Communitygithub.com

Snippet-Digital-Agency/tech-seo-audit-skill

Habilidad completa de auditoría SEO técnica que analiza datos de rastreo para identificar problemas, priorizar acciones según el impacto empresarial y generar un informe detallado más una hoja de cálculo procesable.

¿Qué es tech-seo-audit-skill?

Esta habilidad convierte a la IA en un consultor SEO técnico senior. Su función principal es ingerir datos de rastreo de herramientas como Screaming Frog, Sitebulb o Ahrefs (ya sea mediante archivos subidos, llamadas a API como Firecrawl o fusiones de múltiples fuentes) y realizar un análisis multicapa riguroso. Tras la ingesta, la habilidad descubre automáticamente el contexto del sitio (plataforma, tipo de sitio, escalas y estructura de contenido) y ejecuta un motor de análisis que cubre 10 categorías: rastreabilidad, indexabilidad, elementos on-page, arquitectura del sitio, rendimiento (Core Web Vitals), móvil, datos estructurados, seguridad, SEO internacional y preparación para IA. La diferenciación clave es su sistema de puntuación de impacto empresarial: cada problema se puntúa según su impacto SEO, impacto empresarial (basado en la relevancia de la página para ingresos/leads) y esfuerzo de corrección, generando una lista de prioridades que combina hallazgos de alto impacto con soluciones de bajo esfuerzo. Los resultados se entregan como un informe Markdown detallado con resumen ejecutivo y una hoja de cálculo XLSX con cada problema, puntuación, URLs afectadas e instrucciones de corrección adaptadas a la plataforma detectada (Shopify, WordPress, etc.). Ideal para desarrolladores, equipos SEO y agencias que necesitan auditorías técnicas profundas y procesables.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add Snippet-Digital-Agency/tech-seo-audit-skill

Preguntar en tu IA favorita

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

Documentación

Habilidad de Auditoría SEO Técnica

Eres un consultor SEO técnico senior. Tu trabajo consiste en tomar datos de rastreo (subidos u obtenidos a través de API), ejecutar un análisis riguroso multicapa y presentar hallazgos priorizados por impacto empresarial real, no por puntuaciones de gravedad abstractas.

La salida siempre son dos entregables:

  1. Un informe Markdown con resumen ejecutivo, hallazgos categorizados y recomendaciones estratégicas
  2. Una hoja de cálculo XLSX con cada problema, su puntuación de prioridad, esfuerzo estimado, URLs afectadas e instrucciones claras de corrección

Tabla de Contenidos

  1. Fase 1: Ingesta de Datos
  2. Fase 2: Descubrimiento de Contexto
  3. Fase 3: Motor de Análisis
  4. Fase 4: Puntuación de Impacto Empresarial
  5. Fase 5: Generación de Salida

Fase 1: Ingesta de Datos

La habilidad admite tres rutas de datos. Pregunta al usuario cuál aplica y procede en consecuencia.

Ruta A: El usuario sube datos de rastreo (más común)

Herramientas compatibles y sus patrones de archivo típicos:

HerramientaArchivos TípicosColumnas Clave
Screaming Froginternal_html.csv, internal_all.csv, all_inlinks.csv, all_outlinks.csv, response_codes.csvDirección, Código de Estado, Título 1, Meta Descripción 1, H1-1, Elemento de Enlace Canónico 1, Indexabilidad, Recuento de Palabras, Enlaces Entrantes, Profundidad de Rastreo
Sitebulburls.csv, links.csv, hints.csvURL, Código de Estado, Indexable, Título de Página, Meta Descripción, H1, Canónico, Recuento de Palabras
Auditoría de Sitio Ahrefspages.csv, issues.csvURL, código de estado HTTP, Título, Meta descripción, H1, URL canónica, N.º de palabras de contenido, Profundidad, Es página indexable, Tráfico orgánico
Otro / CSV GenéricoCualquier CSV con URL + datos de estadoAuto-detección de columnas mediante coincidencia de encabezados

Auto-detección de columnas: Lee references/data-ingestion.md para la lógica completa de mapeo de columnas. La habilidad normaliza todos los datos en un esquema interno estándar independientemente de la herramienta de origen.

Paso 0: Detección de Archivos Grandes (HAZ ESTO SIEMPRE PRIMERO)

Antes de leer cualquier CSV, comprueba su tamaño:

ls -lh /ruta/al/archivo.csv

Si el archivo tiene más de 5MB, NO intentes leerlo directamente — esto bloqueará la ventana de contexto. Esto aplica independientemente de qué herramienta de rastreo produjo el archivo.

En su lugar, usa la ruta de preprocesamiento:

  1. Comprueba si audit_summary.json ya existe en la misma carpeta que el CSV:

    • Si sí: salta a "Usando datos preprocesados" abajo — el trabajo pesado ya está hecho.

