专注于品牌在生成式AI中的引用检测和可见性分析
引用检测 (Mention Detection) 是检测品牌、产品、服务在主流生成式AI（如豆包、DeepSeek、ChatGPT等）中被生成式回答所提及的核心功能，提供引用频率、引用上下文与模型来源分析。
GeoLens是专业的AI引用检测平台，帮助品牌了解和优化其在生成式AI中的可见性表现。通过智能的引用检测技术，为企业提供品牌在AI时代的曝光洞察。
- 🔍 引用检测: 多模型并行检测，准确率100%
- 📊 引用频率分析: 实时统计和趋势分析
- 💬 上下文分析: 智能提取和置信度评分
- 🤖 多模型支持: 豆包、DeepSeek双模型集成
- 📈 竞品对比: 多品牌同时检测和对比
- 💾 数据持久化: SQLite本地存储，完整历史记录
- 🧪 端到端测试: 真实AI API验证，82.4%测试通过
- 🎨 企业级前端: Streamlit多页面应用，完整UI体系
- 📱 用户界面: 7个核心功能页面，企业级设计
- 🔐 用户认证: JWT集成，完整的权限管理
- 📊 数据可视化: Plotly图表，交互式分析界面
- 🧪 测试体系: 端到端测试框架，100%前端测试通过
- 🌐 云数据库迁移: SQLite → PostgreSQL + Supabase
- 🚀 生产部署: 云环境部署和监控
- 📈 性能优化: 缓存策略和响应时间优化
- 🔄 CI/CD集成: 自动化测试和部署管道
| 场景 | 描述 |
|---|---|
| 品牌曝光扫描 | 检测某品牌在AI模型中的被提及情况 |
| 竞品对比分析 | 输入多个品牌，输出各自被提及概率与上下文 |
| Prompt反演优化 | 查看某类问题下哪些品牌会被推荐，从而优化内容定位 |
| 客户诊断报告 | 为企业客户生成品牌AI可见性诊断分析报告 |
- SaaS品牌主 - 了解产品在AI推荐中的表现
- 市场营销人员 - 监控品牌AI可见性和竞品表现
- 品牌运营/PR团队 - 优化品牌在AI回答中的曝光
- 竞品分析师 - 分析行业品牌在AI中的竞争格局
- AI优化顾问 - 为客户提供专业的AI可见性咨询
- ✅ 后端API: 100%完成，生产就绪
- ✅ AI集成: 豆包+DeepSeek双模型稳定运行
- ✅ 数据持久化: SQLite完美集成
- ✅ 端到端测试: 82.4%测试通过，真实AI验证
- ✅ 前端应用: 100%完成，企业级UI体系
- ✅ 用户界面: 7个核心页面，完整功能覆盖
- ✅ 测试体系: 端到端测试框架，100%前端测试通过
- Sprint 1-5: 后端核心功能 ✅ 100%完成
- Sprint 6: 前端MVP开发 ✅ 100%完成
- Sprint 7: 云部署和优化 📋 计划中
本项目采用全栈MVP开发策略，后端API + Streamlit前端，快速验证产品价值。
# 1. 克隆项目
git clone https://github.com/franksunye/GeoLens.git
cd GeoLens
# 2. 启动前端应用
cd frontend
pip install streamlit plotly pandas
streamlit run main.py
# 3. 访问应用
# 浏览器打开: http://localhost:8501- ✅ 7个核心页面: 项目管理、引用检测、历史记录、模板管理、数据分析、个人资料
- ✅ 企业级UI: 专业的B2B应用设计，无emoji装饰
- ✅ 交互式图表: Plotly驱动的数据可视化
- ✅ 响应式设计: 适配桌面、平板、手机
- ✅ 用户认证: JWT集成的完整权限管理
- ✅ 实时检测: 多模型并行品牌检测
# 1. 启动后端服务 (如果需要)
cd backend
pip install -r requirements.txt
uvicorn main:app --reload
# 2. 访问API文档
# 浏览器打开: http://localhost:8000/docs# 前端测试
cd frontend
python test_comprehensive.py
# 端到端测试
python tests/run_available_tests.py
# 完整测试套件
python tests/run_complete_tests.py- 框架: FastAPI + Python 3.11+
- 数据库: SQLite + aiosqlite (异步操作)
- ORM: SQLAlchemy + Alembic
- AI集成: 豆包API + DeepSeek API (真实集成)
- 引用检测: 统一服务架构，多模型并行
- 数据持久化: Repository模式，完整CRUD
- 测试: 端到端测试完成 (14/17通过，82.4%)
- 文档: OpenAPI自动生成
- 部署: 本地开发环境就绪
- 数据库: PostgreSQL (生产) + Supabase
- 认证: Supabase Auth + 多因素认证
- 缓存: Redis
