Communitygithub.com

villetakanen/asdlc-io

GEO+SEO-Audit von asdlc.io — analysiert die Codebasis auf Generative Engine Optimization hinsichtlich KI-Zitierbarkeit, technischer Infrastruktur, Content-Qualität, Schema-Markup und Auffindbarkeit in Wissensdatenbanken. Erstellt einen zusammengesetzten GEO-Score (0–100) mit priorisiertem Aktionsplan.

Was ist asdlc-io?

Dieses Skill führt ein umfassendes Generative-Engine-Optimization-Audit (GEO) für die Website asdlc.io durch, eine statische Astro-Seite, die sich mit agentischen SDLC-Mustern befasst. Es analysiert die Codebasis auf KI-Zitierbarkeit, technische Infrastruktur, E-E-A-T-Qualität, Schema-Markup und MCP-Optimierung. Dabei wird ein Live-Chef der Website durchgeführt, um Abweichungen zwischen Quellcode und gerenderter Ausgabe zu erkennen, sowie eine detaillierte Codeanalyse von Konfigurations- und Inhaltsdateien. Das Skill berechnet einen zusammengesetzten GEO-Score (0–100) aus fünf gewichteten Kategorien (KI-Zitierbarkeit, E-E-A-T, technische Infrastruktur, Schema, MCP) und erstellt einen standardisierten Auditbericht. Es unterstützt Entwickler und KI-Agenten, die ihre Websites für die Empfehlung und Zitierung durch KI-Systeme wie ChatGPT, Claude, Perplexity und Gemini optimieren möchten, und läuft auf Plattformen wie Claude Code, Cursor oder Codex.

Funktioniert mit✓Claude Code~Codex CLI~Cursor✓Antigravity✓Gemini CLI
npx skills add https://github.com/villetakanen/asdlc-io/tree/HEAD/.agents/skills/geo-audit
Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

GEO-Audit – Generative-Engine-Optimization-Audit

Zweck

Durchführen eines umfassenden Generative-Engine-Optimization-Audits (GEO) der Codebasis von asdlc.io. GEO ist die Praxis, Webinhalte so zu optimieren, dass KI-Systeme (ChatGPT, Claude, Perplexity, Gemini usw.) sie entdecken, verstehen, zitieren und empfehlen können.

ASDLC.io ist eine Publisher / Knowledge Base-Site – eine statische Astro-Website, die agentische SDLC-Muster dokumentiert. Das Audit konzentriert sich darauf, wie gut die Inhalte, das Schema und die technische Infrastruktur die KI-Zitierung und -Empfehlung unterstützen.

Seitentyp: Statische Astro 5.x-Website, bereitgestellt auf Netlify
Domain: https://asdlc.io
Content-Modell: Drei Kollektionen (Konzepte, Patterns, Practices) mit MCP-Server-Exposition

Grenzen

  • Im Umfang: Audit der KI-Zitierbarkeit, technischen GEO-Infrastruktur, E-E-A-T, Schema/strukturierte Daten und MCP-Optimierung; Generierung von docs/reports/GEO-AUDIT-REPORT.md.
  • Nicht im Umfang: Implementierung von Code- oder Inhaltsänderungen (dev), Änderung von Spezifikationen (spec), Veröffentlichung oder Push (ship).

Audit-Workflow

Phase 0: Live-Check der Website

Vor der Analyse des Quellcodes: Rufen Sie die Live-Website ab, um zu validieren, was KI-Crawler tatsächlich sehen. So werden Build-Zeit-Fehler erkannt, bei denen der Quellcode korrekt aussieht, die gerenderte Ausgabe aber defekt ist.

Schritt 1: Wichtige Seiten abrufen

Verwenden Sie WebFetch / HTTP-Abruf, um das gerenderte HTML von https://asdlc.io für diese Seiten zu inspizieren:

  1. Startseite (/)
  2. Ein Artikel aus jeder Kollektion (z. B. /concepts/agentic-sdlc, /patterns/ erster Eintrag, /practices/ erster Eintrag)
  3. /robots.txt
  4. /sitemap-index.xml (oder /sitemap.xml)
  5. /llms.txt

Erzwingen Sie ein 30-Sekunden-Timeout pro Abruf. Wenn die Live-Website nicht erreichbar ist, protokollieren Sie den Fehler und fahren Sie mit der reine Codebasis-Analyse fort.

Schritt 2: Validierung der gerenderten Ausgabe

Für jede abgerufene Seite extrahieren und notieren Sie:

  • Tatsächliches <title> und <meta name="description"> – stimmen sie mit dem überein, was der Quellcode beabsichtigt?
  • JSON-LD-Blöcke – parsen Sie jedes <script type="application/ld+json"> und validieren Sie die Schema-Typen und Felder, die tatsächlich im gerenderten HTML vorhanden sind.
  • Open Graph-Tags – extrahieren Sie og:title, og:description, og:image, og:url, og:type.
  • Kanonische URL – löst <link rel="canonical"> korrekt auf?
  • Überschriftenstruktur – gibt es genau ein <h1>? Ist die Überschriftenhierarchie sinnvoll?
  • Zugänglichkeit der Inhalte – befinden sich die Hauptinhalte in semantischem HTML (<article>, <main>, <section>) oder in JS-gerenderten Divs?
  • Antwort-Header – notieren Sie X-Robots-Tag, Cache-Control und alle KI-relevanten Header.

