Communitygithub.com

villetakanen/asdlc-io

Auditoría GEO+SEO de asdlc.io: analiza el código fuente para optimización para motores generativos (GEO) en citabilidad por IA, infraestructura técnica, calidad de contenido, schema markup y descubrimiento en bases de conocimiento. Genera una puntuación GEO compuesta (0-100) con un plan de acción priorizado.

¿Qué es asdlc-io?

Esta habilidad realiza una auditoría completa de Optimización para Motores Generativos (GEO) del sitio asdlc.io, una publicación/base de conocimiento construida con Astro 5.x y desplegada en Netlify. Su propósito es evaluar cómo el contenido, el esquema y la infraestructura técnica del sitio permiten que sistemas de IA como ChatGPT, Claude, Perplexity y Gemini descubran, entiendan, citen y recomienden su contenido. La auditoría se estructura en cuatro fases: una verificación del sitio en vivo para validar lo que los rastreadores de IA ven realmente, un análisis profundo del código fuente (inventario de contenido, infraestructura técnica, esquemas y datos estructurados), un análisis paralelo de cinco categorías clave (citabilidad por IA, calidad E-E-A-T, infraestructura GEO técnica, esquema/datos estructurados y optimización de MCP/base de conocimiento) y finalmente una agregación de puntuaciones para generar un informe detallado en `docs/reports/GEO-AUDIT-REPORT.md`. La puntuación GEO compuesta (0-100) se calcula ponderando cada categoría (30%, 25%, 15%, 15%, 15% respectivamente) e incluye un plan de acción priorizado. Funciona en entornos de línea de comandos con acceso al sistema de archivos (CLI) y puede integrarse con herramientas como Claude Code, Cursor, Codex y otras plataformas de agentes de IA.

Compatible con✓Claude Code~Codex CLI~Cursor✓Antigravity✓Gemini CLI
npx skills add https://github.com/villetakanen/asdlc-io/tree/HEAD/.agents/skills/geo-audit
Ver original→Ver todas las habilidades

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentación

Auditoría GEO — Auditoría de Optimización para Motores Generativos

Propósito

Realizar una auditoría integral de Optimización para Motores Generativos (GEO) del código fuente de asdlc.io. GEO es la práctica de optimizar contenido web para que los sistemas de IA (ChatGPT, Claude, Perplexity, Gemini, etc.) puedan descubrirlo, entenderlo, citarlo y recomendarlo.

ASDLC.io es un sitio Editorial / Base de Conocimiento — un sitio Astro estático que documenta patrones de SDLC Agentic. La auditoría se enfoca en qué tan bien el contenido, el esquema y la infraestructura técnica soportan la citación y recomendación por parte de la IA.

Tipo de sitio: Sitio estático Astro 5.x desplegado en Netlify
Dominio: https://asdlc.io
Modelo de contenido: Tres colecciones (conceptos, patrones, prácticas) con exposición de servidor MCP

Límites

  • Dentro del alcance: auditar la citabilidad por IA, la infraestructura técnica GEO, E-E-A-T, el esquema/datos estructurados y la optimización de MCP; generar docs/reports/GEO-AUDIT-REPORT.md.
  • Fuera del alcance: implementar cambios de código o contenido (dev), modificar especificaciones (spec), publicar o enviar (ship).

Flujo de Trabajo de la Auditoría

Fase 0: Verificación del Sitio en Vivo

Antes de sumergirse en el código fuente, obtenga el sitio en vivo para validar lo que los rastreadores de IA realmente ven. Esto detecta errores en el momento de construcción donde el código fuente parece correcto pero la salida renderizada está rota.

Paso 1: Obtener Páginas Clave

Use recuperación WebFetch / HTTP para inspeccionar el HTML renderizado de https://asdlc.io para estas páginas:

  1. Página de inicio (/)
  2. Un artículo de cada colección (ej., /concepts/agentic-sdlc, /patterns/ primero listado, /practices/ primero listado)
  3. /robots.txt
  4. /sitemap-index.xml (o /sitemap.xml)
  5. /llms.txt

Imponga un tiempo de espera de 30 segundos por recuperación. Si el sitio en vivo es inalcanzable, registre el fallo y continúe con el análisis solo del código fuente.

