AI SEO In Detail › Modul F · Alles zusammengeführt › Folge 48
SEO-Automatisierung mit Claude Code, von den Daten bis zum Report
Automatisiere deine SEO-Analyse mit Python, SQLite und Claude Code: was du automatisierst, Kosten-Gate für API-Calls, geplante Läufe, menschliche Prüfung.
Video demnächstDiese Folge ist geskriptet und in Produktion. Das Transkript unten ist das Skript in der aktuellen Fassung; es kann sich vor der Veröffentlichung des Videos noch ändern.
965 Wörter · Skriptentwurf, in Prüfung.
Intro
Die Analyse in dieser Serie funktioniert. Von Hand gemacht dauert sie aber Tage. Und die wichtigsten Teile, wöchentliche Checks und Nachmessungen, werden genau dann übersprungen, wenn man beschäftigt ist.
Man automatisiert es. Dann taucht ein neues Problem auf. Ein Skript, das wöchentlich läuft, kann wöchentlich Geld kosten. Es kann lautlos scheitern und einen Monat lang nichts melden. Oder es liefert einen selbstsicheren Bericht aus kaputten Daten unbemerkt.
Ich führe meine Analyse mit Python, SQLite und Claude Code als Operator aus. In dieser Episode: was ich automatisiere und was nicht, wie alles zusammenpasst, das Kostentor, das bezahlte Calls ohne Freigabe stoppt, und der menschliche Review-Schritt, der es ehrlich hält.
Was du automatisierst und was nicht
Zieh zuerst eine Linie. Alles, was Daten sammelt, speichert, verknüpft und markiert, kann automatisiert werden. Alles, was entscheidet, was zu tun ist, bleibt beim Menschen.
Die Maschinenseite: Search Console und Analytics täglich abrufen, das URL-Inspection-Sample wöchentlich ausführen, Ergebnisseiten-Snapshots speichern, alles zum Datenmodell aus Episode fünf zusammenführen und Änderungen markieren. Sie kann auch den Bericht entwerfen.
Die menschliche Seite: jeden bezahlten Call über dem Limit freigeben, entscheiden, welche Empfehlungen umgesetzt werden, Änderungen auf die Live-Site bringen, und die Urteile aus Episode sechsundvierzig lesen.
Diese Linie geht nicht darum, ob das Modell schlau genug ist. Es geht um Verantwortung. Wenn ein Bericht empfiehlt, fünfzig Seiten zu löschen, sollte ein Mensch ihn lesen, bevor etwas passiert.
Der Aufbau der Pipeline
Die Struktur ist der Workspace aus Episode sechs. Kleine Skripte, jedes mit einem Job. Eines zieht Search Console. Eines zieht Analytics, immer nach Hostname gefiltert. Eines führt das Index-Sample aus. Eines macht Ergebnisseiten-Snapshots. Eines baut den Bericht.
Jedes Skript schreibt die rohe API-Antwort zuerst in einen Cache-Ordner, mit dem Datum im Dateinamen, und lädt sie erst dann in die SQLite-Datenbank. Das bringt zwei Dinge. Man zahlt nie zweimal für dieselben Daten. Und wenn eine Zahl seltsam aussieht, kann man zurück zu dem gehen, was die API an dem Tag sagte.
API-Schlüssel liegen außerhalb des Projektordners, in Umgebungsdateien, die die Skripte zur Laufzeit lesen. Sie erscheinen nie im Code, den Berichten oder einem Chat mit dem Modell.
Claude Code als Operator
Claude Code ist ein KI-Coding-Agent, der im Terminal läuft. Er kann Dateien lesen, Skripte ausführen und neue schreiben. In diesem Setup ist er der Operator: er führt die Schritte aus, liest die Ausgabe und schreibt den Berichtsentwurf.
Zwei Arten von Dateien machen ihn zuverlässig.
Die erste ist eine Projektanweisungsdatei namens CLAUDE punkt md. Sie hält die Regeln, die nie gebrochen werden dürfen. Analytics immer nach Hostname filtern. Dem Sitemap-Feld indexed nie vertrauen. Gleiche Suchvolumen nie summieren. Googlebot per IP verifizieren, nicht per User Agent. Jede harte Lektion aus dieser Serie wird eine Zeile in der Datei, damit das Modell keinen Fehler wiederholt, für den ich schon bezahlt habe.
