Как собрать E-E-A-T-чекер с помощью ИИ-ассистента для кода

Как собрать E-E-A-T-чекер с помощью ИИ-ассистента для кода

E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness — опыт, экспертность, авторитетность, доверие) — это рамка Google для оценки качества и достоверности контента. В отличие от скорости загрузки и Core Web Vitals, рекомендации Google по E-E-A-T не отдаются через простые API-эндпоинты. Это скорее методология, широкий подход, который нужно уметь применять.

И именно здесь ИИ силён: он отлично обрабатывает большие объёмы неструктурированной информации и умеет накладывать подобные рамки. Поэтому E-E-A-T-чекер — хороший и наглядный пример того, как ИИ может дать реальную пользу в SEO-задачах. Разберём, как собрать такой инструмент, используя ИИ-ассистента для кода.

Два пути использования ИИ

ИИ-агенты и ассистенты для кода — Claude Code, Cursor, OpenClaw — набирают популярность. В производстве обычно используют два разных подхода:

1. Строить ИИ-инструмент внутри платформы (например, Claude Code через Claude Desktop), чтобы пользоваться им в нескольких сессиях.

2. Использовать эти технологии, чтобы собрать самостоятельный инструмент, работающий вне ИИ-среды. Код всё равно создаётся с помощью ИИ, но разворачивается независимо — например, на Netlify или Vercel.

В этой статье сосредоточимся на первом пути — он доступнее маркетологам. Конкретно соберём E-E-A-T-чекер Google с помощью Claude Code в Claude Desktop. Те же приёмы легко переносятся на другие ИИ-инструменты и платформы.

Почему именно E-E-A-T?

E-E-A-T — это рамка Google для оценки качества, достоверности и доверия к контенту. Разберёмся, что именно она оценивает.

Google не даёт простого API для проверки E-E-A-T. Вместо этого он даёт методологию, которую нужно применять вручную. ИИ отлично справляется с обработкой больших объёмов неструктурированной информации и применением таких рамок. Поэтому E-E-A-T-чекер — удачный пример: при правильной реализации это область, где ИИ даёт действительно полезный результат.

Стек проекта

• Инструмент строится и запускается в основном в Claude Desktop с помощью Claude Code. Можно скачать Claude Desktop и войти с бесплатным аккаунтом. Однако для Claude Code нужна подписка Pro, Max, Team или Enterprise — либо отдельные кредиты Claude Code API.
• Если вы используете другой ИИ-редактор или десктоп-платформу — не страшно. Общий процесс похож и легко переносится на другие инструменты.
• Понадобится аккаунт GitHub, чтобы сохранить резервную копию проекта.
• Проект генерирует аудиторский документ Microsoft Word, поэтому рекомендуется Microsoft Office. Если его нет, можно адаптировать подход под HTML/CSS/JavaScript-приложение или использовать альтернативы вроде LibreOffice или OpenOffice.

Начало работы

• Убедитесь, что у вас есть план Claude, поддерживающий Claude Code (Pro, Max, Team или Enterprise), либо аккаунт Anthropic API с включённым биллингом.
• Скачайте и установите Claude Desktop.
• Если используете другой десктоп-агент или ИИ-редактор — запустите его и будьте готовы следовать инструкции.

Когда всё настроено, создаём новую сессию Claude Code в Claude Desktop с названием «E-E-A-T Cheкer Demo» и даём Claude инструкции.

Первые инструкции для Claude Code

Обычно, если дать Claude список URL для проверки, он использует встроенный Web Fetch. Такой подход могут блокировать некоторые сайты, поэтому мы проинструктировали Claude запустить headless Python-браузер.

Python уже был установлен, поэтому Claude легко подключился к существующему окружению и создал headless-браузер для задачи. При необходимости Claude Code может доустановить недостающие библиотеки и модули Python, потому что умеет работать с командной строкой и PowerShell.

Для headless-браузера Claude выбрал движок Chromium — это стандартный выбор. Google Chrome построен на Chromium, что делает его надёжным и широко используемым. Многие разработчики используют движок Chromium с библиотеками автоматизации на Python, например Selenium. Здесь та же технология применяется для получения контента сайта и ресурсов с целью анализа.

Когда Claude обработал исходные материалы и создал первоначальный каркас, он сообщил, что:

• Обработал исходные материалы в выбранные структуры данных, создав первую версию своей базы знаний по E-E-A-T.
• Извлечение всего контента и знаний завершено успешно.
• Синтезирован рубрикатор (scoring rubric) для оценки.
• Разработана стратегия, как не допускать дословного копирования защищённых авторским правом материалов в GitHub-репозиторий.
• Локальный репозиторий проекта создан успешно.

Эти материалы не обязательно скрейпить из интернета. Можно самостоятельно изучить исходный контент и передать Claude собственные наставления и справочные материалы.

Углубляем и тестируем сборку

С рамкой на месте пора провести быстрый тест. Однако подключение Claude к одной странице не даст осмысленной E-E-A-T-оценки всего сайта.

