villetakanen/asdlc-io

GEO 稽核 — 生成式引擎最佳化稽核

目的

對 asdlc.io 程式碼庫執行全面的生成式引擎最佳化（GEO）稽核。GEO 是一種最佳化網路內容的做法，讓 AI 系統（ChatGPT、Claude、Perplexity、Gemini 等）能夠發現、理解、引用並推薦內容。

ASDLC.io 是一個出版者 / 知識庫網站 — 一個靜態 Astro 網站，記錄了 Agentic SDLC 模式。稽核重點在於內容、結構化標記與技術基礎設施在多大程度上支援 AI 引用與推薦。

網站類型： 部署於 Netlify 的靜態 Astro 5.x 網站
網域： https://asdlc.io
內容模型： 三個集合（concepts、patterns、practices）並具備 MCP 伺服器暴露

範圍

• 涵蓋範圍： 稽核 AI 可引用性、技術 GEO 基礎設施、E-E-A-T、結構化標記/結構化資料及 MCP 最佳化；產生 docs/reports/GEO-AUDIT-REPORT.md。
• 不涵蓋範圍： 實作程式碼或內容變更（dev）、修改規格（spec）、發布或推送（ship）。

---

稽核工作流程

階段 0：即時網站現狀確認

在深入研究原始碼之前，先擷取即時網站以驗證 AI 爬蟲實際看到的內容。這有助於找出建置階段的錯誤，即原始碼看似正確但渲染輸出已損壞的情況。

步驟 1：擷取關鍵頁面

使用 WebFetch / HTTP 檢索來檢查來自 https://asdlc.io 的渲染 HTML，針對這些頁面：

1. 首頁（/）
2. 每個集合中的一篇文章（例如 /concepts/agentic-sdlc、/patterns/ 的第一個列出項目、/practices/ 的第一個列出項目）
3. /robots.txt
4. /sitemap-index.xml（或 /sitemap.xml）
5. /llms.txt

每次擷取強制執行 30 秒的超時限制。如果即時網站無法連線，則記錄失敗並僅以程式碼庫分析繼續。

步驟 2：渲染輸出驗證

對於每個擷取的頁面，提取並記錄：

• 實際的 <title> 和 <meta name="description"> — 它們是否與原始碼的意圖相符？
• JSON-LD 區塊 — 解析每個 <script type="application/ld+json">，並驗證渲染 HTML 中實際存在的結構化標記類型和欄位。
• Open Graph 標籤 — 提取 og:title、og:description、og:image、og:url、og:type。
• 標準 URL — <link rel="canonical"> 是否正確解析？
• 標題結構 — 是否確實只有一個 <h1>？標題層級是否合理？
• 內容可訪問性 — 主要內容是否位於語義 HTML（<article>、<main>、<section>）中，還是深埋在 JS 渲染的 div 中？
• 回應標頭 — 記錄 X-Robots-Tag、Cache-Control 以及任何與 AI 相關的標頭。

步驟 3：原始碼 vs. 渲染差異比對

標記原始碼定義與渲染輸出之間的任何差異：

• 元件中定義的結構化標記但未在頁面上渲染
• Frontmatter 中的描述未出現在渲染的 <head> 中
• Sitemap 中列出的頁面回傳 404，或應該列出但遺漏的頁面
• robots.txt 指令與標頭配置不符

將所有差異記錄下來，以在最終報告的專屬「原始碼 vs. 渲染」章節中呈現。

---

階段 1：程式碼庫深度分析

分析原始碼中所有無法從渲染輸出看到的內容 — 內容品質、關係密度、MCP 內部結構、所有頁面的結構化標記完整性。

步驟 1：內容庫存

1. 使用 list_articles 取得完整的文章清單。
2. 讀取 src/content/config.ts 以了解結構化標記和 frontmatter 欄位。
3. 使用 glob 搜尋 src/content/**/*.{md,mdx} 以計算內容檔案總數。
4. 對於每個集合（concepts、patterns、practices），記錄：
   • 文章總數與狀態分佈（Live、Experimental、Draft）
   • 字數抽樣（每個集合讀取 3-5 篇文章）
   • Frontmatter 完整性（description、tags、relatedConcepts 等）

步驟 2：技術基礎設施掃描

1. 讀取 public/robots.txt — 檢查 AI 爬蟲指令（GPTBot、ClaudeBot、PerplexityBot 等）
2. 檢查是否存在 public/llms.txt 或 public/.well-known/llms.txt。
3. 讀取 astro.config.mjs — 檢查 sitemap 整合、網站 URL、輸出配置。
4. 讀取 src/layouts/BaseLayout.astro — 檢查 meta 標籤、結構化資料注入點。
5. 讀取 src/components/SEOMetadata.astro — 稽核 Open Graph、Twitter Cards、標準 URL。
6. 檢查 astro 配置中的 sitemap 整合。
7. 驗證 MCP 伺服器設定：讀取 netlify/edge-functions/mcp.ts 或同等檔案。

步驟 3：結構化標記與結構化資料掃描

1. 在所有 .astro 檔案中搜尋 application/ld+json — 編錄所有 JSON-LD 區塊。
2. 搜尋 schema.org 類型：Article、TechArticle、WebSite、Organization、BreadcrumbList、FAQPage、HowTo。
3. 讀取任何結構化標記生成元件或工具。
4. 檢查文章頁面、索引頁面和首頁上是否存在結構化標記。

---

階段 2：並行分析

根據 5 個核心類別分析收集到的資料，並計算分數（0-100）以及發現：

1. AI 可引用性分析（權重：30%） — 段落自包含性、答案區塊密度、定義清晰度、結構可導航性。
2. 內容 E-E-A-T 品質（權重：25%） — 歸因品質、引用密度、內容深度、新鮮度、權威性信號。
3. 技術 GEO 基礎設施（權重：15%） — 爬蟲存取、可發現性信號、渲染方法、MCP 暴露。
4. 結構化標記與結構化資料（權重：15%） — 結構化標記覆蓋率、類型多樣性、欄位完整性、驗證正確性。
5. 知識庫與 MCP 最佳化（權重：15%） — MCP 完整性、清單品質、關係密度、代理可導航性。

---

階段 3：分數彙總與報告

計算複合 GEO 分數：

GEO_Score = (Citability * 0.30) + (EEAT * 0.25) + (Technical * 0.15) + (Schema * 0.15) + (MCP * 0.15)

根據既定的標準報告範本產生 docs/reports/GEO-AUDIT-REPORT.md。

$ARGUMENTS