用 Python 实现一个结合关键词与语义的混合检索器。依赖库pipinstallrank_bm25 sentence-transformers numpy# hybrid_retriever.py 混合检索器结合 BM25关键词与 Sentence-Transformer语义 适用于深度研究中的初步召回阶段 importnumpyasnpfromrank_bm25importBM25Okapifromsentence_transformersimportSentenceTransformerclassHybridRetriever:def__init__(self,documents,model_nameall-MiniLM-L6-v2): :param documents: List[str]待检索的文档集合 :param model_name: 语义嵌入模型名称 self.documentsdocuments# 1. 构建 BM25 索引关键词检索tokenized_corpus[doc.lower().split()fordocindocuments]self.bm25BM25Okapi(tokenized_corpus)# 2. 构建语义索引向量检索self.encoderSentenceTransformer(model_name)self.doc_embeddingsself.encoder.encode(documents,normalize_embeddingsTrue)defsearch(self,query,top_k5,alpha0.5): 混合检索alpha 控制关键词与语义的权重 :param query: 查询字符串 :param top_k: 返回前 k 条 :param alpha: 0 表示纯语义1 表示纯关键词 :return: List[(doc, score)] # BM25 分数tokenized_queryquery.lower().split()bm25_scoresnp.array(self.bm25.get_scores(tokenized_query))# 语义分数query_embeddingself.encoder.encode([query],normalize_embeddingsTrue)[0]semantic_scoresself.doc_embeddings query_embedding# 归一化后加权融合defnormalize(x):ifx.max()-x.min()1e-8:returnnp.zeros_like(x)return(x-x.min())/(x.max()-x.min())final_scoresalpha*normalize(bm25_scores)\(1-alpha)*normalize(semantic_scores)# 排序并返回 top_kranked_indicesnp.argsort(final_scores)[::-1][:top_k]return[(self.documents[i],float(final_scores[i]))foriinranked_indices]if__name____main__:# 模拟一批行业调研文档docs[2024年新能源汽车销量同比增长35%比亚迪位居全球第一。,特斯拉在上海超级工厂扩大产能Model Y 成为最畅销车型。,锂电池原材料碳酸锂价格在2023年大幅下跌影响产业链利润。,人工智能在自动驾驶领域的应用正在加速落地。,欧洲多国出台补贴政策推动电动车渗透率提升。,]retrieverHybridRetriever(docs)resultsretriever.search(新能源汽车 销量 比亚迪,top_k3,alpha0.4)print(混合检索结果)fordoc,scoreinresults:print(f [{score:.4f}]{doc})运行这段代码你会发现即使查询词和文档用词不完全一致语义检索也能把相关内容召回。这就是深度研究的第一块基石。三、行业调研从问题到结构化报告3.1 行业调研的四步法一个完整的行业调研通常遵循以下四步定义问题边界明确研究对象行业、地域、时间范围、研究目的投资、进入、竞争。信息采集从多源获取数据包括年报、招股书、行业白皮书、新闻、专利、政策文件。信息验证交叉比对不同信源剔除矛盾或过时数据。结构化输出用统一框架如 PEST、波特五力、产业链图谱组织信息。3.2 自动化采集构建一个行业新闻爬取器深度研究离不开数据。下面我们用requestsBeautifulSoup写一个简单的行业新闻采集器以公开 RSS 源为例避免法律风险# news_collector.py 行业新闻采集器从公开 RSS 源抓取新闻用于行业调研的素材积累 依赖pip install feedparser requests beautifulsoup4 importfeedparserimportjsonfromdatetimeimportdatetimeclassNewsCollector:def__init__(self,feeds): :param feeds: List[str]RSS 源列表 self.feedsfeeds self.articles[]defcollect(self,keywordNone,max_per_feed20): 采集新闻可按关键词过滤 :param keyword: 关键词None 表示不过滤 :param max_per_feed: 每个源最多采集条数 forfeed_urlinself.feeds:try:feedfeedparser.parse(feed_url)forentryinfeed.entries[:max_per_feed]:titleentry.get(title,)summaryentry.get(summary,)linkentry.get(link,)publishedentry.get(published,)# 