seo-indexability

SEO 可索引性（M2）

如果页面无法被正确抓取、索引或规范化，那么其他所有信号都将毫无用处——这是搜索评分的基础。Schema 侧的上下文：references/schema-tier1.md。AI 机器人访问权限和摘要资格由 M14（seo-ai-crawlers）负责；本模块负责经典搜索侧，包括搜索轴上的伪装检查。

输入

根据调度信封中指定的 PageSnapshot 开展工作：从 <run_dir>/pages/<slug>.json 读取 parsed（canonicals[]、robots_meta[]），以及 status_chain、headers、robots_directives.effective 和 <run_dir>/crawl.json 中的抓取图，以检查孤立页面、深度、重复内容簇和内部链接状态；<run_dir>/profile.json 包含 environment.kind（production|preview|staging|local）；如果本次运行包含用户代理差异，<run_dir>/ua-diff.json 会保存各用户代理的响应字段。使用 grep 搜索 pages/<slug>.html，查找原文证据；站点产物位于 <run_dir>/site/{robots.json,sitemaps.json,discovery.json}。audit.mjs 已生成的确定性发现列在 <run_dir>/findings.deterministic.json 中——不要重复输出这些 ID；仅添加由模型判断的发现。如果直接使用 URL/路径调用且没有快照，先运行 node "${CLAUDE_PLUGIN_ROOT}/scripts/snapshot.mjs" <target> --out "${CLAUDE_PLUGIN_DATA}/runs"，并使用打印出的快照路径。

审计

结合 PageSnapshot（当 render.used 不为 none 时使用 parsed_rendered，否则使用 parsed）、headers、status_chain 和 robots_directives 进行检查：

1. Canonical：必须恰好有一个 <link rel="canonical">；必须是绝对 HTTPS URL；判断它是自引用、跨域，还是链式（canonical 指向的 URL 本身又 canonical 到其他位置）。如果 canonical 最终解析到重定向或 4xx 状态码，则标记出来。
2. Canonical + noindex——正确解读。 noindex 与自引用 canonical 同时出现，并非致命组合：这是逻辑一致且通常有意设置的排除方式（例如感谢页面、筛选视图、暂存环境）。将其报告为 M2.robots.noindex_present，并在更改前征求确认。只有当 canonical 指向其他位置时，这一组合才是致命的：页面一边告诉 Google“改为索引另一个 URL”，一边又说“不要索引我”，这种矛盾可能会将 noindex 传递到 canonical 目标；这属于 M2.canonical.noindex_conflict。
3. Robots 指令：检查 <meta name="robots"> 和 X-Robots-Tag 标头中的 noindex/nofollow/none；协调标头与 meta 的指令（以限制最严格者为准；标头指令也适用于非 HTML 响应）。记录作用范围——由模板或边缘规则发出的指令属于 template/site，写入单个文档的指令属于 page。
4. 重复内容簇：检查不同 URL 是否存在标题/H1/正文近乎相同且没有统一 canonical 的情况。
5. 分页：检查分页系列的信号（每一页都应使用自引用 canonical；不要将第 2 页及之后的页面 canonical 到第 1 页，否则深层条目会从索引中移除）。
6. 站点健康状况（涵盖 M3）：检查重定向链（超过 1 跳）和循环、返回 4xx/5xx 的内部链接、软 404（空页面或“未找到”页面返回 200 状态码）、混合内容（HTTPS 页面加载 HTTP 子资源）、HTTP 到 HTTPS 强制跳转、孤立页面（抓取范围内没有内部入链），以及从首页到页面的点击深度。
7. 用户代理内容差异（伪装，搜索轴）：根据 ua-diff.json，比较源站对默认浏览器 UA 和 googlebot 提供的内容——状态码、标题、H1、字数、canonical、robots 指令、JSON-LD。实质性差异是搜索轴上的伪装信号（M2.cloaking.ua_content_divergence）。同一差异中 AI 机器人一侧的情况（受到质询的 GPTBot、被拒绝的伪造 Googlebot）属于 M14。
8. 环境：读取 profile.json.environment.kind。在 preview/staging/local 环境中，设置 noindex 或全面封锁 robots 是预期配置，并非缺陷——记录 M2.hosting.preview_environment_audited，以便报告注明审计的主机。

修复

• 自动修复（fixable: auto）：缺少时，注入单个自引用绝对 HTTPS <link rel="canonical">。对于 fix，此操作是确定性的、仅添加内容，并且差异可验证。
• 建议修复（fixable: proposed）：移除用户已确认为意外设置的 noindex；合并重复内容簇（应由哪个 URL 胜出属于编辑决策）；修改指向失效页面的内部链接，或将其移除。
• 建议处理（fixable: advisory）：重定向链/循环、状态码、HTTP 到 HTTPS 强制跳转、混合内容来源，以及任何导致 UA 差异的边缘规则——这些设置位于服务器/CDN 配置中，因此工具只会报告具体更改建议，不会写入任何内容。
• 绝不臆测哪个 URL“应该”胜出、某个页面是否有意设置为 noindex，或 UA 条件响应背后的意图——应询问用户，或留下明确标注的 TODO 占位符。