Paso 2: Validación de la Salida Renderizada

Para cada página obtenida, extraiga y registre:

  • <title> real y <meta name="description"> — ¿coinciden con lo que el código fuente pretende?
  • Bloques JSON-LD — analice cada <script type="application/ld+json"> y valide los tipos de esquema y campos realmente presentes en el HTML renderizado.
  • Etiquetas Open Graph — extraiga og:title, og:description, og:image, og:url, og:type.
  • URL canónica — ¿<link rel="canonical"> se resuelve correctamente?
  • Estructura de encabezados — ¿hay exactamente un <h1>? ¿La jerarquía de encabezados tiene sentido?
  • Accesibilidad del contenido — ¿el contenido principal está en HTML semántico (<article>, <main>, <section>) o enterrado en divs renderizados por JS?
  • Encabezados de respuesta — anote X-Robots-Tag, Cache-Control y cualquier encabezado relevante para IA.

Paso 3: Diferencia entre Código Fuente y Renderizado

Señale cualquier discrepancia entre lo que el código fuente define y lo que contiene la salida renderizada:

  • Marcado de esquema definido en un componente pero no renderizado en una página
  • Meta descripciones en frontmatter que no aparecen en el <head> renderizado
  • Páginas listadas en el sitemap que devuelven 404, o páginas faltantes que deberían estar listadas
  • Directivas de robots.txt que no coinciden con la configuración de encabezados

Registre todas las discrepancias para incluirlas en el informe final bajo una sección dedicada "Código Fuente vs. Renderizado".

Fase 1: Análisis Profundo del Código Fuente

Analice el código fuente para todo lo que no se puede ver desde la salida renderizada — calidad del contenido, densidad de relaciones, detalles internos de MCP, completitud del esquema en todas las páginas.

Paso 1: Inventario de Contenido

  1. Use list_articles para obtener el manifiesto completo de artículos.
  2. Lea src/content/config.ts para entender el esquema y los campos de frontmatter.
  3. Use glob src/content/**/*.{md,mdx} para contar el número total de archivos de contenido.
  4. Para cada colección (conceptos, patrones, prácticas), registre:
    • Número total de artículos y distribución de estado (Publicado, Experimental, Borrador)
    • Muestreo de recuento de palabras (lea 3-5 artículos por colección)
    • Completitud del frontmatter (descripción, etiquetas, conceptos relacionados, etc.)

Paso 2: Escaneo de Infraestructura Técnica

  1. Lea public/robots.txt — verifique las directivas para rastreadores de IA (GPTBot, ClaudeBot, PerplexityBot, etc.)
  2. Verifique la presencia de public/llms.txt o public/.well-known/llms.txt.
  3. Lea astro.config.mjs — verifique la integración del sitemap, la URL del sitio, la configuración de salida.
  4. Lea src/layouts/BaseLayout.astro — verifique las metaetiquetas, los puntos de inyección de datos estructurados.
  5. Lea src/components/SEOMetadata.astro — audite Open Graph, Twitter Cards, URLs canónicas.
  6. Verifique la integración del sitemap en la configuración de Astro.
  7. Verifique la configuración del servidor MCP: lea netlify/edge-functions/mcp.ts o su equivalente.

Paso 3: Escaneo de Esquemas y Datos Estructurados

  1. Busque application/ld+json en todos los archivos .astro — catalogue todos los bloques JSON-LD.
  2. Busque tipos de schema.org: Article, TechArticle, WebSite, Organization, BreadcrumbList, FAQPage, HowTo.
  3. Lea cualquier componente o utilidad de generación de esquemas.
  4. Verifique si el esquema está presente en las páginas de artículos, páginas de índice y la página de inicio.

Fase 2: Análisis en Paralelo

Analice los datos recopilados en las 5 categorías principales y calcule puntuaciones (0-100) más hallazgos:

  1. Análisis de Citabilidad por IA (Peso: 30%) — autocontención de pasajes, densidad de bloques de respuesta, claridad de definiciones, navegabilidad estructural.
  2. Calidad de Contenido E-E-A-T (Peso: 25%) — calidad de atribución, densidad de citas, profundidad del contenido, actualidad, señales de autoridad.
  3. Infraestructura Técnica GEO (Peso: 15%) — acceso de rastreadores, señales de descubrimiento, enfoque de renderizado, exposición MCP.
  4. Esquema y Datos Estructurados (Peso: 15%) — cobertura de esquemas, diversidad de tipos, completitud de campos, corrección de validación.
  5. Optimización de Base de Conocimiento y MCP (Peso: 15%) — completitud de MCP, calidad del manifiesto, densidad de relaciones, navegabilidad para agentes.

Fase 3: Agregación de Puntuación e Informe

Calcule la Puntuación GEO Compuesta:

GEO_Score = (Citabilidad * 0.30) + (EEAT * 0.25) + (Técnica * 0.15) + (Esquema * 0.15) + (MCP * 0.15)

Genere docs/reports/GEO-AUDIT-REPORT.md siguiendo la plantilla de informe estándar establecida.

$ARGUMENTS

Skills relacionados

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