关键词过滤ifkeywordandkeyword.lower()notin\(titlesummary).lower():continueself.articles.append({title:title,summary:summary,link:link,published:published,source:feed_url,collected_at:datetime.now().isoformat(),})exceptExceptionase:print(f[WARN] 采集失败{feed_url}:{e})returnself.articlesdefsave(self,pathindustry_news.json):保存为 JSON 文件便于后续分析withopen(path,w,encodingutf-8)asf:json.dump(self.articles,f,ensure_asciiFalse,indent2)print(f[INFO] 已保存{len(self.articles)}条新闻到{path})if__name____main__:# 示例 RSS 源公开可用feeds[https://feeds.feedburner.com/TechCrunch/,https://www.theverge.com/rss/index.xml,]collectorNewsCollector(feeds)collector.collect(keywordAI,max_per_feed10)collector.save(ai_news.json)这段代码展示了深度研究中信息采集环节的自动化思路。实际生产中你可以把 RSS 替换为 API、爬虫或付费数据库。3.3 用 PEST 框架组织行业信息采集到信息后需要结构化。以新能源汽车行业为例Political政策各国补贴政策、碳排放法规。Economic经济原材料价格、汇率、消费能力。Social社会环保意识、出行习惯变化。Technological技术电池技术、自动驾驶、充电基础设施。把采集到的新闻按这四个维度分类就是一份初步的行业报告骨架。四、竞品分析框架与自动化实现4.1 竞品分析的经典框架竞品分析不是简单地罗列对手的功能而是要回答三个问题他们是谁竞品识别他们强在哪能力对比我们的机会在哪差异化定位常用框架SWOT 分析优势、劣势、机会、威胁。功能矩阵横向对比功能点纵向对比竞品。用户旅程对比从获客到留存的全流程对比。4.2 自动化竞品信息抓取与对比下面用一个示例演示如何抓取多个竞品官网的产品描述并做关键词频率对比# competitor_analysis.py 竞品分析抓取竞品官网文本统计关键词频率辅助差异化定位 依赖pip install requests beautifulsoup4 jieba importrequestsfrombs4importBeautifulSoupfromcollectionsimportCounterimportjiebaclassCompetitorAnalyzer:def__init__(self,competitors): :param competitors: Dict[str, str]{竞品名: 官网URL} self.competitorscompetitors self.texts{}deffetch_text(self,timeout10):抓取每个竞品官网的可见文本headers{User-Agent:Mozilla/5.0 (research bot; contactexample.com)}forname,urlinself.competitors.items():try:resprequests.get(url,headersheaders,timeouttimeout)resp.raise_for_status()soupBeautifulSoup(resp.text,html.parser)# 移除脚本和样式fortaginsoup([script,style,noscript]):tag.decompose()textsoup.get_text(separator ,stripTrue)self.texts[name]textprint(f[INFO]{name}抓取成功文本长度{len(text)})exceptExceptionase:print(f[WARN]{name}抓取失败:{e})defkeyword_frequency(self,top_n20,stopwordsNone): 统计每个竞品的关键词频率 :param top_n: 返回前 N 个高频词 :param stopwords: 停用词集合 stopwordsstopwordsorset()result{}forname,textinself.texts.items():words[wforwinjieba.cut(text)iflen(w)1andwnotinstopwordsandnotw.isdigit()]counterCounter(words)result[name]counter.most_common(top_n)returnresultdefcompare(self,keywords): 对比多个竞品在指定关键词上的出现次数 :param keywords: List[str]关注的差异化关键词 print(\n 竞品关键词对比 )header关键词.ljust(12).join(name.ljust(12)fornameinself.texts.keys())print(header)print(-*len(header))forkwinkeywords:rowkw.ljust(12)forname,textinself.texts.items():rowstr(text.count(kw)).ljust(12)print(row)if__name____main__:competitors{Notion:https://www.notion.so,Obsidian:https://obsidian.md,}analyzerCompetitorAnalyzer(competitors)analyzer.fetch_text()# 关注差异化关键词keywords[AI,知识,协作,本地,插件,隐私]analyzer.compare(keywords)# 高频词freqanalyzer.keyword_frequency(top_n10)forname,wordsinfreq.items():print(f\n{name}高频词{words})通过这种自动化方式你可以快速得到竞品在关键词层面的差异化定位为后续的深度分析提供数据支撑。