Otimização para Mecanismos de Resposta (AEO)
Tenha seu conteúdo citado por ChatGPT, Perplexity, Claude, Gemini e Mistral como fonte autoritativa.
AEO é a prática de otimizar conteúdo para citação em respostas geradas por LLMs — distinto de SEO, que otimiza para rankings de busca. Esta skill audita, otimiza e monitora o desempenho de AEO.
Distinto de SEO
| SEO | AEO | |
|---|---|---|
| Otimiza para | Rankings de cliques | Ser citado como fonte autoritativa |
| Público-alvo | Humanos navegando em resultados de busca | LLMs respondendo perguntas |
| Métrica de sucesso | Posição 1-10, tráfego orgânico | Contagem de citações entre LLMs |
| Sinais-chave | Backlinks, palavras-chave, velocidade de página | E-E-A-T, dados estruturados, densidade factual |
| Frequência de atualização | Semanas a meses | Dias a semanas (ciclos de treinamento de LLMs) |
Ambos podem coexistir — o mesmo conteúdo pode ficar em 1º lugar no Google E ser citado pelo Perplexity. Mas as técnicas diferem: SEO recompensa densidade de palavras-chave + backlinks; AEO recompensa sinais de fonte primária + fatos estruturados.
Quando Usar
- Planejando uma nova peça de conteúdo para um público orientado a IA
- Auditando conteúdo existente para lacunas de E-E-A-T antes do rollout de AI Overviews
- Monitorando quais páginas são citadas por qual LLM (registro de citações)
- Pesquisando para quais consultas os LLMs citam fontes (vs. o que respondem a partir do treinamento)
- Comparando taxas de citação com concorrentes
- Construindo uma estratégia de AEO de longo prazo alinhada com SEO tradicional
Quando NÃO Usar
- SEO puro de cliques sem intenção de citação em LLMs — use
marketing-skill/skills/seo-audit - Conteúdo de tom de marca sem afirmações factuais — citações exigem fatos para serem citados
- Conteúdo sobre tópicos onde LLMs já têm forte sinal de treinamento (ex.: matemática básica) — o potencial de citação é mínimo
- Conteúdo sensível ao tempo (notícias de última hora) — a latência de treinamento dos LLMs significa citações meses depois
Capacidades Principais
1. Auditoria de conteúdo + pontuação E-E-A-T
O auditor (aeo_audit.py) pontua conteúdo em 4 dimensões:
- Experiência: Evidência em primeira pessoa, exemplos datados, estudos de caso, afirmações "Executamos X em 2026"
- Expertise: Biografia do autor, credenciais, citações a fontes revisadas por pares, profundidade técnica
- Autoridade: Backlinks externos de domínios de autoridade, marcação schema.org, dados estruturados
- Confiabilidade: HTTPS, informações de contato, correções transparentes, densidade factual (número de alegações verificáveis por 1000 palavras)
Pontuação composta 0-100 com detalhamento por dimensão. Saída: relatório markdown com recomendações de correção específicas.
2. Otimização de conteúdo
O otimizador (aeo_optimizer.py) gera variantes melhoradas para AEO:
- Reescrita estrutural — Hierarquia H2/H3 otimizada para análise por LLMs
- Aumento de densidade de citações — Adiciona referências no estilo
[1]com fontes - Injeção de esquema — Gera JSON-LD para esquemas FAQ, HowTo, Article
- Abertura focada em fatos — Move alegações verificáveis para as primeiras 200 palavras
Três modos: conservador (toca <10% das palavras), equilibrado (toca <30%), agressivo (reescreve para máximo AEO).
3. Monitoramento de citações
O rastreador (citation_tracker.py) mantém um registro local de citações:
- Entrada manual: cole uma citação encontrada na saída do ChatGPT/Perplexity/Claude/Gemini
- Monitore qual URL, qual LLM, qual consulta, em qual data
- Calcule contagem de citações por página, velocidade de citação, cobertura de LLMs
- Exporte para CSV para relatórios
Armazena em ~/.aeo-data/citations.json (local, sem telemetria).
Fluxo de Trabalho
1. Auditar conteúdo existente
$ python3 scripts/aeo_audit.py --url https://exemplo.com/blog/post
→ relatório markdown com pontuação composta + detalhamento em 4 dimensões
2. Aplicar recomendações de otimização
$ python3 scripts/aeo_optimizer.py --input post.md --mode balanced --output post-aeo.md
→ variante otimizada com citações + esquema + correções estruturais
3. Publicar + monitorar
$ python3 scripts/citation_tracker.py --action add --url https://exemplo.com/blog/post \
--llm perplexity --query "o que é AEO" --date 2026-05-17
→ adiciona entrada ao registro local citations.json
4. Relatar
$ python3 scripts/citation_tracker.py --action report --url https://exemplo.com/blog/post
→ estatísticas de citação por página: contagem, LLMs, consultas, velocidade
Configuração
A skill reconhece o setor através da flag --industry por execução. Setores suportados: saas, healthcare, finance, legal, ecommerce, b2b, media, education.
