Front-End-Checklist 的 ai-content Skill：审计与优化 AI 生成内容的 SEO 实战指南

本篇指南基于 Front-End-Checklist 仓库中的 ai-content Skill 及其配套参考文档 rule.md 展开，讲解这条 SEO 规则"审计并优化 AI 生成内容"的完整操作流程：如何用 Check / Fix / Explain / Code Review 四段式提示词审查 AI 生成的页面内容，如何通过署名与事实核查元数据传递人类参与信号，以及如何用渲染后 HTML 与 HTTP 响应验证最终输出。读完本文，你能够将该 Skill 直接应用到站点内容审计中，并理解它在仓库中的生成链路。

规则定位：为什么专门审计 AI 生成内容

ai-content 属于仓库 SEO 规则集 中的一条内容质量规则，其描述为：检测并审查那些"看起来主要是 AI 生成"的内容，确保其质量达标。frontmatter 标注的元信息为：

• 分类（category）：seo
• 优先级（priority）：medium
• 难度（difficulty）：intermediate
• 预计耗时（estimatedTime）：10 分钟

该规则的出发点在 SKILL.md 开篇即已说明：搜索引擎优先收录"有用、可靠、以人为本"的内容，而未经编辑的 AI 内容往往缺乏高排名所要求的深度与准确性。即便 AI 工具可以辅助写作流程，最终产出仍须满足搜索引擎核心规范，并达到高质量内容标准所期望的信息深度，真正帮助读者解决问题。

SKILL.md 的五段式结构

SKILL.md 由 frontmatter 与四个操作性小节组成，这是仓库中所有 Skill 的统一结构：

1. frontmatter：包含 name（规则 slug，即 ai-content）、description（以 "Use when" 开头，用于 Agent 意图匹配）、以及 metadata 块（category / priority / difficulty / estimatedTime / source / url）。其中 aiContext 给出了关键的执行边界——审计元数据、可爬取性、结构化数据或索引性相关问题时，必须验证渲染后的 HTML 与 HTTP 响应，而不能只看源文件。
2. Quick Reference：三条速查要点，直接对应源规则的 tldr 字段：
   • 审查 AI 生成内容的准确性、独特价值与类人文笔；
   • 确保内容不是对已有排名靠前文章的简单改写；
   • 验证所有事实性陈述，并加入原创研究或独到见解。
3. Check：审查内容是否提供了 AI 模型"默认生成"之外的独特价值。
4. Fix：重写 AI 生成的章节，加入原创研究、个人经验与独特的品牌声音。
5. Explain：解释为什么 AI 生成内容必须有人类把关，才能满足 SEO 质量标准与用户预期。
6. Code Review：审查与该规则相关的元数据生成、渲染 HTML、结构化数据与响应头；准确指出违反规则的根路径或模板，并说明如何验证最终页面输出。

文件末尾统一指向 references/rule.md，承载完整的实现细节与代码示例。

references/rule.md 的核心实操内容

用元数据与署名传递"人类参与"信号

rule.md 指出：没有可以直接"检测 AI"的代码，但你可以通过元数据和署名来传递人类参与和专业性。文档给出的示例如下：

<article>
  <header>
    <h1>Advanced TypeScript Patterns</h1>
    <div class="meta">
      <span>By Jane Smith, Senior Engineer</span>
      <span>Fact-checked on October 20, 2023</span>
    </div>
  </header>

  <p>In this article, we'll explore patterns I've used in production at ScaleTech...</p>
</article>

这个示例的要点：<article> 内使用 <header> 承载 H1 与元信息区；元信息区明确标注作者及职衔（"By Jane Smith, Senior Engineer"）与事实核查时间（"Fact-checked on October 20, 2023"）；正文以第一人称引用生产实践经验（"patterns I've used in production"）。这三处正是原文档强调的"原创价值信号"的具体落地方式。

Why It Matters：四个必须关注的维度

• 质量标准：搜索引擎官方关于"创建有用、可靠、以人为本内容"的指引，明确指向那些不增加原创洞察的低价值自动化内容。
• 准确性：AI 会产生事实性幻觉（hallucination）；对于 YMYL（Your Money or Your Life，涉及健康、财务等高利害）内容，错误建议会造成实际伤害，人工核验必不可少。仓库中对应独立的 ymyl-detection 规则。
• 独特性：避免你的站点沦为"使用相同 AI 提示词的其他站点的翻版"。
• 用户体验：经人工编辑的内容通常更具吸引力、更有细微差别，也更能解决用户的具体问题。

