⏳ This skill is pending AI review.
Scores will appear once the review pipeline completes.
ai-seo
Sichtbarkeit, Zitierung und Empfehlung in KI-Antwortsystemen für Deutschland und den DACH-Raum evidenzbasiert prüfen und verbessern. Nutze diesen Skill, wenn eine Marke oder Seite in KI-Overviews, ChatGPT, Perplexity, Gemini oder Copilot auftauchen soll, wenn Crawler-Freigaben für KI-Bots, llms.txt, strukturierte Daten oder die Extrahierbarkeit von Inhalten zu bewerten sind, oder wenn jemand nach AEO, GEO oder LLMO fragt. Trennt Abruf, Zitierung, Erwähnung und Empfehlung, prüft Behauptungen über KI-Rankingfaktoren gegen Primärquellen und verspricht keine Sichtbarkeit. Für klassisches technisches SEO ist seo-audit zuständig.
Choose how to use this skill
You do not need every option. Choose the path your AI client supports. The stable page stays the same; versioned files are immutable.
1. Native installer
This listing has no registered native installer command. Use the complete package or source fallback below, depending on what your client supports.
Do not guess an installer command or replace an existing version without reviewing the diff.
2. Complete package recommended
Download the ZIP when available. It includes SKILL.md plus the references, security notes and version metadata.
No complete ProSkills package is published for this listing yet.3. Prompt-only
Copy the prompt above when the agent can read the stable page or when you want to adopt the workflow without installing a skill.
Need only the instruction file?
Download SKILL.md only if your client requires a single file. The complete ZIP is safer for a full installation because it preserves the references and release context.
No path installs or executes anything by itself. Your agent still needs access to the project files. Before updating, compare the installed version and review the diff.
// RATINGS
// README
LOGIN Claude Skills
Agent Skills zur freien Nutzung. Ein Skill ist eine Markdown-Datei mit Anweisungen, die Claude lädt, sobald sie zum jeweiligen Auftrag passt. Das Format folgt dem SKILL.md-Standard und funktioniert in Claude Code, in der Claude-App (claude.ai, Desktop, Cowork) und über die API.
Enthaltene Skills
vermenschlichen
Schreibregeln für natürliche, sachliche deutsche Texte: Artikel, E-Mails, Berichte und Social-Media-Posts. Direkt aufrufbar mit /vermenschlichen, um vorhandene Entwürfe zu überarbeiten. Fakten, Aussageabsicht und persönliche Stimme bleiben erhalten; Medium und Auftrag haben Vorrang vor pauschalen Stilregeln.
Er reduziert schematische Sprachmuster, wenn sie den Text verschlechtern: aufgeblähte Bedeutungszuschreibung, Werbesprache, vage Autoritäten („Studien zeigen"), gehäufte Gedankenstriche, mechanische Verbindungswörter, das Schema „nicht nur …, sondern auch", ausweichende Verben statt „ist/hat", erzwungene Synonym-Rotation, Fazit- und Herausforderungen-Bausteine, Inline-Header-Listen mit fetten Schlagwörtern, Chatbot-Zitierreste und Meta-Sätze über den eigenen Entwurf. Am Ende steht ein Selbstcheck, den Claude vor der Ausgabe durchgeht.
Dazu kommt, was oft übersehen wird: ein Abschnitt darüber, welche Merkmale gerade kein Hinweis auf KI sind (fehlerfreie Grammatik, förmlicher Ton, ein einzelnes Verbindungswort). Er verhindert, dass Texte beim Überarbeiten künstlich verschlechtert werden.
Grundlage sind die Sammlungen der Wikipedia-Communitys: Anzeichen für KI-generierte Inhalte (deutsch) und Signs of AI writing (englisch).