O setor afeta:
- Requisitos de sinal de autoridade — saúde/finanças exigem citações de fontes mais rigorosas
- Rigor de verificação de fatos — direito/saúde marcam alegações não verificáveis como críticas
- Estilo de citação — convenções acadêmicas vs. de revistas comerciais vs. de blogs
Exemplo:
python3 scripts/aeo_audit.py --url <url> --industry healthcare
# → limites E-E-A-T mais rigorosos; marca qualquer alegação de saúde sem citação primária
Formato de Saída
Relatório de auditoria em markdown (padrão)
# Relatório de Auditoria AEO — [Título da Página]
**URL:** https://exemplo.com/blog/post
**Data:** 2026-05-17
**Setor:** saas
**Pontuação Composta:** 72/100 (B+)
## Detalhamento por Dimensão
| Dimensão | Pontuação | Veredito |
|---|---|---|
| Experiência | 80/100 | Forte — estudo de caso em primeira pessoa presente |
| Expertise | 65/100 | Biografia do autor sem credenciais |
| Autoridade | 75/100 | 4 backlinks de domínios de autoridade |
| Confiabilidade | 68/100 | Nenhuma política de correções vinculada |
## 3 Principais Correções
1. Adicionar biografia do autor com credenciais (Expertise +15)
2. Vincular política de correções no rodapé (Confiabilidade +12)
3. Injetar esquema FAQ para as 5 perguntas implícitas nos H2s (Autoridade +8)
## Todas as Recomendações
[...]
## Trilha de Auditoria
[contagem de 3 passos de análise, fontes citadas, tempo gasto]
JSON para pipelines
python3 scripts/aeo_audit.py --url <url> --output json
Retorna dados estruturados completos para integração com fluxos de trabalho de gerenciamento de conteúdo.
Limites Específicos de E-E-A-T por Setor
| Setor | Mínimo Composto | Sinais Críticos |
|---|---|---|
| Saúde | 85 | Revisor médico creditado, citações revisadas por pares, divulgação da FDA |
| Finanças | 85 | Credenciais CFA/CPA do autor, aviso "não é aconselhamento de investimento", exemplos datados |
| Direito | 85 | Jurisdição divulgada, biografia do advogado, aviso "não é aconselhamento jurídico" |
| SaaS | 70 | Biografia do gerente de produto, estudo de caso com métricas, calculadora de ROI |
| E-commerce | 65 | Avaliações de produtos agregadas, política de devolução, schema.org Produto |
| B2B | 70 | Citações de analistas do setor, logotipos de clientes, dados de ROI |
| Mídia | 70 | Política editorial, link de verificação de fatos, reportagem original |
| Educação | 75 | Biografia do instrutor, resultados de aprendizagem, acreditação se aplicável |
Antipadrões Rejeitados
- Excesso de palavras-chave para IA — LLMs já extraem tópico da semântica; densidade de palavras-chave não aumenta probabilidade de citação
- Conteúdo puro gerado por IA sem revisão humana — saída genérica de LLM é despriorizada por algoritmos de recuperação RAG que buscam sinais distintivos
- Fazendas de citação / esquemas de links — RAG moderno de LLMs penaliza redes de links com baixa autoridade
- Spam de esquema — alegações falsas ou não verificáveis em schema.org são filtradas; marque apenas alegações reais e verificáveis
- Otimizar para um LLM em detrimento de outros — as distribuições de citação são altamente correlacionadas entre LLMs principais porque compartilham fontes de dados de treinamento; otimize para os sinais compartilhados (E-E-A-T), não para truques por LLM
- Ignorar SEO completamente — as citações AEO geralmente se originam de fontes que já têm boa classificação orgânica; AEO e SEO são complementares, não substitutos
Dependências
- Apenas stdlib para todos os 3 scripts — nenhum
pip installnecessário - Opcional:
requests+beautifulsoup4se o modo--urlfor usado (caso contrário, passe markdown via--inputpara auditorias baseadas em arquivo) - Opcional: qualquer chave de API de LLM para o modo
query_research(atualmente apenas esboço — pesquisa completa orientada por LLM está no roadmap)
Armazenamento
Todos os dados são locais:
~/.aeo-data/citations.json— registro de citações~/.aeo-data/patterns.json— biblioteca de padrões de sucesso~/.aeo-data/audits/<hash>.md— relatórios de auditoria salvos
Sem telemetria. Sem sincronização em nuvem. Exporte para CSV a qualquer momento via citation_tracker.py --action export.
Frases de Gatilho
- "auditoria AEO", "verificação AEO"
- "otimizar para ChatGPT / Perplexity / Claude / Gemini"
- "ser citado por [LLM]"
- "estratégia de citação em LLM"
- "otimização para mecanismos de resposta"
- "conteúdo para busca por IA"
- "auditoria E-E-A-T"
- "monitorar citações de IA"
- "esquema para IA"
Skills Relacionadas
marketing-skill/skills/seo-audit— SEO tradicional de cliquesmarketing-skill/skills/programmatic-seo— SEO em escala baseado em templatesmarketing-skill/skills/content-strategy— planejamento de conteúdo mais amplomarketing-skill/skills/copywriting— voz e tommarketing-skill/skills/schema-markup— implementação de dados estruturados
Versão: 2.7.3
Fonte: Portado de alirezarezvani/aeo-box (skill answer-engine-optimization/, 2.464 LOC em 9 módulos). Este port destila o kit de ferramentas Python de 9 módulos em 3 ferramentas CLI stdlib de acordo com a convenção claude-skills; preserva a metodologia de pontuação E-E-A-T, o esquema de monitoramento de citações e os limites específicos por setor literalmente.
Licença: MIT (compatível com upstream + este repositório).