Communitygithub.com

villetakanen/asdlc-io

Audit GEO+SEO de asdlc.io — analyse le codebase pour l'optimisation des moteurs génératifs côté citabilité IA, infrastructure technique, qualité de contenu, schémas et découvrabilité dans les bases de connaissance. Produit un score GEO composite (0-100) avec un plan d'action priorisé.

Qu'est-ce que asdlc-io ?

Cette compétence réalise un audit complet d'Optimisation des Moteurs Génératifs (GEO) pour le site asdlc.io, un site de type Publisher/Knowledge Base construit avec Astro et déployé sur Netlify. L'audit évalue comment le codebase — contenu, schémas et infrastructure technique — permet aux systèmes d'IA comme ChatGPT, Claude, Perplexity et Gemini de découvrir, comprendre, citer et recommander le contenu. Le processus se déroule en quatre phases : vérification du site en production (fetch de pages clés HTML), analyse approfondie du code source (inventaire du contenu, scan technique, analyse des schémas), évaluation parallèle sur cinq catégories pondérées (citabilité IA 30%, E-E-A-T 25%, infrastructure technique 15%, schémas 15%, optimisation MCP 15%), puis calcul d'un score GEO composite (0-100) et génération d'un rapport détaillé au format `docs/reports/GEO-AUDIT-REPORT.md`. La compétence est conçue pour les agents de développement et les ingénieurs SEO souhaitant auditer la découvrabilité IA d'un site statique.

Compatible avec✓Claude Code~Codex CLI~Cursor✓Antigravity✓Gemini CLI
npx skills add https://github.com/villetakanen/asdlc-io/tree/HEAD/.agents/skills/geo-audit
Voir l'original→Voir toutes les compétences

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentation

Audit GEO — Audit d'Optimisation des Moteurs Génératifs

Objectif

Effectuer un audit complet d'Optimisation des Moteurs Génératifs (GEO) du codebase asdlc.io. Le GEO est la pratique d'optimisation du contenu web afin que les systèmes d'IA (ChatGPT, Claude, Perplexity, Gemini, etc.) puissent le découvrir, le comprendre, le citer et le recommander.

ASDLC.io est un site Publisher / Base de connaissance — un site statique Astro documentant les patterns Agentic SDLC. L'audit se concentre sur la manière dont le contenu, les schémas et l'infrastructure technique soutiennent la citation et la recommandation par l'IA.

Type de site : Site statique Astro 5.x déployé sur Netlify
Domaine : https://asdlc.io
Modèle de contenu : Trois collections (concepts, patterns, pratiques) avec exposition d'un serveur MCP

Périmètre

  • Dans le périmètre : audit de la citabilité IA, de l'infrastructure technique GEO, de l'E-E-A-T, des schémas/données structurées et de l'optimisation MCP ; génération de docs/reports/GEO-AUDIT-REPORT.md.
  • Hors périmètre : mise en œuvre de modifications de code ou de contenu (dev), modification des spécifications (spec), publication ou push (ship).

Processus d'Audit

Phase 0 : Vérification du Site en Production

Avant de plonger dans le code source, récupérez le site en production pour valider ce que les robots d'IA voient réellement. Cela permet de détecter les bugs de build où le code source semble correct mais le rendu est cassé.

Étape 1 : Récupération des Pages Clés

Utilisez WebFetch / récupération HTTP pour inspecter le HTML rendu de https://asdlc.io pour ces pages :

  1. Page d'accueil (/)
  2. Un article de chaque collection (ex. /concepts/agentic-sdlc, /patterns/ premier listé, /practices/ premier listé)
  3. /robots.txt
  4. /sitemap-index.xml (ou /sitemap.xml)
  5. /llms.txt

Imposez un délai d'attente de 30 secondes par récupération. Si le site en production est inaccessible, enregistrez l'échec et continuez avec l'analyse uniquement du codebase.

Étape 2 : Validation du Rendu

Pour chaque page récupérée, extrayez et enregistrez :

  • Les <title> et <meta name="description"> réels — correspondent-ils à ce que le code source prévoit ?
  • Les blocs JSON-LD — analysez chaque <script type="application/ld+json"> et validez les types de schémas et les champs réellement présents dans le HTML rendu.
  • Les balises Open Graph — extrayez og:title, og:description, og:image, og:url, og:type.
  • L'URL canonique — <link rel="canonical"> se résout-il correctement ?
  • La structure des titres — y a-t-il exactement un <h1> ? La hiérarchie des titres est-elle cohérente ?
  • L'accessibilité du contenu — le contenu principal est-il dans du HTML sémantique (<article>, <main>, <section>) ou enfoui dans des divs rendus par JS ?
  • Les en-têtes de réponse — notez X-Robots-Tag, Cache-Control et tout en-tête pertinent pour l'IA.