4.3 从数据到洞察数据本身不是洞察。比如Notion 提到 AI 的次数是 Obsidian 的 3 倍这只是事实。洞察是“Notion 正在用 AI 强化协作场景而 Obsidian 坚持本地化与隐私两者的用户心智正在分叉。”深度研究的价值就在于把数据转化为这种可行动的洞察。五、知识整合从碎片到结构化资产5.1 知识整合的三个层次收集层把信息存下来笔记、剪藏、书签。连接层把信息之间建立关联双向链接、标签、图谱。输出层把知识转化为报告、文章、决策。很多人停留在收集层导致收藏夹吃灰。真正的深度研究必须打通到输出层。5.2 构建一个知识图谱原型下面用networkx构建一个简单的知识图谱把行业调研中的实体和关系可视化# knowledge_graph.py 知识整合构建行业知识图谱把实体和关系结构化 依赖pip install networkx matplotlib importnetworkxasnximportmatplotlib.pyplotaspltclassKnowledgeGraph:def__init__(self):self.graphnx.DiGraph()defadd_entity(self,name,entity_type):添加实体节点self.graph.add_node(name,typeentity_type)defadd_relation(self,source,target,relation):添加关系边self.graph.add_edge(source,target,relationrelation)defvisualize(self,pathknowledge_graph.png):可视化知识图谱plt.figure(figsize(12,8))posnx.spring_layout(self.graph,k0.8,seed42)# 按类型着色type_colors{company:#4C72B0,product:#DD8452,technology:#55A868,market:#C44E52,}node_colors[type_colors.get(self.graph.nodes[n].get(type),#888888)forninself.graph.nodes]nx.draw_networkx_nodes(self.graph,pos,node_colornode_colors,node_size2000,alpha0.9)nx.draw_networkx_edges(self.graph,pos,arrowstyle-,arrowsize15,edge_color#666666)nx.draw_networkx_labels(self.graph,pos,font_size9,font_familysans-serif)edge_labelsnx.get_edge_attributes(self.graph,relation)nx.draw_networkx_edge_labels(self.graph,pos,edge_labelsedge_labels,font_size7)plt.title(行业知识图谱示例,fontsize14)plt.axis(off)plt.tight_layout()plt.savefig(path,dpi150)print(f[INFO] 图谱已保存到{path})if__name____main__:kgKnowledgeGraph()# 实体kg.add_entity(比亚迪,company)kg.add_entity(特斯拉,company)kg.add_entity(刀片电池,technology)kg.add_entity(4680电池,technology)kg.add_entity(新能源汽车,market)kg.add_entity(Model Y,product)kg.add_entity(汉EV,product)# 关系kg.add_relation(比亚迪,刀片电池,自研)kg.add_relation(特斯拉,4680电池,自研)kg.add_relation(比亚迪,汉EV,生产)kg.add_relation(特斯拉,Model Y,生产)kg.add_relation(汉EV,新能源汽车,属于)kg.add_relation(Model Y,新能源汽车,属于)kg.add_relation(比亚迪,特斯拉,竞争)kg.visualize()运行后会生成一张知识图谱把公司—技术—产品—市场的关系可视化。这种结构化资产是深度研究区别于普通搜索的核心成果。5.3 用 LLM 
长河君 · 2026/10/11 4:47:21 · 阅读 1.2k WorkBuddy_WorkBuddy概述17_深度研究与信息检索
深度研究与信息检索摘要在信息爆炸的时代如何从海量数据中高效获取、筛选、整合有价值的信息已经成为技术人员、产品经理、投资分析师乃至企业决策者的核心能力之一。本文将围绕深度研究与信息检索这一主题系统讲解如何利用深度研究Deep Research功能完成行业调研、竞品分析与知识整合。文章将从信息检索的底层逻辑出发逐步深入到自动化检索管道的搭建、行业调研方法论、竞品分析框架、知识整合与结构化输出并附上完整可运行的 Python 代码示例帮助读者构建一套属于自己的深度研究工作流。一、引言为什么搜索不等于研究很多人把研究等同于搜索打开搜索引擎输入关键词翻几页结果复制粘贴几段文字就算完成了调研。但这种做法存在三个致命问题信息碎片化搜索结果是一条条孤立的链接缺乏上下文和逻辑关联。信源不可靠没有经过交叉验证的信息很容易被营销内容或过时数据误导。无法沉淀调研完就忘了知识没有形成结构化资产下次还要重来。