Communitygithub.com

villetakanen/asdlc-io

Auditoria GEO+SEO do asdlc.io — analisa o código-fonte para Otimização para Motores Generativos (GEO) em citabilidade por IA, infraestrutura técnica, qualidade do conteúdo, marcação de esquemas e descoberta em bases de conhecimento. Produz uma Pontuação GEO composta (0-100) com um plano de ação priorizado.

O que é asdlc-io?

Esta skill realiza uma auditoria abrangente de Otimização para Motores Generativos (GEO) no site asdlc.io, um site estático Astro 5.x que documenta padrões de SDLC agentivo. A auditoria avalia como o conteúdo, a marcação de esquemas e a infraestrutura técnica do site suportam a descoberta, citação e recomendação por sistemas de IA como ChatGPT, Claude, Perplexity e Gemini. A auditoria é dividida em fases: uma verificação de realidade do site ao vivo (Phase 0) para validar o que os crawlers de IA realmente veem, uma análise profunda do código-fonte (Phase 1) para avaliar qualidade do conteúdo, infraestrutura técnica e esquemas, e uma análise paralela (Phase 2) que calcula pontuações em cinco áreas principais: Citabilidade por IA (30%), E-E-A-T (25%), Infraestrutura Técnica (15%), Esquemas e Dados Estruturados (15%) e Otimização de Base de Conhecimento/MCP (15%). A skill gera um relatório detalhado (Phase 3) com uma Pontuação GEO composta (0-100) e um plano de ação priorizado, seguindo um modelo de relatório padrão. Ela é projetada para a plataforma Claude Code e usa ferramentas como WebFetch para buscar páginas e comandos de leitura de arquivos para análise do código-fonte.

Funciona com✓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→Navegar por todas as habilidades

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentação

Auditoria GEO — Auditoria de Otimização para Motores Generativos

Propósito

Realizar uma auditoria abrangente de Otimização para Motores Generativos (GEO) do código-fonte do asdlc.io. GEO é a prática de otimizar conteúdo web para que sistemas de IA (ChatGPT, Claude, Perplexity, Gemini, etc.) possam descobrir, entender, citar e recomendá-lo.

ASDLC.io é um site Editor / Base de Conhecimento — um site Astro estático que documenta padrões de SDLC agentivo. A auditoria foca em como o conteúdo, os esquemas e a infraestrutura técnica suportam a citação e recomendação por IA.

Tipo de site: Site Astro 5.x estático implantado no Netlify
Domínio: https://asdlc.io
Modelo de conteúdo: Três coleções (conceitos, padrões, práticas) com exposição de servidor MCP

Limites

  • No escopo: auditoria de citabilidade por IA, infraestrutura GEO técnica, E-E-A-T, esquemas/dados estruturados e otimização MCP; geração de docs/reports/GEO-AUDIT-REPORT.md.
  • Fora do escopo: implementação de mudanças de código ou conteúdo (dev), modificação de especificações (spec), publicação ou push (ship).

Fluxo de Trabalho da Auditoria

Fase 0: Verificação de Realidade do Site ao Vivo

Antes de mergulhar no código-fonte, busque o site ao vivo para validar o que os crawlers de IA realmente veem. Isso captura bugs de tempo de construção em que o código-fonte parece correto, mas a saída renderizada está quebrada.

Etapa 1: Buscar Páginas Chave

Use WebFetch / recuperação HTTP para inspecionar o HTML renderizado de https://asdlc.io para estas páginas:

  1. Página inicial (/)
  2. Um artigo de cada coleção (por exemplo, /concepts/agentic-sdlc, /patterns/ primeiro listado, /practices/ primeiro listado)
  3. /robots.txt
  4. /sitemap-index.xml (ou /sitemap.xml)
  5. /llms.txt

Imponha um tempo limite de 30 segundos por busca. Se o site ao vivo estiver inacessível, registre a falha e continue com a análise apenas do código-fonte.

Etapa 2: Validação da Saída Renderizada

Para cada página buscada, extraia e registre:

  • <title> real e <meta name="description"> — eles correspondem ao que o código-fonte pretende?
  • Blocos JSON-LD — analise cada <script type="application/ld+json"> e valide os tipos e campos de esquema realmente presentes no HTML renderizado.
  • Tags Open Graph — extraia og:title, og:description, og:image, og:url, og:type.
  • URL canônica — o <link rel="canonical"> resolve corretamente?
  • Estrutura de cabeçalhos — há exatamente um <h1>? A hierarquia de cabeçalhos faz sentido?
  • Acessibilidade do conteúdo — o conteúdo principal está em HTML semântico (<article>, <main>, <section>) ou enterrado em divs renderizadas por JS?
  • Cabeçalhos de resposta — anote X-Robots-Tag, Cache-Control e quaisquer cabeçalhos relevantes para IA.

