SEO Standup

SEO — это не магия про ключевые слова. Это проектирование продукта
под уже существующий спрос.

Агентский скилл + 15-минутный стендап об одном и том же пайплайне:

Спрос → Кластеры → Сеть страниц → Лучший ответ → Цикл улучшения
  ↑                                                      │
  └──────────────── Search Console ←─────────────────────┘

Работает без единого платного API — Wordstat, поисковые подсказки,
сама выдача и Search Console закрывают каждый этап. Платные источники
(Topvisor, XMLRiver, Semrush) подключаются опционально, если у вас уже
есть свои ключи.

Что внутри

Файл	Что это
`SKILL.md`	Скилл для AI-агента: 5 этапов пайплайна с критериями «done when», шаблоном отчёта и чек-листом
`talk/seo-bez-magii.md`	Сценарий стендапа «SEO без магии» на ~15 минут: рынок → сеть → замкнутый цикл

Установка скилла

Claude Code:

mkdir -p ~/.claude/skills/seo-standup
curl -fsSL https://raw.githubusercontent.com/rocketmandrey/seo-standup/main/SKILL.md \
  -o ~/.claude/skills/seo-standup/SKILL.md

Hermes Agent:

mkdir -p ~/.hermes/skills/research/seo-standup
curl -fsSL https://raw.githubusercontent.com/rocketmandrey/seo-standup/main/SKILL.md \
  -o ~/.hermes/skills/research/seo-standup/SKILL.md

Дальше просто попросите агента: «проверь спрос вокруг X и спроектируй
структуру сайта» — скилл подхватится сам.

Пайплайн в пяти строках

Собрать спрос — реальные запросы людей, с датой, регионом и match type.
Кластеризовать — LLM раскладывает тысячи запросов по интентам.
Спроектировать сеть — каждой странице свой кластер; без дыр и каннибализации.
Контент по ТЗ из выдачи — не «напиши SEO-статью», а лучший ответ, чем у топа.
Замкнуть цикл — Search Console показывает реальные запросы → правим → повторяем.

Лицензия

MIT

Быстрый прогон с XMLRiver (`tools/standup.py`)

Если есть ключ XMLRiver — один скрипт делает весь стендап: спрос → кластеры по интентам → живая выдача Яндекса → REPORT.md. Только stdlib Python, ничего ставить не надо. ~25 ₽ за 1000 запросов: прогон на 3 seed + 15 SERP ≈ 0,5 ₽.

cp .env.example .env            # впиши XMLRIVER_USER и XMLRIVER_KEY
python3 tools/standup.py --balance
python3 tools/standup.py "зерносушилка" "сушилка для зерна" --serp 15
python3 tools/standup.py "лепнина" --regions 213 --lr 213   # Москва

Результат в runs/<seed>-<дата>/: REPORT.md (интенты, кластеры → страницы, кто в выдаче), semantic-map.csv, serp-top10.csv, associations.csv, raw/.

Прожарка сайта (`--site`)

python3 tools/standup.py "аэрогриль" "аэрогриль купить" "какой аэрогриль выбрать" --serp 20 --site example.ru

Плюсом к семантике: скан sitemap (до --max-urls 300, параллельно, бесплатно) → url-inventory.csv (статус, title, H1, canonical, robots, тип страницы, проблемы), сопоставление кластеров с существующими URL (есть посадочная или дыра; если sitemap больше лимита, дыры дополнительно сверяются по слагам всех URL → статус «Проверить»), позиция сайта в снятой выдаче. REPORT.md идёт по схеме «Что снято → Вердикт → Структурные дыры → Денежные кластеры → Выдача → Технический аудит → P0/P1 → Ограничения», рядом SITE-ARCHITECTURE.md, content-plan.csv, competitor-domains.csv, serp-features.csv (AI-блок Яндекса). Выдача снимается по главной фразе каждого кластера по очереди купить → сравнить → инфо. Проверка эвристик: python3 tools/test_standup.py.

Агенту достаточно сказать: «прогони standup по запросам X, Y и сделай выводы» — он запустит скрипт и дочитает REPORT.md/CSV.