验证

• dom_assert：解析 DOM，检查 canonical/robots 是否存在及其值。
• header_check：读取 X-Robots-Tag 并跟踪重定向链（每一跳的状态码和 Location，并检测循环）。
• link_graph：从 <run_dir>/crawl.json 检查内部链接状态、孤立页面和点击深度。
• ua_diff：node "${CLAUDE_PLUGIN_ROOT}/scripts/ua-diff.mjs" --url <final_url> --ua default,googlebot — 并排显示两种响应。
• 如果所需数据层不可用（无法实时抓取、没有用于检查孤立页面和深度的爬取图谱、没有 UA 差异），状态为 needs_api，绝不可误报为 pass。

发现项

发现项遵循 schema/finding.schema.json；轴为 search。每项都包含引用页面/标头原文的 evidence.observed，以及可运行的 verification.reproduce。严重性策略：5 仅用于站点/模板级别上灾难性、会导致失去资格的事实；4 重大 · 3 中等 · 2 轻微 · 1 外观问题 · 0 信息性 — 只有处于启用类别中的 established 严重性为 5 的 fail 才能限制评分（references/scoring-model.md）。

• M2.canonical.missing — 可编入索引的页面没有 <link rel="canonical">（warn；存在重复页面时为 fail；严重性 4，fixable: auto，established）。
• M2.canonical.noindex_conflict — 某 URL 的 canonical 指向不同 URL，但该 URL 带有 noindex（fail，严重性 4，fixable: proposed，established）。
• M2.robots.noindex_present — 带有自引用 canonical（或没有 canonical）的页面设置了 noindex：这是合理的排除设置，报告但不判定为问题（warn，严重性 3，fixable: proposed，established）。
• M2.robots.unintended_noindex — 用户确认该 URL 应编入索引后，仍存在相同指令（fail；站点/模板级别严重性为 5，单个页面为 4；fixable: proposed，established）。
• M2.redirect.chain — 内部链接在返回 200 之前经过多于一跳的重定向（warn，严重性 4，fixable: advisory，established）。
• M2.redirect.loop — 重定向链无法解析；该 URL 无法访问（模板或全站规则导致时严重性为 5，单个 URL 为 4；fail，fixable: advisory，established）。
• M2.links.broken_internal — 返回 4xx/5xx 的内部链接，并注明来源页面和锚文本（warn，严重性 3，fixable: proposed，established）。
• M2.mixed_content — HTTPS 页面包含 HTTP 子资源；浏览器会阻止主动混合内容（warn，严重性 3，fixable: proposed，established）。
• M2.https.not_enforced — HTTP URL 未重定向到 HTTPS（fail，严重性 4，fixable: advisory，established）。
• M2.cloaking.ua_content_divergence — 源站向 googlebot 提供的内容与向默认浏览器 UA 提供的内容存在实质差异（warn，严重性 4，fixable: advisory，置信度为 directional）。
• M2.hosting.preview_environment_audited — 经审计的主机属于预览/暂存/本地环境（warn，严重性 1，fixable: advisory，established）。

依平台启用的 id。 仅当 profile.json 指定平台（shopify、wordpress）时，此模块也会发出 6 个 id。这些 id 列于 references/routing.md § 依平台启用的发现项 id，并在 references/platforms/<id>.md §10 中说明。

诚实性

• 规范链接是一个提示，而非指令——Google 可能会选择不同的规范链接；应将其报告为强整合信号，而非保证。
• 自身规范链接 + noindex 并非错误。 将每个 noindex 页面都报告为致命矛盾，是一种广为人知的误报；此模块仅在规范链接指向其他位置时，才会将两者组合判定为致命问题，而且绝不会在未获用户确认的情况下移除 noindex。
• 伪装是一种推断，而非测量结果。 我们会发送 Googlebot 用户代理字符串，但我们并未通过验证，不能确认自己就是 Googlebot。地理位置／A-B 路由、个性化、同意提示墙和机器人防护规则都可能造成差异，而这并不意味着有人有意欺骗。将其称为伪装之前，请通过反向 DNS、服务器日志或 Search Console 的 URL 检查进行确认——此发现属于方向性判断。
• 对于预览／暂存／本地主机，noindex 和 robots 屏蔽都是正确的配置。若评分器使用 --environment preview|staging|local 参数，则会将这些严重性为 5 的上限移入 suppressed_caps[]，而不会将搜索分数限制为 F；请说明审计的是哪种环境，而不要报告并不存在的紧急问题。
• Google 已不再使用 rel=next/prev 进行分页；不要建议将其作为排名策略添加——应让每个页面保留指向自身的规范链接。
• 点击深度和孤立状态与抓取优先级相关，但并非有文档说明的排名因素——应标记为方向性判断，绝不能将其视为已确认的分数上限。孤立证据必须说明生成该证据的抓取边界。