Etapa 3: Diff entre Código-fonte e Renderizado

Sinalize quaisquer discrepâncias entre o que o código-fonte define e o que a saída renderizada contém:

  • Marcação de esquema definida em um componente, mas não renderizada em uma página
  • Meta descrições no frontmatter que não aparecem no <head> renderizado
  • Páginas listadas no sitemap que retornam 404, ou páginas ausentes que deveriam ser listadas
  • Diretivas robots.txt que não correspondem à configuração de cabeçalhos

Registre todas as discrepâncias para inclusão no relatório final em uma seção dedicada "Código-fonte vs. Renderizado".

Fase 1: Análise Profunda do Código-fonte

Analise o código-fonte para tudo que não pode ser visto a partir da saída renderizada — qualidade do conteúdo, densidade de relacionamentos, detalhes internos do MCP, completude do esquema em todas as páginas.

Etapa 1: Inventário de Conteúdo

  1. Use list_articles para obter o manifesto completo de artigos.
  2. Leia src/content/config.ts para entender o esquema e os campos do frontmatter.
  3. Use glob src/content/**/*.{md,mdx} para contar o total de arquivos de conteúdo.
  4. Para cada coleção (conceitos, padrões, práticas), registre:
    • Total de artigos e distribuição de status (Ao Vivo, Experimental, Rascunho)
    • Amostragem de contagem de palavras (leia 3-5 artigos por coleção)
    • Completude do frontmatter (descrição, tags, relatedConcepts, etc.)

Etapa 2: Varredura de Infraestrutura Técnica

  1. Leia public/robots.txt — verifique diretivas de crawlers de IA (GPTBot, ClaudeBot, PerplexityBot, etc.)
  2. Verifique a presença de public/llms.txt ou public/.well-known/llms.txt.
  3. Leia astro.config.mjs — verifique integração de sitemap, URL do site, configuração de saída.
  4. Leia src/layouts/BaseLayout.astro — verifique meta tags, pontos de injeção de dados estruturados.
  5. Leia src/components/SEOMetadata.astro — audite Open Graph, Twitter Cards, URLs canônicas.
  6. Verifique a integração de sitemap na configuração do Astro.
  7. Verifique a configuração do servidor MCP: leia netlify/edge-functions/mcp.ts ou equivalente.

Etapa 3: Varredura de Esquemas e Dados Estruturados

  1. Pesquise por application/ld+json em todos os arquivos .astro — cataloque todos os blocos JSON-LD.
  2. Pesquise por tipos schema.org: Article, TechArticle, WebSite, Organization, BreadcrumbList, FAQPage, HowTo.
  3. Leia quaisquer componentes ou utilitários de geração de esquemas.
  4. Verifique se o esquema está presente nas páginas de artigo, páginas de índice e na página inicial.

Fase 2: Análise Paralela

Analise os dados coletados nas 5 categorias principais e calcule pontuações (0-100) e descobertas:

  1. Análise de Citabilidade por IA (Peso: 30%) — autossuficiência de passagens, densidade de blocos de resposta, clareza de definição, navegabilidade estrutural.
  2. Qualidade de Conteúdo E-E-A-T (Peso: 25%) — qualidade de atribuição, densidade de citações, profundidade do conteúdo, atualidade, sinais de autoridade.
  3. Infraestrutura GEO Técnica (Peso: 15%) — acesso a crawlers, sinais de descoberta, abordagem de renderização, exposição MCP.
  4. Esquemas e Dados Estruturados (Peso: 15%) — cobertura de esquemas, diversidade de tipos, completude de campos, correção de validação.
  5. Otimização de Base de Conhecimento e MCP (Peso: 15%) — completude do MCP, qualidade do manifesto, densidade de relacionamentos, navegabilidade por agentes.

Fase 3: Agregação de Pontuação e Relatório

Calcule a Pontuação GEO Composta:

GEO_Score = (Citabilidade * 0.30) + (EEAT * 0.25) + (Tecnica * 0.15) + (Esquemas * 0.15) + (MCP * 0.15)

Gere docs/reports/GEO-AUDIT-REPORT.md seguindo o modelo de relatório padrão estabelecido.

$ARGUMENTS

Habilidades Relacionadas

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