原文档还给出一个决策准则：如果一篇草稿读起来空洞、缺乏支撑、或过于接近模型的默认输出，应在决定是否发布前，将其与"薄内容（thin content）风险"一并审查。

例外情况（Exceptions）

并非所有内容都适用同一套编辑深度标准：

• 必要的工具型或合规型页面（utility / compliance pages）可以有意保持简短，不应以排名导向内容的标准来衡量；
• AI 辅助写作本身不构成失败；应标记的是无支撑的陈述、缺失编辑审查或原创性低的输出；
• 当一个页面同时存在信任信号问题与爬取/索引问题时，先让页面具备可排名资格（eligible to rank），再改进内容质量信号——这是一个明确的修复顺序。

Verification：如何验证修复结果

rule.md 的 Verification 章节分为自动化与人工两类检查：

自动化检查（Automated Checks）

1. 检查渲染后的 HTML 与 HTTP 响应头，确认预期的元数据或可爬取性信号确实存在；
2. 在适用场景下，用 Google Search Console 或同类工具测试受影响的 URL；
3. 部署后重新爬取一组有代表性的页面进行复核。

人工检查（Manual Checks）

• 确认本次变更没有制造出互相冲突的 canonical URL、robots 或结构化数据信号。

这与 SKILL.md 中 aiContext 的约束一脉相承：审计必须以最终渲染产物为准，而不是源文件——因为 AI 内容的质量问题往往只体现在服务端渲染后的 HTML 中。

这条 Skill 是如何生成的：仓库生成链路

从源码结构看，skills/ 目录下的所有 Skill 并非手写，而是由 generate-skills.ts 从规则 MDX 的 frontmatter 生成。该脚本头部注释说明了产物结构：每条规则生成 skills/{category}/{slug}/ 目录，其中 SKILL.md 承载 name、description 与提示词指令，references/rule.md 则是 MDX 正文转换成的纯 Markdown。

与 ai-content 相关的关键实现细节：

• 脚本从 ai-content.mdx 读取 frontmatter，description 字段优先取 aiContext，并强制以 "Use when" 开头（这是 skill-check 对 Agent 意图匹配的要求），长度不足 50 字符时自动补上标题与分类；
• Quick Reference 来自 mdx 的 tldr 字段，Check / Fix / Explain / Code Review 四节来自 prompts 字段——这与 SKILL.md 中逐字一致的四段内容对应；
• stripMdxToMarkdown 函数负责剥离 MDX 语法（import/export、JSX 标签），保留代码块、标题、列表与表格，生成 references/rule.md。

维护流程上，可以用 pnpm generate:skills 重新生成全部规则，或传入特定 MDX 文件路径增量生成（仓库注释表明该用法被 lefthook 钩子使用）。生成后的 Skill 可通过 npx skills add frontendchecklist/skills 安装，或用 --skill {slug} 参数单独安装 ai-content 这一条。

源规则 ai-content.mdx 还声明了权威依据（Google Search Central: Search Essentials 等主权威来源）与四条关联规则：word-count、freshness、citations 与 article-links——它们同属 seo/content 领域，实际审计中常与 ai-content 一起审查。此外，仓库的 SEO Audit 清单 将内容质量（清晰的结构、署名、支撑性引用）列为审计覆盖面的一部分，可在完成单条规则后做整站级复核。

小结

ai-content 这条 Skill 的价值不在于"检测 AI"，而在于建立一套可执行的编辑审查闭环：Quick Reference 给出三条判断基准，Check/Fix/Explain/Code Review 覆盖从内容审查到代码层元数据审查的完整动作，references/rule.md 提供署名与事实核查的 HTML 范式、四类"为什么重要"的论证、明确的例外条款，以及以渲染 HTML 和 HTTP 响应为准的验证清单。将其与仓库中由 generate-skills.ts 维护的生成链路结合，团队可以确保规则更新（修改 mdx frontmatter）后，Agent 使用的 Skill 文档自动保持同步。