Вместо этого стоит выбрать репрезентативные типы страниц. Хотя можно проанализировать полный обход сайта, обычно это не обязательно. Для демонстрации достаточно спросить Google, какие типы страниц наиболее полезны для E-E-A-T-оценки. В этом случае проверяем:

• Главную страницу Search Engine Land.
• Страницу команды/сотрудников.
• Страницу автора Дэнни Гудвина.
• Страницу «О нас».
• Страницу последних записей.
• Недавний пост Барри Шварца.
• Страницу собственного автора.
• Страницу руководств (guides).
• Недавнее руководство.
• Страницу вебинаров.
• Страницу отчётов.
• Страницу событий SMX.
• Контактную страницу.
• Страницу политики конфиденциальности.
• Страницу условий использования.

Этого достаточно для демонстрации. На этом этапе Claude получает указание, какие страницы проверять, и рекомендации по нужному формату вывода, который мы соберём дальше.

Показательно, что Claude подтвердил: он захватит и исходный HTML-код, и отрендеренный контент страницы. Поскольку Claude управляет headless-браузером, он может выполнить и отрендерить код перед анализом.

Первый аудит

Через некоторое время Claude завершил первоначальный прогон и сгенерировал аудиторский документ. В целом первый аудит получился качественным. При необходимости его можно отшлифовать дальше.

Улучшение и доработка

Далее последовал подробный развёрнутый промпт для Claude. Модель справилась с ним уверенно. В этом проходе мы попросили Claude улучшить форматирование и читабельность документа перед повторным просмотром результата.

В результате получился отполированный документ, который хорошо читается. При желании можно продолжить доработку, добавив больше данных и исходных материалов или приняв более критичный подход к аудиту и его структуре. Готовый PDF можно скачать и изучить.

Резервная копия и завершение

Для демонстрации цель достигнута, поэтому пора завершить работу и сделать резервную копию проекта. Claude возвращается с обновлением по процессу резервного копирования и подготовке репозитория: добавляем токен в файл .env, чтобы Claude мог создать GitHub-репозиторий, затем вручную создаём репозиторий, чтобы Claude мог отправить и управлять проектом.

Этого шага можно было избежать, подключив Claude к GitHub через OAuth. Тогда Claude смог бы сам создавать, настраивать конфигурацию и управлять настройками и разрешениями репозиториев. Вместо этого используется fine-grained персональный токен доступа — его проще настроить, но он требует нескольких дополнительных ручных шагов.

После этого Claude успешно создал удалённый репозиторий и отправил проект с локальной машины. Публичный GitHub-репозиторий для этой демонстрации можно найти по ссылке в статье. Если подключить собственный экземпляр Claude Code к репозиторию, можно клонировать его и сразу начать пользоваться проектом. Важно: он спроектирован как агентский (agentic) проект. Если открыть его в традиционной IDE, например Visual Studio, он не будет работать так, как задумано. Понадобится ИИ-среда для кода: Claude Code, Cursor или OpenClaw.

Выводы

За одну сессию мы собрали инструмент, который читает документацию Google по E-E-A-T, хранит её в локальной памяти, обходит выбранный набор страниц и формирует аудит с оценками в виде отформатированного Word-документа.

Традиционные навыки разработки не потребовались. Самые техничные шаги — вставить токен в конфигурационный файл и нажать «Создать репозиторий».

Несколько ключевых выводов:

• E-E-A-T был выбран осознанно. Он оценивает неструктурированные рекомендации, а не API, поэтому хорошо подходит для ИИ-агента. Тот же подход можно применить к брендовым гайдлайнам, редакционным стандартам, проверкам доступности и другим подобным рамкам.
• Понимайте ограничения инструмента. E-E-A-T не является прямым фактором ранжирования, и никакой чекер не может гарантировать рост позиций. Вместо этого он измеряет, насколько сайт соответствует рекомендациям, которые Google использует для оценки качества контента. Это всё равно ценный ориентир.
• Относитесь к первому результату как к сильному черновику. Проверьте его, внесите правки и отправьте изменения обратно в проект. Поскольку инструмент хранит знания в локальной памяти, каждое уточнение улучшает будущие аудиты.
• Делайте резервную копию проекта. Когда файлы памяти, промпты и скрипты отправлены на GitHub, вся база знаний инструмента сохранена. Если машина выйдет из строя, восстановить проект так же просто, как клонировать репозиторий.
• Попробуйте на собственном сайте. Клонируйте репозиторий, направьте на свой сайт и изучите результаты.

Как применить это в своей работе

Описанный подход — не только про E-E-A-T. Любую экспертную рамку проверки, которую вы сейчас проходите вручную, можно переложить на ИИ-ассистента, собрав собственный чекер. Это ускоряет аудит и делает его воспроизводимым.

Если вам нужна помощь с автоматизацией SEO-аудитов, технической оптимизацией сайта или настройкой внутренней SEO-работы — мы в Adviko занимаемся этим ежедневно. Оставьте заявку: +375 (29) 619-05-79, +375 (29) 840-04-94.

По материалам Search Engine Land.