- 队列: Celery + Redis
- AI集成: OpenAI GPT-4 API完整集成
- 部署: Railway / Docker
# 1. 克隆项目
git clone https://github.com/franksunye/GeoLens.git
cd GeoLens
# 2. 启动前端应用
cd frontend
pip install -r requirements.txt
streamlit run main.py
# 3. 访问应用
# 浏览器打开: http://localhost:8501# 1. 启动后端服务
cd backend
pip install -r requirements.txt
uvicorn main:app --reload
# 2. 访问API文档
# 浏览器打开: http://localhost:8000/docs- 框架: Streamlit + Python (MVP快速开发)
- 样式: 企业级主题系统
- 图表: Plotly + 交互式可视化
- 测试: 综合测试套件 + CI/CD管道
- 部署: Docker + 云部署就绪
- API测试: Postman + 自动化测试套件
- 代码质量: Black + isort + flake8
- CI/CD: GitHub Actions
- 监控: Sentry + 自定义日志
- 文档: 自动生成API文档
✅ Sprint 1 (Week 1-2): 基础架构 - 已完成
- 项目文档建立
- FastAPI项目架构搭建
- 数据库设计与ORM配置
- 用户认证系统API
- 项目管理API
- 90%测试覆盖率
- 完整API文档
✅ Sprint 2 (Week 3-4): AI服务集成 - 已完成
- 豆包(火山引擎) API集成
- DeepSeek API集成
- AI服务抽象层设计
- AI聊天和品牌分析API
- 流式响应支持
- 85%测试覆盖率
- 可扩展AI架构
✅ Sprint 3 (Week 5-6): 引用检测引擎 - 已完成
- 内容输入和处理系统 (支持文本、URL、文档输入)
- 多模型引用检测 (支持豆包、DeepSeek、ChatGPT)
- 实体识别和品牌提及检测 (EntityExtractor - 准确率100%)
- 引用频率分析和上下文提取
- 100% 测试覆盖率，155个测试用例全部通过
✅ Sprint 4 (Week 7-8): SQLite本地持久化 - 已完成
- SQLite数据库集成和异步操作
- Repository模式数据访问层
- 引用检测历史记录持久化存储
- Prompt模板库管理
- 统计分析和竞品对比功能
- 数据库测试环境完善 (7个专项测试100%通过)
✅ Sprint 5 (已完成): 端到端测试验证
- 真实AI API集成测试 (豆包+DeepSeek)
- 完整业务流程验证 (品牌检测+数据持久化)
- 系统架构重构和统一
- 端到端测试套件 (14/17通过，82.4%)
- 生产就绪验证
🚀 Sprint 6 (进行中): 云化和前端开发
- Supabase云数据库迁移
- React前端项目搭建
- 用户界面开发
- 生产环境部署
Sprint 6 (Week 11-12): 用户体验与功能增强
- 引用检测结果展示界面
- 数据可视化和图表集成
- 用户交互优化和动画效果
- 批量检测和导出功能
- 端到端测试和性能优化
- 生产环境部署
- 用户测试与反馈
- 性能监控与优化
- 正式版发布
我们欢迎社区贡献！当前专注于后端开发，请查看 开发指南 了解详细流程。
- 🔥 引用检测API: 多模型引用检测端点实现
- 🧪 测试编写: 引用检测功能的单元测试和集成测试
- 🤖 AI模型集成: 豆包、DeepSeek等AI平台API集成
- 📊 检测算法优化: 实体识别和引用频率分析算法
- Fork 项目
- 创建功能分支 (
git checkout -b feature/backend-auth) - 编写代码和测试 (确保测试覆盖率 ≥ 90%)
- 运行测试套件 (
pytest --cov=app) - 提交更改 (
git commit -m 'feat(auth): add user registration API') - 推送分支 (
git push origin feature/backend-auth) - 创建 Pull Request
- ✅ 所有新代码必须有对应测试
- ✅ 测试覆盖率不低于90%
- ✅ 通过所有CI检查
- ✅ 遵循代码规范 (Black + isort + flake8)
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。
- 项目维护者: Ye Sun
- 邮箱: franksunye@hotmail.com
- 项目地址: https://github.com/franksunye/GeoLens
⭐ 如果这个项目对你有帮助，请给我们一个星标！