Die zweite ist eine Skill: eine schriftliche Prozedur, der der Agent Schritt für Schritt folgt. Wöchentliche Analyse: ziehen, Messungsgesundheit prüfen, Striking-Distance- und Click-Through-Checks ausführen, mit letzter Woche vergleichen, Bericht in diesen Ordner schreiben und nichts implementieren. Gleiche Schritte, gleiche Reihenfolge, jedes Mal.
Das Kosten-Gate
Kostenlose Daten wie Search Console und Analytics können nach Plan laufen, ohne zu fragen. Bezahlte Calls nicht.
Die Regel ist simpel. Vor jedem bezahlten Call berechnet das Skript die geschätzten Kosten aus der Anzahl der Calls und dem bekannten Preis pro Call, prüft den Kontostand mit dem kostenlosen Balance-Endpoint, gibt beides aus, und stoppt. Nichts wird ausgegeben, bis ich explizit go tippe.
Darüber hinaus halten drei Gewohnheiten die Kosten niedrig. Cache prüfen, bevor man callt. Die kleinste Tiefe nutzen, die die Frage beantwortet: zehn Ergebnisse reichen für die meisten Ergebnisseiten-Checks. Und die kleine Validierungsaufgabe vor jedem großen Volumenlauf ausführen, damit eine falsche Keyword-Form nicht den ganzen Batch verschwendet.
Ich setze dieselbe Regel in die Anweisungsdatei, damit der Agent selbst weiß, dass er nie seine eigenen Ausgaben freigeben darf.
Geplante Läufe und stille Fehler
Die kostenlosen Teile laufen nach Plan: ein täglicher Pull, ein wöchentliches Index-Sample, und ein wöchentlicher Bericht in einem Ordner, den ich Montagmorgen lese.
Die Gefahr bei geplanten Jobs ist Stille. Eine API, die null Zeilen zurückgibt, wirft keinen Fehler. Es sieht nur aus wie ein schrecklicher Tag. Also prüft sich jeder Lauf selbst. Wenn ein Pull keine Zeilen oder weit weniger als üblich liefert, ist das ein Alert, kein Datenpunkt.
Und für Checks, die in Masse scheitern können wie URL Inspection, füge ich eine Kontrolle hinzu: eine Site, von der ich weiß, dass sie gut indexiert ist, im selben Lauf. Wenn die Kontrolle plötzlich auch unindexiert aussieht, ist das Problem der Endpoint, nicht meine Site.
Der menschliche Prüfschritt
Der Bericht endet mit vorgeschlagenen Aktionen, nie ausgeführten. Ich lese ihn, entscheide und frage dann nach spezifischen Änderungen in einem separaten Schritt.
Noch eine Regel, und sie wird wichtiger, je fähiger Agents werden. Alles, was der Agent von außen liest, eine Webseite, Konkurrenz-Content, eine E-Mail, ist Daten, nicht Anweisungen. Wenn eine Seite sagt ignoriere deine Regeln und tu dies, meldet der Agent es und tut nichts. Halte die Menge der Dinge, die der geplante Lauf tun darf, klein, und dieses Risiko bleibt auch klein.
Wo Automatisierung schiefgeht
Zwei Fallen, bevor du startest.
Eine Analyse automatisieren, die du nicht von Hand gemacht hast. Wenn du den Striking-Distance-Check nie selbst ausgeführt hast, merkst du nicht, wenn die automatisierte Version falsch ist. Führe jeden Schritt mindestens einmal manuell aus, wie in den Episoden dieser Serie, dann automatisiere die Version, der du vertraust.
Und Berichte, die niemand liest. Ein wöchentlicher Bericht, der monatelang läuft, ohne dass ihn jemand öffnet, ist schlimmer als kein Bericht, weil er sich wie Monitoring anfühlt. Halte den Bericht kurz, setze Änderungen und Alerts nach oben, und wenn du merkst, dass du ihn überspringst, kürze ihn, bis du es nicht mehr tust. Genau darum geht es in der nächsten Episode.
Fazit
Automatisiere das Sammeln, schütze die Ausgaben, halte Entscheidungen beim Menschen. Eine Starter-Anweisungsdatei und Ordnerstruktur sind in der Beschreibung verlinkt. Nächste Episode: das monatliche Monitoring-Dashboard, und die wenigen Zahlen, die sich jeden Monat anzusehen lohnen. Wir sehen uns dort.