深度研究Deep Research的本质是把检索—筛选—验证—整合—输出这五个环节系统化、自动化最终形成一份可复用、可追溯、有洞察的研究报告。它与传统搜索的核心区别在于维度传统搜索深度研究目标找到答案形成洞察过程单轮查询多轮迭代信源单一来源交叉验证输出链接列表结构化报告可复用性低高接下来我们将从技术实现的角度一步步拆解如何构建深度研究工作流。二、信息检索的底层逻辑与关键技术2.1 检索的三层模型任何信息检索系统本质上都包含三个层次召回Recall尽可能多地把相关信息找出来。排序Ranking把最相关的内容排到前面。重排Re-ranking结合上下文、时效性、权威性做二次筛选。传统搜索引擎如 Google、Bing主要优化前两层而深度研究系统必须重视第三层因为研究报告的质量取决于信源的权威性和时效性。2.2 关键词检索 vs 语义检索关键词检索基于倒排索引匹配字面词汇。优点是快缺点是无法理解同义词和上下文。语义检索基于向量嵌入Embedding把文本映射到高维空间通过余弦相似度找语义相近的内容。在深度研究中两者往往结合使用先用关键词检索保证召回率再用语义检索提升相关性。2.3 一个最小可用的检索代码示例下面我们用 Python 实现一个结合关键词与语义的混合检索器。依赖库pipinstallrank_bm25 sentence-transformers numpy# hybrid_retriever.py 混合检索器结合 BM25关键词与 Sentence-Transformer语义 适用于深度研究中的初步召回阶段 importnumpyasnpfromrank_bm25importBM25Okapifromsentence_transformersimportSentenceTransformerclassHybridRetriever:def__init__(self,documents,model_nameall-MiniLM-L6-v2): :param documents: List[str]待检索的文档集合 :param model_name: 语义嵌入模型名称 self.documentsdocuments# 1. 构建 BM25 索引关键词检索tokenized_corpus[doc.lower().split()fordocindocuments]self.bm25BM25Okapi(tokenized_corpus)# 2. 构建语义索引向量检索self.encoderSentenceTransformer(model_name)self.doc_embeddingsself.encoder.encode(documents,normalize_embeddingsTrue)defsearch(self,query,top_k5,alpha0.5): 混合检索alpha 控制关键词与语义的权重 :param query: 查询字符串 :param top_k: 返回前 k 条 :param alpha: 0 表示纯语义1 表示纯关键词 :return: List[(doc, score)] # BM25 分数tokenized_queryquery.lower().split()bm25_scoresnp.array(self.bm25.get_scores(tokenized_query))# 语义分数query_embeddingself.encoder.encode([query],normalize_embeddingsTrue)[0]semantic_scoresself.doc_embeddings query_embedding# 归一化后加权融合defnormalize(x):ifx.max()-x.min()1e-8:returnnp.zeros_like(x)return(x-x.min())/(x.max()-x.min())final_scoresalpha*normalize(bm25_scores)\(1-alpha)*normalize(semantic_scores)# 排序并返回 top_kranked_indicesnp.argsort(final_scores)[::-1][:top_k]return[(self.documents[i],float(final_scores[i]))foriinranked_indices]if__name____main__:# 模拟一批行业调研文档docs[2024年新能源汽车销量同比增长35%比亚迪位居全球第一。,特斯拉在上海超级工厂扩大产能Model Y 成为最畅销车型。,锂电池原材料碳酸锂价格在2023年大幅下跌影响产业链利润。,人工智能在自动驾驶领域的应用正在加速落地。,欧洲多国出台补贴政策推动电动车渗透率提升。,]retrieverHybridRetriever(docs)resultsretriever.search(新能源汽车 销量 比亚迪,top_k3,alpha0.4)print(混合检索结果)fordoc,scoreinresults:print(f [{score:.4f}]{doc})运行这段代码你会发现即使查询词和文档用词不完全一致语义检索也能把相关内容召回。这就是深度研究的第一块基石。三、行业调研从问题到结构化报告3.1 行业调研的四步法一个完整的行业调研通常遵循以下四步定义问题边界明确研究对象行业、地域、时间范围、研究目的投资、进入、竞争。信息采集从多源获取数据包括年报、招股书、行业白皮书、新闻、专利、政策文件。信息验证交叉比对不同信源剔除矛盾或过时数据。结构化输出用统一框架如 PEST、波特五力、产业链图谱组织信息。3.2 自动化采集构建一个行业新闻爬取器深度研究离不开数据。