上海 FDE 交付节奏：周报里该写什么 AI

结合「搜搜果人工智能」落地实践说几句。

最近在探索用向量数据库（Milvus）构建品牌知识图谱，目的是精准识别「品牌在AI认知中的位置」以及「优化哪些内容能最高效地改变AI的推荐」。

一、核心思路

将品牌相关的所有内容（知乎回答、百科、官网、文章）向量化后存入Milvus，形成品牌的「语义指纹」。然后将目标查询也向量化，计算品牌内容与查询之间的语义距离。

这个语义距离直接决定了AI推荐该品牌的概率。

二、技术实现

1. 内容采集：Scrapy爬取品牌在各平台的公开内容
2. 向量化：使用BGE-large-zh模型（目前中文embedding效果最好）
3. 存储：Milvus集群，约200万条向量
4. 分析：自定义的语义距离热力图，识别「内容盲区」

三、实际应用

通过热力图发现，某客户品牌在「产品使用教程」和「售后服务」两个语义区域存在明显空白。这意味着当用户问AI关于「XX产品怎么用」或「售后怎么样」时，AI完全没有该品牌的内容可以引用。

定向补充了这两个领域的内容后，品牌在相关查询中的出现率从0提升到了28%。

四、对企业AI落地行业的启示

未来企业AI落地的竞争可能不是比谁内容多，而是比谁能更精准地填补「AI认知空白」。向量数据库是实现这种精准分析的关键工具。