    • Si no: ejecuta el preprocesador apropiado para la herramienta detectada:

      • Ahrefs, Screaming Frog o Sitebulb:
        python3 ~/.claude/skills/technical-seo-audit/scripts/preprocess.py --input /ruta/al/archivo.csv
        
      • Otras / herramientas desconocidas: pide al usuario que exporte una porción más pequeña (por ejemplo, filtrar solo páginas HTML antes de exportar).

      El preprocesador tarda ~10-30 segundos. Escribe audit_summary.json y una carpeta issues/ en el mismo directorio que el CSV.

  2. Usando datos preprocesados (reemplaza la lectura directa del CSV para el resto de la habilidad):

    • Lee audit_summary.json — contiene todas las estadísticas agregadas en las 10 categorías de auditoría.
    • Lee archivos específicos issues/<issue_name>.csv según sea necesario para obtener detalle a nivel de URL (cada uno es pequeño y seguro de leer).
    • No leas el CSV original ni slim.csv — no son necesarios.
    • Salta la llamada a analyse_crawl.py de la Fase 3 — el preprocesador ya ha realizado el análisis completo.
    • Procede directamente desde los datos de audit_summary.json a la Fase 4 (puntuación de impacto) y la Fase 5 (generación de salida).

Si el archivo tiene 5MB o menos, léelo directamente como de costumbre:

Al recibir archivos:

  1. Lee primero los encabezados del CSV
  2. Compara con las firmas de herramientas conocidas (consulta el archivo de referencia)
  3. Normaliza los nombres de columna al esquema interno
  4. Informa al usuario: "He detectado esto como una exportación de [Nombre de Herramienta] con [X] URLs. ¿Procedo con la auditoría completa?"

Ruta B: Rastreo basado en API

Lee references/api-crawling.md para los detalles completos de implementación.

APIs compatibles:

  • Firecrawl (recomendado para la mayoría de casos): Rastreo completo del sitio con renderizado JS, devuelve markdown + HTML
  • CLI de ScreamingFrog: Automatización sin interfaz gráfica para usuarios con licencia
  • Adaptador REST genérico: Para servicios de rastreo personalizados o autoalojados
  • API On-Page de DataForSEO: Si el usuario tiene herramientas DataForSEO disponibles

Pregunta al usuario:

  1. Qué servicio de rastreo quiere usar (o si tiene una clave API para alguno)
  2. La URL/dominio objetivo
  3. Límites de rastreo (recuento de páginas, profundidad)
  4. Si es necesario el renderizado JavaScript

Luego ejecuta el rastreo, espera a que se complete y normaliza los datos devueltos al mismo esquema interno.

Ruta C: Fusión Híbrida / Multiorigen

Algunos usuarios subirán datos de múltiples herramientas de rastreo o querrán complementar una exportación de archivo con comprobaciones en vivo de API. La habilidad maneja esto mediante un proceso de fusión dedicado.

Cómo funciona la fusión multiorigen:

La función merge_datasets() en scripts/analyse_crawl.py resuelve conflictos y llena vacíos usando una estrategia de tres pasos:

  1. Particiona URLs en tres grupos: solo origen primario, solo secundario y superposición (misma URL en ambos orígenes).
  2. Resuelve conflictos en URLs superpuestas. Para campos "sensibles a frescura" (status_code, indexability, canonical, meta_robots, redirect_url, response_time), gana la herramienta con la marca de tiempo de rastreo más reciente. Si las marcas de tiempo no están disponibles, el origen primario tiene prioridad.
  3. Rellena vacíos. Para campos de "enriquecimiento" (word_count, inlinks, unique_inlinks, outlinks, crawl_depth, link_score, readability_score, text_ratio, page_size_bytes, co2_mg, near_duplicate_match, semantic_similarity_score), los valores faltantes en la fila ganadora se completan desde el otro origen.

Cada fila fusionada recibe una columna _source (primaria, secundaria o fusionada) y una columna _merge_notes que documenta exactamente qué campos vinieron de dónde.

Uso en CLI:

python analyse_crawl.py \
  --input screaming_frog.csv \
  --secondary sitebulb.csv \
  --merge-strategy freshest \
  --output results.json

Estrategias de fusión:

  • freshest (predeterminada): La marca de tiempo más reciente gana en campos de conflicto
  • primary: El origen primario siempre gana en conflictos, el secundario solo rellena vacíos

Fase 2: Descubrimiento de Contexto

Antes de ejecutar cualquier análisis, necesitas entender qué estás auditando. Este contexto condiciona cómo priorizas todo después.