下面我们用requestsBeautifulSoup写一个简单的行业新闻采集器以公开 RSS 源为例避免法律风险# news_collector.py 行业新闻采集器从公开 RSS 源抓取新闻用于行业调研的素材积累 依赖pip install feedparser requests beautifulsoup4 importfeedparserimportjsonfromdatetimeimportdatetimeclassNewsCollector:def__init__(self,feeds): :param feeds: List[str]RSS 源列表 self.feedsfeeds self.articles[]defcollect(self,keywordNone,max_per_feed20): 采集新闻可按关键词过滤 :param keyword: 关键词None 表示不过滤 :param max_per_feed: 每个源最多采集条数 forfeed_urlinself.feeds:try:feedfeedparser.parse(feed_url)forentryinfeed.entries[:max_per_feed]:titleentry.get(title,)summaryentry.get(summary,)linkentry.get(link,)publishedentry.get(published,)# 关键词过滤ifkeywordandkeyword.lower()notin\(titlesummary).lower():continueself.articles.append({title:title,summary:summary,link:link,published:published,source:feed_url,collected_at:datetime.now().isoformat(),})exceptExceptionase:print(f[WARN] 采集失败{feed_url}:{e})returnself.articlesdefsave(self,pathindustry_news.json):保存为 JSON 文件便于后续分析withopen(path,w,encodingutf-8)asf:json.dump(self.articles,f,ensure_asciiFalse,indent2)print(f[INFO] 已保存{len(self.articles)}条新闻到{path})if__name____main__:# 示例 RSS 源公开可用feeds[https://feeds.feedburner.com/TechCrunch/,https://www.theverge.com/rss/index.xml,]collectorNewsCollector(feeds)collector.collect(keywordAI,max_per_feed10)collector.save(ai_news.json)这段代码展示了深度研究中信息采集环节的自动化思路。实际生产中你可以把 RSS 替换为 API、爬虫或付费数据库。3.3 用 PEST 框架组织行业信息采集到信息后需要结构化。以新能源汽车行业为例Political政策各国补贴政策、碳排放法规。Economic经济原材料价格、汇率、消费能力。Social社会环保意识、出行习惯变化。Technological技术电池技术、自动驾驶、充电基础设施。把采集到的新闻按这四个维度分类就是一份初步的行业报告骨架。四、竞品分析框架与自动化实现4.1 竞品分析的经典框架竞品分析不是简单地罗列对手的功能而是要回答三个问题他们是谁竞品识别他们强在哪能力对比我们的机会在哪差异化定位常用框架SWOT 分析优势、劣势、机会、威胁。功能矩阵横向对比功能点纵向对比竞品。用户旅程对比从获客到留存的全流程对比。4.2 自动化竞品信息抓取与对比下面用一个示例演示如何抓取多个竞品官网的产品描述并做关键词频率对比# competitor_analysis.py 竞品分析抓取竞品官网文本统计关键词频率辅助差异化定位 依赖pip install requests beautifulsoup4 jieba importrequestsfrombs4importBeautifulSoupfromcollectionsimportCounterimportjiebaclassCompetitorAnalyzer:def__init__(self,competitors): :param competitors: Dict[str, str]{竞品名: 官网URL} self.competitorscompetitors self.texts{}deffetch_text(self,timeout10):抓取每个竞品官网的可见文本headers{User-Agent:Mozilla/5.0 (research bot; contactexample.com)}forname,urlinself.competitors.items():try:resprequests.get(url,headersheaders,timeouttimeout)resp.raise_for_status()soupBeautifulSoup(resp.text,html.parser)# 移除脚本和样式fortaginsoup([script,style,noscript]):tag.decompose()textsoup.get_text(separator ,stripTrue)self.texts[name]textprint(f[INFO]{name}抓取成功文本长度{len(text)})exceptExceptionase:print(f[WARN]{name}抓取失败:{e})defkeyword_frequency(self,top_n20,stopwordsNone): 统计每个竞品的关键词频率 :param top_n: 返回前 N 个高频词 :param stopwords: 停用词集合 stopwordsstopwordsorset()result{}forname,textinself.texts.items():words[wforwinjieba.cut(text)iflen(w)1andwnotinstopwordsandnotw.isdigit()]counterCounter(words)result[name]counter.most_common(top_n)returnresultdefcompare(self,keywords): 