AI SEO In Detail

AI SEO In Detail › Modul A · Grundlagen › Folge 6

Folge 6 · 5:49 · kostenlos

Richte deinen SEO-Analyse-Workspace mit Python und SQLite ein

Baue einen reproduzierbaren SEO-Analyse-Workspace: Ordnerstruktur, Python-Virtualenv, eine SQLite-Datenbank, gecachte API-Antworten, Secrets und Claude Code.

Beim Abspielen wird das Video von YouTube geladen (erweiterter Datenschutzmodus). Das Video ist auf Englisch, mit Untertiteln in deiner Sprache.

Kostenlose Vorlage

SEO-Workspace-Vorlage mit Kosten-Gate

Die Ordnerstruktur aus Episode 6, fertig zum Entpacken: Skripte, ein Cache pro Quelle, eine SQLite-Datenbank mit einer api_log-Tabelle, datierte Reports, eine CLAUDE.md mit Cache-first- und Kosten-Gate-Regeln und paid_call(), ein Python-Helfer, der sich weigert, ohne Bestätigungs-Flag Geld auszugeben.

  • Entpacken und Python einrichten — Erstelle im Ordner eine virtuelle Umgebung, installiere die drei Pakete aus requirements.txt, lege die Datenbank mit init_db.py an und starte den Offline-Selbsttest des Gates.
  • Keys draußen, Regeln drinnen — Speichere deinen API-Key mit set_key.sh in einer privaten Datei in deinem Home-Ordner – nie im Projekt und nie in einem Chat. Die CLAUDE.md sagt dem Assistenten, wo der Cache liegt, dass Keys nie gelesen werden und dass ohne dein GO kein kostenpflichtiger Aufruf stattfindet.
  • Gate davor, Log danach — Kostenpflichtige Skripte zeigen an, was sie aufrufen werden, wie viele Requests und die geschätzten Kosten, und halten dann an. Nach deinem GO speichert paid_call() die Rohantwort im Cache, bevor sie geparst wird, und schreibt die Kosten in api_log.
Workspace-Vorlage herunterladen (zip)

Python 3.9+ · SQLite · Standardbibliothek für das Gate · keine Keys enthalten · ohne Anmeldung

Die Dateien sind auf Englisch.

Vollständiges Transkript (übersetzt)

928 Wörter · Übersetzung des gesprochenen Textes der Episode.

Intro

Nach drei Monaten sieht der Projektordner so aus. Exporte mit Nummern in Klammern. Eine Tabelle namens final final. Und keine Ahnung, woher das Diagramm im letzten Bericht kam.

Analyse ist nur so gut wie der Ort, an dem sie lebt. Wenn du sie nicht wiederholen kannst, kannst du ihr nicht trauen.

In dieser Folge richten wir einen sauberen Workspace ein: Ordnerstruktur, Python, eine SQLite-Datenbank, ein Cache für jede API-Antwort, Secrets außerhalb des Projekts, und Claude Code als Assistent, der die Scripts schreibt und ausführt, hinter einem Cost Gate.

Die Ordnerstruktur

So sieht mein Layout aus. Fünf Dinge auf oberster Ebene.

Scripts: jeder Pull und jede Analyse ist ein Script, kein Klick. Wenn ich es zweimal gemacht habe, wird es ein Script.

Cache: die rohen Antworten jeder API, unberührt, pro Quelle ein Unterordner. Das ist der wertvollste Ordner im Projekt. Bezahlte Daten leben hier einmal und werden nie versehentlich neu geladen.

Data: eine SQLite-Datenbank mit den sauberen Tabellen aus Folge fünf.

Reports: die Outputs. Datierte Dateien, geschrieben von Scripts, sodass jede Zahl zurück zu einem Script und einer Cache-Datei führt.

Und eine kurze Instruktionsdatei oben für Claude Code, dazu gleich mehr.

Die Regel hinter dem Layout ist ein Fluss in eine Richtung. Cache speist die Datenbank, die Datenbank speist Reports. Nichts wird mittendrin von Hand bearbeitet.

Python und eine virtuelle Umgebung

Python ist der Kleber. Du brauchst nicht viel: eine HTTP-Bibliothek für die APIs, Googles Client-Bibliothek für Search Console und Analytics, und pandas, wenn du Tabellen magst. SQLite-Support ist bereits eingebaut.

Erstelle ein Virtual Environment innerhalb des Projekts, sodass die Pakete zu diesem Projekt gehören, nicht zur ganzen Maschine. Und schreibe die Pakete in eine Requirements-Datei. Wenn du in sechs Monaten zurückkommst oder den Rechner wechselst, bringt dich ein Befehl zurück zu exakt demselben Setup.

