GEO Schema 结构化数据审计技能
检测、验证并生成面向 AI 搜索可发现性优化的 Schema.org 结构化数据，输出 JSON-LD 与评分报告。
该技能主要执行只读分析（Read/Grep/Glob/WebFetch）并写入一份 Markdown 报告，无破坏性默认行为；安装使用独立 venv，依赖有版本上限约束；README 明确披露数据存储位置与卸载行为。扣分点：SKILL.md 本身未声明确认门槛与回滚方式，Bash 执行外部脚本、Write 输出文件均无用户确认环节，URL 有效性校验会对目标站发起请求但未说明频控/隐私边界；发布者身份未经核实（按规则不额外扣分也不加分）。
关键路径依赖 fetch_page.py（SSR 检测、JSON-LD 解析），仓库提供了针对 fetch_page SSR 误报修复（Issue #19）的单元测试，属正面证据。扣分点：静态评审未执行，无法确认结构化数据解析路径；测试仅覆盖 SSR 启发式，未覆盖 schema 检测/校验主路径；SKILL.md 对网络失败、无 schema、无效 JSON 等异常输入的处理说明薄弱；静态上限 10。
场景清晰（结构化数据审计与 JSON-LD 生成），触发词明确（/geo schema <url>），输出格式（GEO-SCHEMA-REPORT.md）有明确定义，内容对 AI 平台与 Google 的差异说明具体。扣分点：未声明非适用范围（如 JS 重度渲染站、反爬站点）、未覆盖中文站点/中文搜索平台场景，核心功能依赖抓取海外服务（Google 校验器等），对中国大陆网络可达性未作说明。
SKILL.md 有 name/version/tags/allowed-tools 头部，仓库含 MIT LICENSE、模板文件（schema/*.）、卸载脚本，文档分层清晰、含打分细则与输出模板。扣分点：无 changelog，作者字段为泛化的 'geo-seo-claude' 而非可追溯维护者，hidden assumption 是必须先安装共享脚本 fetch_page.py 才能运行 Step 1，SKILL.md 未充分说明该依赖的安装路径前提。
生成 JSON-LD 与审计报告的核心流程描述完整，打分细则和输出模板可直接使用，相对人工操作有边际价值。扣分点：静态评审无法验证输出正确性；'sameAs 是最重要 GEO 信号' 等量化收益主张（如引用概率提升）缺乏来源；README 中大量营销性数据与 Skool 社区导流削弱中立性；上限 7。
存在真实 CI workflow 与针对 fetch_page 的具体测试套件（含正反例 fixture），是可审计的一手材料。扣分点：测试不覆盖本技能的 schema 检测、校验与生成路径；技能内无已验证的代表性输出样本；关键效果主张无第三方佐证；静态上限 5。
- SKILL.md 未声明用户确认与回滚机制；Bash 执行脚本和 Write 写文件均在无确认下进行，建议使用者知悉。
- 运行前提是共享脚本 ~/.claude/skills/geo/scripts/fetch_page.py 已安装；单独安装本技能文件无法工作。
- 校验依赖 schema.org 文档与 Google 校验工具，在中国大陆网络可能不可达；技能未声明该限制，也无中文站点场景说明。
- sameAs 与引用率相关的收益主张未提供来源，使用时应视为作者观点而非验证结论。
- 技能级路径（schema 检测/校验/生成）无测试覆盖，输出报告需人工复核。
这个 Skill 能做什么，适合哪些场景？
这是 geo-seo-claude 仓库（含 16 个技能的合集）中的一个子技能，位于 skills/geo-schema/SKILL.md，版本 1.0.0，MIT 许可。它专注于结构化数据这一单一任务：抓取目标网页，检测 JSON-LD、Microdata 和 RDFa，按 Schema.org 规范验证，再根据业务类型生成可直接粘贴的 JSON-LD 代码，最终输出 GEO-SCHEMA-REPORT.md 及 0–100 分评分。它的核心理念是 GEO（生成式引擎优化）：结构化数据不只是为了 Google 富结果，而是帮助 AI 模型识别并信任你的实体，其中 sameAs 属性被视为实体识别最关键的信号。适合已在使用 Claude Code 且需要系统化 schema 审计的站长、SEO 顾问和代理机构。
