# Geo Mql Auditor > Usar cuando el usuario pida auditar, medir, comparar o mejorar la visibilidad de un sitio en motores de respuesta con IA (ChatGPT, Perplexity, Gemini, Google AI Overviews o AI Mode, Claude, Copilot), hable de GEO, AEO, share of answers, citaciones por IA, llms.txt, robots.txt para bots de IA, datos estructurados para IA, o quiera conectar esa visibilidad con MQLs, scoring de leads, tracking de tráfico referido por IA o campos del CRM. - Skill: `nabolom/geo-mql-auditor` (Agent Skill, multi-file: 47 files) - Install (CLI): `npx skillmds@latest add nabolom/geo-mql-auditor` - Raw SKILL.md: https://api.skillmd.com/api/skills/nabolom/geo-mql-auditor/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: nabolom (https://skillmd.com/u/nabolom) - Updated: 2026-09-22 - Page: https://skillmd.com/skills/nabolom/geo-mql-auditor --- # geo-mql-auditor Audita y mide la visibilidad en motores de respuesta con IA y la conecta con generación de MQLs. Todo en español. Nunca aplica cambios en producción: solo genera propuestas en `salidas/`. ## Principios que no se negocian - Cada hallazgo lleva dos etiquetas: evidencia de la observación (`Confirmado` lo vio un colector, `Probable` coinciden dos colectores, `Hipótesis` juicio del modelo que requiere revisión humana) y fuerza de la regla con su tipo de evidencia (`A · requisito oficial`, `B · experimental`, `B · correlacional`, `C · consenso`). - Nunca presentes un impacto proyectado numérico ("+18 puntos", "+40% de citas"). Prioriza por impacto esperado, esfuerzo, dependencia y horizonte (30 días, 90 días, largo plazo). - No inventes cifras, citas ni nombres. En una reescritura, donde falte un dato escribe `[DATO REQUERIDO: qué falta]`. - Bloquear bots de entrenamiento (GPTBot, ClaudeBot, Google-Extended, Applebot-Extended, Meta-ExternalAgent) es decisión de política del usuario, no un error de visibilidad. Solo los bots de búsqueda (OAI-SearchBot, Claude-SearchBot, PerplexityBot, Googlebot, bingbot, Applebot, Meta-WebIndexer) y los fetchers por usuario afectan la aparición en respuestas. - Las cifras del paper de Princeton (KDD 2024) se citan con su alcance real: motor simulado con GPT-3.5 en 2023, hasta 40% en Position-Adjusted Word Count, y el 115.1% solo para Cite Sources en sitios en posición 5. C-SEO Bench 2025 no replica esos efectos. Ver `referencias/princeton-kdd-2024.md`. - FAQPage no es palanca (Google retiró el rich result el 7 de mayo de 2026); llms.txt es prioridad baja (Google no lo usa y ningún proveedor confirma consumirlo). Los datos estructurados son higiene, no palanca. - El puntaje de cumplimiento nunca va en el titular; mide verificaciones superadas, no visibilidad. - La visibilidad medida por API es un proxy; cada corrida lleva `modo` (manual o api) y los modos no se mezclan. ## Flujo 1. Valida el contexto: `python3 .claude/skills/geo-mql-auditor/scripts/contexto.py validar [--modulo mql]` (el CRM solo es crítico para mql). Si faltan campos críticos, pregunta al usuario lo que imprime `contexto.py faltantes` antes de recomendar. Si el usuario decide seguir sin ellos, cada supuesto queda escrito en el reporte. 2. Elige el módulo según la petición: `audit` (una URL o sitemap, hasta 100 URLs), `visibilidad` (panel de prompts; ver sección propia), `mql` (journey, CTA, formularios, tracking, scoring, CRM), `compare` (contra competidores del contexto), `fix` (propuestas), `monitor` (regresiones). Cada CLI vive en `scripts/` y explica sus opciones con `--help`. 3. Corre el CLI. Para audit: ```bash .venv/bin/python .claude/skills/geo-mql-auditor/scripts/audit.py correr --url https://dominio.com/pagina .venv/bin/python .claude/skills/geo-mql-auditor/scripts/audit.py correr --sitemap https://dominio.com/sitemap.xml --max-urls 100 ``` Opciones útiles: `--render` (Playwright, si está instalado), `--resolver-sameas`, `--tipo` para forzar el tipo de página, `--urls` para una lista explícita. El CLI escribe el reporte base en `salidas/AAAA-MM-DD__audit.md` y `.json`, y un archivo por vector en `salidas/tmp//{tecnico,extractabilidad,schema,entidad}.json` con resumen agregado (reglas × tipos de página y ejemplos), pensado para los subagentes. 4. Lanza los cuatro subagentes de audit en paralelo, en un solo mensaje con cuatro llamadas a Agent: `geo-tecnico`, `geo-extractabilidad`, `geo-schema`, `geo-entidad`. A cada uno pásale solo la ruta de su archivo de vector: dentro van las reglas completas de su categoría con fuentes y extractos de referencia, el resultado por URL, la guía de etiquetas y (en extractabilidad) las muestras de texto. No les pases el reporte ni otras rutas. Devuelven un JSON con `hallazgos`, `ajustes` y `notas`. Guarda cada salida en `salidas/tmp//subagente_.json`. 5. Fusiona y regenera el reporte: ```bash .venv/bin/python .claude/skills/geo-mql-auditor/scripts/audit.py fusionar --reporte salidas/.json --hallazgos salidas/tmp//subagente_*.json ``` Si `fusionar` rechaza una salida (por ejemplo, contiene impacto proyectado numérico), corrige la salida, no el validador. 