对比多个竞品在指定关键词上的出现次数 :param keywords: List[str]关注的差异化关键词 print(\n 竞品关键词对比 )header关键词.ljust(12).join(name.ljust(12)fornameinself.texts.keys())print(header)print(-*len(header))forkwinkeywords:rowkw.ljust(12)forname,textinself.texts.items():rowstr(text.count(kw)).ljust(12)print(row)if__name____main__:competitors{Notion:https://www.notion.so,Obsidian:https://obsidian.md,}analyzerCompetitorAnalyzer(competitors)analyzer.fetch_text()# 关注差异化关键词keywords[AI,知识,协作,本地,插件,隐私]analyzer.compare(keywords)# 高频词freqanalyzer.keyword_frequency(top_n10)forname,wordsinfreq.items():print(f\n{name}高频词{words})通过这种自动化方式你可以快速得到竞品在关键词层面的差异化定位为后续的深度分析提供数据支撑。4.3 从数据到洞察数据本身不是洞察。比如Notion 提到 AI 的次数是 Obsidian 的 3 倍这只是事实。洞察是“Notion 正在用 AI 强化协作场景而 Obsidian 坚持本地化与隐私两者的用户心智正在分叉。”深度研究的价值就在于把数据转化为这种可行动的洞察。五、知识整合从碎片到结构化资产5.1 知识整合的三个层次收集层把信息存下来笔记、剪藏、书签。连接层把信息之间建立关联双向链接、标签、图谱。输出层把知识转化为报告、文章、决策。很多人停留在收集层导致收藏夹吃灰。真正的深度研究必须打通到输出层。5.2 构建一个知识图谱原型下面用networkx构建一个简单的知识图谱把行业调研中的实体和关系可视化# knowledge_graph.py 知识整合构建行业知识图谱把实体和关系结构化 依赖pip install networkx matplotlib importnetworkxasnximportmatplotlib.pyplotaspltclassKnowledgeGraph:def__init__(self):self.graphnx.DiGraph()defadd_entity(self,name,entity_type):添加实体节点self.graph.add_node(name,typeentity_type)defadd_relation(self,source,target,relation):添加关系边self.graph.add_edge(source,target,relationrelation)defvisualize(self,pathknowledge_graph.png):可视化知识图谱plt.figure(figsize(12,8))posnx.spring_layout(self.graph,k0.8,seed42)# 按类型着色type_colors{company:#4C72B0,product:#DD8452,technology:#55A868,market:#C44E52,}node_colors[type_colors.get(self.graph.nodes[n].get(type),#888888)forninself.graph.nodes]nx.draw_networkx_nodes(self.graph,pos,node_colornode_colors,node_size2000,alpha0.9)nx.draw_networkx_edges(self.graph,pos,arrowstyle-,arrowsize15,edge_color#666666)nx.draw_networkx_labels(self.graph,pos,font_size9,font_familysans-serif)edge_labelsnx.get_edge_attributes(self.graph,relation)nx.draw_networkx_edge_labels(self.graph,pos,edge_labelsedge_labels,font_size7)plt.title(行业知识图谱示例,fontsize14)plt.axis(off)plt.tight_layout()plt.savefig(path,dpi150)print(f[INFO] 图谱已保存到{path})if__name____main__:kgKnowledgeGraph()# 实体kg.add_entity(比亚迪,company)kg.add_entity(特斯拉,company)kg.add_entity(刀片电池,technology)kg.add_entity(4680电池,technology)kg.add_entity(新能源汽车,market)kg.add_entity(Model Y,product)kg.add_entity(汉EV,product)# 关系kg.add_relation(比亚迪,刀片电池,自研)kg.add_relation(特斯拉,4680电池,自研)kg.add_relation(比亚迪,汉EV,生产)kg.add_relation(特斯拉,Model Y,生产)kg.add_relation(汉EV,新能源汽车,属于)kg.add_relation(Model Y,新能源汽车,属于)kg.add_relation(比亚迪,特斯拉,竞争)kg.visualize()运行后会生成一张知识图谱把公司—技术—产品—市场的关系可视化。这种结构化资产是深度研究区别于普通搜索的核心成果。5.3 用 LLM