用 fetch_page.py 抓取页面 HTML（因为 WebFetch 会剥离 head 中的 JSON-LD）；解析所有 JSON-LD 块并扫描 Microdata（itemscope/itemtype/itemprop）与 RDFa（typeof/property/vocab）；逐项验证 JSON 合法性、@type 有效性、必填与推荐属性、sameAs 链接、URL 可达性、嵌套结构以及是否为 JS 注入（引用 Google 2025 年 12 月关于 JS 注入结构化数据处理延迟的指引）；按业务类型检查 Organization、LocalBusiness、Article+Author、Product、FAQPage、SoftwareApplication、WebSite+SearchAction、Person、speakable 等 schema；标记已弃用/变更的 schema（如 HowTo、SpecialAnnouncement）；审计 sameAs 链接（Wikipedia、Wikidata、LinkedIn 等 14 类平台）；生成含 @graph、@id、绝对 URL 和 speakable 的 JSON-LD 模板；按 12 项标准打分（0–100）并输出 GEO-SCHEMA-REPORT.md 报告。
- SEO 顾问为客户网站做结构化数据审计，需要一份带评分和修复代码的可交付报告
- SaaS 公司检查其官网是否具备帮助 AI 平台识别实体的 Organization 和 SoftwareApplication schema
- 本地商家验证 LocalBusiness schema 是否包含地址、营业时间、GeoCoordinates 和 sameAs 链接
- 内容站点/出版方为文章补全作者（Person）schema 以强化 E-E-A-T 信号
- 电商团队检测 Product schema 缺失项并生成含 offers、aggregateRating 的 JSON-LD
- 网站从 Microdata/RDFa 迁移到 JSON-LD 时，需要一份迁移优先级清单
这个 Skill 有哪些优点和局限？
- 方法论完整：覆盖检测、验证、生成、评分、报告全流程，且每次运行产出标准化的 GEO-SCHEMA-REPORT.md
- GEO 视角独特：明确区分传统富结果优化与 AI 可发现性，重视 sameAs 实体图谱、knowsAbout 和 speakable 等常被忽略的属性
- 自带 12 项标准、总分 100 的评分细则，便于跨站点对比和客户汇报
- 紧跟时效性信息：标注了 HowTo/FAQPage 弃用状态和 Google 2025 年 12 月 JS 注入指引
- MIT 许可，免费，且依赖隔离安装在专用 venv 中
- 强依赖合集内的 fetch_page.py 脚本和特定安装路径，单独取走 SKILL.md 无法开箱即用
- 文档未提供测试套件或实际审计结果的验证证据，评分权重（如 sameAs 占 15 分）为作者自定标准而非行业标准
- WebFetch 局限、验证逻辑等均在 markdown 指令层面描述，实际效果取决于模型执行质量
- 仓库 Topics 为空，除 README 外缺少独立文档或案例
- 只做 schema，不可替代完整 GEO 审计——那需要合集内的其他技能
如何安装这个 Skill？
本技能是 geo-seo-claude 合集的一部分，不能单独安装。安装整个合集：macOS/Linux 运行 curl -fsSL https://raw.githubusercontent.com/zubair-trabzada/geo-seo-claude/main/install.sh | bash；Windows 在 Git Bash 中运行 curl -fsSL https://raw.githubusercontent.com/zubair-trabzada/geo-seo-claude/main/install-win.sh | bash；或手动 git clone https://github.com/zubair-trabzada/geo-seo-claude.git && cd geo-seo-claude && ./install.sh。依赖：Python 3.8+（Debian/Ubuntu 需 python3-venv）、Claude Code CLI、Git；可选 uv 和 Playwright。Python 依赖装入隔离虚拟环境 ~/.claude/skills/geo/.venv/。
如何使用这个 Skill？
安装合集后，在 Claude Code 中运行 /geo schema <url> 触发结构化数据分析与生成。技能流程为：抓取页面 → 检测现有 schema → 验证 → 识别缺失 schema → 生成 JSON-LD → 输出 GEO-SCHEMA-REPORT.md。注意技能内部依赖 ~/.claude/skills/geo/scripts/fetch_page.py 抓取页面，因此合集必须安装在默认路径。
这个 Skill 与同类方案有什么区别？
来源材料未列出具体竞品，但将其定位为传统 SEO schema 工具（面向 Google 富结果）的 GEO 替代方案：同类传统工具关注富结果展示，本技能关注 AI 平台的实体识别与引用概率，并覆盖 speakable、sameAs 等传统工具较少检查的属性。