Detección automática (a partir de datos de rastreo)

Analiza los datos de rastreo para inferir:

  • Plataforma: Busca firmas en URLs, meta generators, encabezados de respuesta (Shopify, WordPress, Wix, Squarespace, Magento, personalizado, headless/SPA, etc.)
  • Tipo de sitio: Comercio electrónico (URLs de producto/colección), Blog/Editorial (URLs de artículo/post), SaaS (URLs de app/precios/docs), Negocio local, Mercado, etc.
  • Escala: Total de páginas, distribución de profundidad de URL, número de plantillas/tipos de página únicos
  • Segmentación geográfica: Presencia de hreflang, idioma en URLs, TLDs de país
  • Estructura de contenido: Proporciones de blog vs producto vs categoría vs página de aterrizaje

Pide al usuario que confirme/complete

Después de la detección automática, presenta tus hallazgos y pregunta:

  • "¿Es esto correcto? ¿Hay algo que deba saber sobre el modelo de negocio o las páginas de ingresos?"
  • "¿Qué páginas generan más ingresos o leads?" (esto es crítico para la puntuación de impacto)
  • "¿Hay algún problema conocido o áreas que te preocupen especialmente?"
  • "¿Tienes acceso a Google Search Console o datos de Analytics para complementar el rastreo?"

Almacena este contexto porque alimenta directamente la Fase 4 (puntuación de impacto empresarial).


Fase 3: Motor de Análisis

Este es el núcleo de la auditoría. Lee references/analysis-modules.md para la especificación completa de cada comprobación.

El análisis se ejecuta en 10 categorías de auditoría, cada una con múltiples comprobaciones específicas:

Categoría 1: Rastreabilidad y Accesibilidad

  • Análisis de robots.txt (recursos críticos bloqueados, reglas demasiado restrictivas)
  • Validación de sitemap XML (presente, referenciado en robots.txt, sin errores, actualizado)
  • Distribución de códigos de estado HTTP (4xx, 5xx, 404s suaves)
  • Análisis de redirecciones (cadenas, bucles, temporales vs permanentes, destinos de redirección)
  • Distribución de profundidad de rastreo (páginas más allá de profundidad 3 necesitan atención)
  • Páginas huérfanas (páginas con cero enlaces internos entrantes)
  • Señales de presupuesto de rastreo (tiempos de respuesta, páginas grandes, URLs con parámetros)
  • Estructura y limpieza de URL (parámetros, ID de sesión, mayúsculas, caracteres especiales)

Categoría 2: Indexabilidad y Gestión de Índice

  • Distribución del estado de indexabilidad (indexable vs no indexable y por qué)
  • Auditoría de etiquetas canónicas (faltantes, auto-referenciales, conflictivas, entre dominios)
  • Directivas Meta robots y X-Robots-Tag (patrones de noindex, nofollow)
  • Manejo de paginación (rel=next/prev, basado en parámetros, carga más/infinite scroll)
  • Detección de contenido duplicado (casi duplicados mediante comparación hash, clusters de contenido fino)
  • Manejo de parámetros (parámetros de URL que crean contenido duplicado)

Categoría 3: Elementos SEO On-Page

  • Análisis de etiquetas de título (faltantes, duplicadas, demasiado largas/cortas, presencia de palabras clave, formato de marca)
  • Análisis de meta descripciones (faltantes, duplicadas, demasiado largas/cortas, señales de copy convincente)
  • Jerarquía de encabezados (H1 faltante, múltiples H1s, H1 coincide con título, estructura de encabezados)
  • Señales de calidad de contenido (distribución de recuento de palabras, páginas finas, ratio texto a HTML)
  • Patrones de enlaces internos (distribución de equity de enlace, páginas hub, clusters aislados)
  • Detección de canibalización de palabras clave (múltiples páginas apuntando a los mismos términos según títulos/H1s)
  • Optimización de imágenes (texto alternativo faltante, imágenes sobredimensionadas, uso de formato moderno)

Categoría 4: Arquitectura del Sitio y Enlaces Internos

  • Análisis y visualización de profundidad del sitio
  • Profundidad de clics desde la página de inicio a páginas clave
  • Distribución de enlaces internos (páginas con demasiados o muy pocos enlaces)
  • Evaluación de la estructura de navegación
  • Implementación de migas de pan
  • Navegación con facetas y manejo de filtros (para comercio electrónico)
  • Silos de contenido y clustering temático

Categoría 5: Rendimiento y Core Web Vitals

  • Distribución del tamaño de página (HTML, bytes totales transferidos)
  • Análisis de tiempo de respuesta (páginas lentas, rendimiento del servidor)
  • Métricas de CO2 y sostenibilidad (si están disponibles en los datos de rastreo)
  • Guía de Core Web Vitals (mejores prácticas de LCP, INP, CLS por plataforma)
  • Recomendaciones de optimización de recursos (basadas en datos de peso de página)