Schritt 3: Quellcode vs. gerenderte Ausgabe – Unterschiede

Markieren Sie alle Abweichungen zwischen dem, was der Quellcode definiert, und dem, was die gerenderte Ausgabe enthält:

  • Schema-Markup, das in einer Komponente definiert, aber auf einer Seite nicht gerendert wird
  • Meta-Beschreibungen in Frontmatter, die nicht im gerenderten <head> erscheinen
  • Sitemap-Seiten, die 404 liefern, oder fehlende Seiten, die aufgeführt sein sollten
  • robots.txt-Anweisungen, die nicht zur Header-Konfiguration passen

Notieren Sie alle Abweichungen für die Aufnahme in den Abschlussbericht unter einem dedizierten Abschnitt „Quellcode vs. gerenderte Ausgabe“.

Phase 1: Tiefenanalyse der Codebasis

Analysieren Sie den Quellcode für alles, was aus der gerenderten Ausgabe nicht ersichtlich ist – Inhaltsqualität, Beziehungsdichte, MCP-Interna, Schema-Vollständigkeit über alle Seiten hinweg.

Schritt 1: Inhaltsinventar

  1. Verwenden Sie list_articles, um das vollständige Artikel-Manifest zu erhalten.
  2. Lesen Sie src/content/config.ts, um das Schema und die Frontmatter-Felder zu verstehen.
  3. Durchsuchen Sie src/content/**/*.{md,mdx}, um die Gesamtzahl der Inhaltsdateien zu zählen.
  4. Notieren Sie für jede Kollektion (Konzepte, Patterns, Practices):
    • Gesamtanzahl der Artikel und Statusverteilung (Live, Experimental, Draft)
    • Wortzahlstichprobe (lesen Sie 3–5 Artikel pro Kollektion)
    • Vollständigkeit des Frontmatters (description, tags, relatedConcepts usw.)

Schritt 2: Scan der technischen Infrastruktur

  1. Lesen Sie public/robots.txt – prüfen Sie KI-Crawler-Anweisungen (GPTBot, ClaudeBot, PerplexityBot usw.)
  2. Prüfen Sie auf das Vorhandensein von public/llms.txt oder public/.well-known/llms.txt.
  3. Lesen Sie astro.config.mjs – prüfen Sie Sitemap-Integration, Site-URL, Output-Konfiguration.
  4. Lesen Sie src/layouts/BaseLayout.astro – prüfen Sie Meta-Tags, Einspeisungspunkte für strukturierte Daten.
  5. Lesen Sie src/components/SEOMetadata.astro – auditieren Sie Open Graph, Twitter Cards, kanonische URLs.
  6. Prüfen Sie auf Sitemap-Integration in der Astro-Konfiguration.
  7. Überprüfen Sie die Einrichtung des MCP-Servers: Lesen Sie netlify/edge-functions/mcp.ts oder das Äquivalent.

Schritt 3: Schema- und strukturierte-Daten-Scan

  1. Durchsuchen Sie alle .astro-Dateien nach application/ld+json – katalogisieren Sie alle JSON-LD-Blöcke.
  2. Durchsuchen Sie nach schema.org-Typen: Article, TechArticle, WebSite, Organization, BreadcrumbList, FAQPage, HowTo.
  3. Lesen Sie alle Schema-Generierungskomponenten oder -Dienstprogramme.
  4. Prüfen Sie, ob Schema auf Artikelseiten, Indexseiten und der Startseite vorhanden ist.

Phase 2: Parallele Analyse

Analysieren Sie die gesammelten Daten in den 5 Kernkategorien und berechnen Sie Scores (0–100) sowie Ergebnisse:

  1. KI-Zitierbarkeitsanalyse (Gewichtung: 30 %) – Eigenständigkeit von Abschnitten, Dichte an Antwortblöcken, Definitionsklarheit, strukturelle Navigierbarkeit.
  2. Content-E-E-A-T-Qualität (Gewichtung: 25 %) – Zuschreibungsqualität, Zitatdichte, Inhalts-Tiefe, Aktualität, Autoritätssignale.
  3. Technische GEO-Infrastruktur (Gewichtung: 15 %) – Crawler-Zugriff, Auffindbarkeitssignale, Rendering-Ansatz, MCP-Exposition.
  4. Schema und strukturierte Daten (Gewichtung: 15 %) – Schema-Abdeckung, Typenvielfalt, Feld-Vollständigkeit, Validierungs-Korrektheit.
  5. Wissensdatenbank- und MCP-Optimierung (Gewichtung: 15 %) – MCP-Vollständigkeit, Manifest-Qualität, Beziehungsdichte, Navigierbarkeit für Agenten.

Phase 3: Score-Aggregation und Bericht

Berechnen Sie den zusammengesetzten GEO-Score:

GEO_Score = (Citability * 0.30) + (EEAT * 0.25) + (Technical * 0.15) + (Schema * 0.15) + (MCP * 0.15)

Generieren Sie docs/reports/GEO-AUDIT-REPORT.md gemäß der etablierten Standard-Berichtsvorlage.

$ARGUMENTS

Verwandte Skills

steipete/sag

ElevenLabs text-to-speech with mac-style say UX.

community

steipete/oracle

Oracle CLI second-model review/debug/refactor/design with selected files, dry-run token checks, API or browser engine.

community

steipete/peekaboo

Capture and automate macOS UI with the Peekaboo CLI.

community

mattpocock/design-an-interface

Generate multiple radically different interface designs for a module using parallel sub-agents. Use when user wants to design an API, explore interface options, compare module shapes, or mentions "design it twice".

community

mattpocock/prototype

Build a throwaway prototype to flesh out a design — a runnable terminal app for state/business-logic questions, or several radically different UI variations toggleable from one route.

community

mattpocock/grill-me

Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".

community