Das SQLite-Schema

Warum SQLite? Es ist eine Datei. Kein Server, kein Passwort, nichts zum Laufen halten. Es verarbeitet Millionen Zeilen auf einem Laptop. Und du kannst die ganze Datenbank so einfach kopieren wie eine Tabelle.

Die Tabellen sind die aus der letzten Folge: eine Raw-Tabelle pro Quelle, mit Primary Key auf Datum und Dimensionen, sodass Wiederholungen überschreiben statt verdoppeln.

Ich füge eine Tabelle hinzu, die die meisten vergessen: ein API-Log. Jeder bezahlte Call schreibt eine Zeile. Wann, welcher Endpoint, wie viele Tasks, und was es laut Response gekostet hat. Am Monatsende kannst du die Frage beantworten: Was hat diese Analyse gekostet, mit einer Query.

Secrets bleiben draußen

Keys und Passwörter gehören nie ins Projekt. Nicht in ein Script, nicht in eine Config-Datei, nicht in die Instruktionsdatei für den Assistenten.

Sie leben in kleinen Dateien im Home-Ordner, nur für deinen User lesbar, und Scripts lesen sie als Environment Variables. Das Projekt kann dann sicher synchronisiert, geteilt oder versioniert werden.

Das ist noch wichtiger mit einem KI-Assistenten. Alles, was du in einen Chat einfügst, landet in einem Log. Also tippst du niemals einen Key in den Chat. Wenn ein Key gesetzt werden muss, führst du selbst einen kleinen Befehl aus, der ihn liest, ohne ihn zu zeigen.

Claude Code als Assistent des Analysten

Claude Code ist ein KI-Assistent, der in deinem Terminal läuft, im Projekt. Er kann deine Dateien lesen, Scripts schreiben und ausführen, und er fragt, bevor er etwas tut.

Für SEO-Analyse ändert das die Geschwindigkeit der Arbeit. Ich beschreibe die Frage auf Englisch, und er schreibt das Pull-Script, das SQL oder das Diagramm. Ich prüfe es, er führt es aus, und der Output landet in Reports.

Der Schlüssel ist die Instruktionsdatei im Projekt-Root. Claude Code liest sie zu Beginn jeder Session. Dort leben deine Regeln. Wo der Cache ist. Dass jedes Script den Cache prüfen muss, bevor es eine API aufruft. Dass Keys niemals gelesen oder gedruckt werden. Und die wichtigste Regel überhaupt, die einen eigenen Abschnitt bekommt.

Das Kosten-Gate

Das Cost Gate. Kostenlose Calls wie Search Console und Analytics laufen frei. Bezahlte Calls nicht. Vor jedem bezahlten Call muss der Assistent zeigen, was er aufruft, wie viele Requests und die geschätzten Kosten. Dann stoppt er und wartet auf mein explizites Go.

Ein Beispiel mit erfundenen Zahlen: zweihundert Keywords bei Tiefe zehn, etwa drei Zehntel Cent pro Stück. Das sind rund sechzig Cent. Klein. Aber das Gate geht nicht um einen Run. Es geht um eine Schleife, die wiederholt, oder ein Script, das über zehntausend Keywords läuft statt über hundert. Ohne Gate findest du es auf der Rechnung heraus.

Ich baue das Gate in zwei Schichten. Die Regel in der Instruktionsdatei, sodass der Assistent fragt. Und eine Prüfung im Code selbst, eine Funktion, die einen bezahlten Call ohne Bestätigungsflag verweigert. Die Regel behandelt Absicht. Der Code behandelt Fehler.

Und nach dem Call gehen die Kosten ins API-Log. Gate vorher, Log nachher.

Ein Tag im Workspace

So passt es in der Praxis zusammen.

Ich starte mit einer Frage in einem Satz. Welche Seiten haben in den letzten vier Wochen Klicks verloren? Ich gebe das an Claude Code. Er liest die Instruktionsdatei, findet die Tabellen und schreibt ein Script.

Ich lese das Script, bevor es läuft. Das ist der menschliche Review-Schritt, und ich überspringe ihn nie. Nicht weil der Code meist falsch ist, sondern weil ich genau wissen will, was die Zahl im Report bedeutet.

Er führt es aus. Freie Daten fließen aus Cache und Datenbank. Wenn ein bezahlter Call nötig ist, stoppt ihn das Gate und fragt. Das Ergebnis landet in Reports als datierte Datei mit dem Script daneben. Nächsten Monat führe ich dasselbe Script wieder aus, ehrlicher Vergleich.

Fazit

Ein Ordner, eine Datenbank, ein Cache für alles, Secrets außen, und ein Gate vor jedem bezahlten Call. Das Workspace-Template mit der Instruktionsdatei ist in der Beschreibung. Nächste Folge: wir setzen diesen Workspace in Betrieb, und lassen Claude Code deine erste Analyse mit DataForSEO in etwa zehn Minuten laufen. Bis dann.