6. Entrega al usuario: la ruta del reporte, el titular (métricas de visibilidad si existen; si no, los tres hallazgos prioritarios), los supuestos y el roadmap. No pegues el reporte completo en el chat salvo que lo pidan. ## Módulo visibilidad El CLI es `scripts/visibilidad.py`; los datos viven en `datos/visibilidad/` (`prompts.csv`, `config.json`, `historial.csv`, `resumen.csv`, `calibracion.csv`, `raw/`). Reglas que no se negocian: cada corrida lleva `modo` (`manual` | `api`) y los modos nunca se mezclan en una serie; `config.json` deriva `user_location` e idioma de `contexto/negocio.md`; `search_context_size` es `medium` y las repeticiones son 3 por defecto; AI Overviews solo por captura manual; la precisión de la descripción de marca es Hipótesis hasta revisión humana. 1. Panel: `visibilidad.py prompts` crea `datos/visibilidad/prompts.csv` con las preguntas de descubrimiento, consideración y decisión del contexto (`origen=contexto`). **Muéstrale el panel al usuario antes de medir** y deja que agregue o quite preguntas. Cualquier fila que añadas por tu cuenta lleva `origen=ejemplo`; el reporte advierte si se midió con ellas. `visibilidad.py importar-gsc --csv export.csv [--aplicar]` propone consultas reales de Search Console con `origen=gsc`. 2. Config: `visibilidad.py config` escribe `config.json` (modelos por motor, `search_context_size`, repeticiones, `user_location`, idioma). Nunca la edites a mano para cambiar la ubicación: corrige el contexto y regenera con `--forzar`. 3. Captura manual: `visibilidad.py captura --corrida [--motores chatgpt,perplexity,gemini,claude,aio] [--repeticiones 3]` genera `captura__.md` (instrucciones y un bloque por prompt × motor × repetición) y `respuestas__.csv`, donde el usuario pega `respuesta` y `urls_citadas` (separadas por `|`). Si la captura llega en otro formato, `visibilidad.py importar-captura --csv ` (CSV con motor, prompt_id, pregunta, respuesta, urls_citadas, notas) o `visibilidad.py importar-txt --archivo --motor aio` (bloques `### ` con PREGUNTA, RESPUESTA, URLS y NOTAS) la normalizan y validan contra el panel sin sustituir preguntas. AI Overviews requiere captura humana: una captura automatizada devuelve SIN_AIO donde una persona sí ve el resumen (nota de método en V-04), y sus fuentes son enlaces google.com/goto opacos que no cuentan como cita ni como ausencia de cita. 4. Modo API: `visibilidad.py correr --corrida [--solo-costo]` usa las llaves de `.env` (`OPENAI_API_KEY`, `ANTHROPIC_API_KEY`, `PERPLEXITY_API_KEY`, `GEMINI_API_KEY`), imprime el costo estimado antes de consultar y guarda el crudo en `raw/`. Sin llaves no consulta nada. La serie API es un proxy: no se compara con la manual salvo en `calibrar`. 5. Análisis y métricas: `visibilidad.py analizar --respuestas ` anexa al historial; `visibilidad.py metricas --corrida ` escribe `resumen.csv`, el reporte `salidas/AAAA-MM-DD__visibilidad.md` y el vector `salidas/tmp//visibilidad.json`. El titular son las métricas; cada una va con la variabilidad entre repeticiones y el delta contra la corrida anterior del mismo modo. 6. Subagente: lanza `geo-visibilidad` con la ruta de `visibilidad.json` como único argumento. Guarda su JSON en `salidas/tmp//subagente_visibilidad.json` y aplícalo con `visibilidad.py fusionar --corrida --salida `. Sus clasificaciones de precisión quedan como Hipótesis en el historial y en el reporte. 7. Calibración: cuando existan una corrida manual y una API con los mismos prompts, `visibilidad.py calibrar --manual --api ` escribe `calibracion.csv` y el veredicto (confiable, parcial, no confiable) por motor. Los módulos mql, compare, fix y monitor siguen el mismo patrón: CLI determinista, subagente de juicio (`geo-mql`) cuando aplica, reporte en `salidas/`. ## Dónde está cada cosa - Reglas con fuente, fuerza, tipo de evidencia y fecha de verificación: `reglas/rulebook.yaml`. Cita el id de la regla en cada hallazgo. - Bots de IA verificados por categoría: `referencias/bots-ia.md` y `bots-ia.json`. - Etiquetas y priorización: `referencias/etiquetas-confianza.md`. - Bitácora de fuentes verificadas y qué NO dicen: `referencias/fuentes-verificadas.md`. - Tipos de página y señales: `referencias/tipos-de-pagina.md`. - Plantillas de JSON-LD, reporte y captura: `plantillas/`. - Contexto de negocio: `contexto/negocio.md`. Datos: `datos/`. Salidas: `salidas/`. ## Errores que debes evitar | Tentación | Qué hacer en su lugar | |---|---| | Recomendar Article en la home o FAQPage en todas las páginas | Aplica solo las reglas del tipo de página detectado; el rulebook lista `tipos_pagina` | | Contar cualquier número como estadística | Usa el colector `estadisticas`, que excluye teléfonos, fechas, años sueltos y menús | | Decir "bloquear GPTBot te quita visibilidad" | Solo los bots de búsqueda y los fetchers por usuario afectan las respuestas; pide la decisión de política | | Escribir "esto subirá el puntaje 18 puntos" | Impacto esperado alto/medio/bajo, esfuerzo y horizonte | | Rellenar una reescritura con cifras plausibles | `[DATO REQUERIDO: ...]` y que el verificador de `fix contenido` lo confirme | | Presentar un juicio del modelo como observación | Etiquétalo `Hipótesis` y pide revisión humana | | Elegir una URL o un sitio por tu cuenta | Usa solo la URL que dé el usuario o las fixturas de `tests/fixturas/` |