Étape 3 : Différence Source vs. Rendu

Signalez toute divergence entre ce que le code source définit et ce que le rendu contient :

  • Balisage de schéma défini dans un composant mais non rendu sur une page
  • Méta-descriptions dans le frontmatter qui n'apparaissent pas dans le <head> rendu
  • Pages listées dans le sitemap qui renvoient une 404, ou pages manquantes qui devraient être listées
  • Directives robots.txt qui ne correspondent pas à la configuration des en-têtes

Enregistrez toutes les divergences pour inclusion dans le rapport final sous une section dédiée "Source vs. Rendu".

Phase 1 : Analyse Approfondie du Codebase

Analysez le code source pour tout ce qui n'est pas visible depuis le rendu — qualité du contenu, densité des relations, détails internes MCP, exhaustivité des schémas sur toutes les pages.

Étape 1 : Inventaire du Contenu

  1. Utilisez list_articles pour obtenir le manifeste complet des articles.
  2. Lisez src/content/config.ts pour comprendre le schéma et les champs du frontmatter.
  3. Utilisez glob sur src/content/**/*.{md,mdx} pour compter le nombre total de fichiers de contenu.
  4. Pour chaque collection (concepts, patterns, pratiques), enregistrez :
    • Nombre total d'articles et répartition par statut (Live, Experimental, Draft)
    • Échantillonnage du nombre de mots (lisez 3 à 5 articles par collection)
    • Exhaustivité du frontmatter (description, tags, relatedConcepts, etc.)

Étape 2 : Scan de l'Infrastructure Technique

  1. Lisez public/robots.txt — vérifiez les directives pour les robots d'IA (GPTBot, ClaudeBot, PerplexityBot, etc.)
  2. Vérifiez la présence de public/llms.txt ou public/.well-known/llms.txt.
  3. Lisez astro.config.mjs — vérifiez l'intégration du sitemap, l'URL du site, la configuration de sortie.
  4. Lisez src/layouts/BaseLayout.astro — vérifiez les balises meta, les points d'injection de données structurées.
  5. Lisez src/components/SEOMetadata.astro — auditez les balises Open Graph, Twitter Cards, URL canoniques.
  6. Vérifiez l'intégration du sitemap dans la configuration Astro.
  7. Vérifiez la configuration du serveur MCP : lisez netlify/edge-functions/mcp.ts ou équivalent.

Étape 3 : Scan des Schémas et Données Structurées

  1. Recherchez application/ld+json dans tous les fichiers .astro — cataloguez tous les blocs JSON-LD.
  2. Recherchez les types schema.org : Article, TechArticle, WebSite, Organization, BreadcrumbList, FAQPage, HowTo.
  3. Lisez tout composant ou utilitaire de génération de schémas.
  4. Vérifiez si les schémas sont présents sur les pages d'article, les pages d'index et la page d'accueil.

Phase 2 : Analyse Parallèle

Analysez les données collectées dans les 5 catégories principales et calculez les scores (0-100) ainsi que les constatations :

  1. Analyse de la Citabilité IA (Poids : 30 %) — auto-contenance des passages, densité des blocs de réponse, clarté des définitions, navigabilité structurelle.
  2. Qualité du Contenu E-E-A-T (Poids : 25 %) — qualité de l'attribution, densité des citations, profondeur du contenu, fraîcheur, signaux d'autorité.
  3. Infrastructure Technique GEO (Poids : 15 %) — accès des robots, signaux de découvrabilité, approche de rendu, exposition MCP.
  4. Schémas et Données Structurées (Poids : 15 %) — couverture des schémas, diversité des types, exhaustivité des champs, validation de l'exactitude.
  5. Optimisation de la Base de Connaissance et MCP (Poids : 15 %) — exhaustivité MCP, qualité du manifeste, densité des relations, navigabilité pour les agents.

Phase 3 : Agrégation des Scores et Rapport

Calculez le Score GEO Composite :

GEO_Score = (Citabilité * 0.30) + (EEAT * 0.25) + (Technique * 0.15) + (Schémas * 0.15) + (MCP * 0.15)

Générez docs/reports/GEO-AUDIT-REPORT.md en suivant le modèle de rapport standard établi.

$ARGUMENTS

Skills associés

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