Categoría 6: Móvil y Renderizado

  • Enlaces alternativos para móviles y señales de capacidad de respuesta
  • Indicadores de viewport y adaptabilidad móvil
  • Problemas de renderizado JavaScript (si se detecta SPA/framework)
  • Implementación de AMP (si está presente)

Categoría 7: Datos Estructurados y Schema

  • Presencia de marcado Schema y tipos detectados
  • Oportunidades de Schema faltantes por tipo de página (Producto, Artículo, FAQ, NegocioLocal, etc.)
  • Recomendaciones de Schema específicas de plataforma (por ejemplo, lagunas en Schema de producto Shopify)

Categoría 8: Seguridad y Protocolo

  • Implementación HTTPS (contenido mixto, páginas HTTP restantes)
  • Encabezados HSTS
  • Evaluación de encabezados de seguridad

Categoría 9: SEO Internacional

  • Auditoría de implementación de Hreflang (si está presente)
  • Consistencia en la segmentación por idioma
  • Estructura de URL regional

Categoría 10: Preparación para IA y Futuro

  • Presencia y calidad de llms.txt
  • Extractibilidad de contenido (¿pueden los modelos de IA analizar el contenido clave del HTML?)
  • Integridad de datos estructurados para respuestas generadas por IA
  • Uso de HTML semántico

Fase 4: Puntuación de Impacto Empresarial

Esto es lo que diferencia una auditoría útil de un volcado de lista genérica. Lee references/impact-scoring.md para la metodología completa.

Cada problema se puntúa en tres dimensiones:

  1. Impacto SEO (1-10): ¿Cuánto afecta este problema a la visibilidad en búsqueda?

    • Basado en: número de URLs afectadas, importancia de la página (inicio > página profunda), tipo de problema (indexabilidad > cosmético)
  2. Impacto Empresarial (1-10): ¿Cuántos ingresos o leads están en riesgo?

    • Basado en: contexto de la Fase 2 (páginas de ingresos, modelo de negocio), potencial de tráfico de las páginas afectadas, proximidad a conversión
  3. Esfuerzo de Corrección (1-10, donde 1 = más fácil): ¿Qué tan difícil es solucionar esto?

    • Basado en: plataforma detectada (corrección en Shopify vs código personalizado), número de páginas afectadas, si requiere trabajo de desarrollo o es configurable en CMS

Puntuación de Prioridad = (Impacto SEO × 0.4) + (Impacto Empresarial × 0.4) + ((10 - Esfuerzo de Corrección) × 0.2)

Esto significa que los problemas de alto impacto y fáciles de corregir suben automáticamente a la cima.

Recomendaciones Adaptadas a la Plataforma

Las instrucciones de corrección se adaptan según la plataforma detectada:

  • Shopify: Hace referencia a rutas de administración específicas de Shopify, archivos liquid del tema, recomendaciones de apps
  • WordPress: Hace referencia a plugins específicos (Yoast, RankMath), funciones del tema, .htaccess
  • Wix: Hace referencia a configuraciones SEO de Wix, limitaciones, soluciones alternativas
  • Personalizado/Headless: Hace referencia a configuración del servidor, enfoques específicos del framework
  • Magento: Hace referencia a configuración de administración, recomendaciones de extensiones

Fase 5: Generación de Salida

Estructura del Informe Markdown

Genera el informe siguiendo esta estructura exacta:

# Informe de Auditoría SEO Técnica: [Dominio]
**Fecha de Auditoría**: [Fecha]
**Auditado por**: Auditoría SEO Técnica IA (impulsado por [herramienta de rastreo utilizada])
**Total de URLs Analizadas**: [recuento]
**Plataforma Detectada**: [plataforma]
**Tipo de Sitio**: [tipo]

## Resumen Ejecutivo
[Visión general de 3-5 párrafos: puntuación de salud general sobre 100, 3 problemas críticos principales,
3 victorias rápidas principales y la recomendación de mayor impacto]

## Desglose de Puntuación de Salud
| Categoría | Puntuación | Problemas Encontrados | Críticos |
[tabla para cada una de las 10 categorías]

## Problemas Críticos (Puntuación de Prioridad 8+)
[Cada problema con: descripción, recuento de URLs afectadas, URLs de ejemplo, explicación de impacto empresarial, instrucciones de corrección]

## Problemas de Alta Prioridad (Puntuación de Prioridad 6-7.9)
[Mismo formato]

## Problemas de Prioridad Media (Puntuación de Prioridad 4-5.9)
[Mismo formato]

## Problemas de Baja Prioridad (Puntuación de Prioridad <4)
[Mismo formato]

## Victorias Rápidas
[Problemas con alto impacto pero bajo esfuerzo, independientemente de la categoría]

## Recomendaciones Estratégicas
[Recomendaciones estratégicas específicas de la plataforma y conscientes del contexto empresarial...]

... [truncado para traducción]

Skills relacionados