Neu in Version 1.2.0: Der Skill folgt beim Überarbeiten einem festen Ablauf, der bei Relevanz, Dichte und Substanz beginnt und erst danach an Wortwahl und Artefakte geht. Neu aufgenommen sind die Muster, die die Wikipedia-Seiten seit Sommer 2026 beschreiben: vage Verknüpfungen („im Zusammenhang mit“), angekündigte Relevanz („Das ist wichtig, weil …“), Absicherungsformeln („ist als … zu verstehen, nicht als …“), KI-typische Änderungsnotizen und Ratschläge im Ergebnistext. Dazu kommen Erkenntnisse aus Studien von 2025 und 2026, etwa zu Nominalstil, englischer Satzlogik im KI-Deutsch und gleichförmigen Antworten. Die Gedankenstrich-Regel warnt jetzt auch vor der Überkorrektur zu reinen Punkt-und-Komma-Texten. Konkrete Wortlisten, Zitierartefakte je Anbieter und Platzhalter stehen mit Prüfdatum und Quellenverzeichnis in references/musterkatalog.md. Der Abschnitt zu Herkunftskennzeichen ist auf dem Stand der Anthropic-Dokumentation vom November 2026, nennt die Grenzen von Detektoren und den Prüfpunkt aus Art. 50 EU AI Act. Unsichtbare Unicode-Zeichen werden nicht pauschal entfernt, weil C2PA-Nachweise in Texten darauf beruhen können.
Seit Version 1.1.0 unterscheidet der Skill sprachliche Auffälligkeiten, KI-Detektoren und technische Herkunftskennzeichen. Er erläutert die Grenzen von Claudes Textwasserzeichen und C2PA anhand der Anthropic-Dokumentation. Natürlichere Sprache ist kein Nachweis menschlicher Urheberschaft; Nichterkennbarkeit oder Wasserzeichenfreiheit werden nicht versprochen.
→ skills/vermenschlichen/SKILL.md
zustellbarkeit
Prüft, warum eine E-Mail im Junk landet — und zwar an Aufbau und Inhalt, nicht an SPF,
DKIM und DMARC. Zwei Anwendungsfälle: einen eigenen Entwurf vor dem Versand durchsehen,
oder eine empfangene .eml auswerten und verstehen, wer sie einsortiert hat und woran.
Direkt aufrufbar mit /zustellbarkeit.
Der Skill bringt ein Prüfskript mit, das die mechanisch entscheidbaren Fälle deterministisch
findet: sichtbarer Linktext, der eine andere Domain nennt als das Linkziel; ein
List-Unsubscribe-Post ohne den zugehörigen List-Unsubscribe-Header, wie ihn RFC 8058
verlangt; References, das auf die eigene Message-ID zeigt; nachgebaute Zitatblöcke ohne
echten Vorgänger; sichtbare Seriendruckreste im Betreff; versteckte Zählpixel; auseinander
fallende Absender-, Link- und Bilddomains. Dazu inhaltliche Auslöser wie unbelegte Zahlen,
Superlative ohne Beleg und Angstrahmen als Einstieg. Bei empfangenen Nachrichten liest es
zusätzlich das Urteil der Gegenseite aus den Kopfzeilen.
Zwei Grenzen sind fest eingebaut. Der Skill sagt keine Zustellung voraus — Domainalter,
Versandhistorie und Beschwerdequote stehen nicht im Text, deshalb gibt es auch keine
Gesamtnote. Und er tarnt nichts: Ein Auslöser wird beseitigt, indem der Mangel beseitigt
wird. Ist eine Nachricht nur deshalb Spam, weil sie unerwünschte Werbung ist, verweist er
auf cold-email statt am Text zu drehen. Das Skript läuft rein lokal und ruft keine Links
oder Bilder der geprüften Nachricht ab.
→ skills/zustellbarkeit/SKILL.md · Anleitung
Apple HIG (apple-hig)
Entwickelt und prüft Anwendungen nach Apples Human Interface Guidelines: plattformgerechte Navigation, Komponenten, adaptive Layouts, Typografie, Farben, Materialien/Liquid Glass, Accessibility und Eingaben. Für neue native Apple-Apps, UI-Redesigns, UX-Audits und ausdrücklich HIG-inspirierte Web/PWA-Oberflächen.
Der Skill übersetzt Empfehlungen in konkrete Implementierungs- und Abnahmekriterien. Er verlangt funktionierende Hauptabläufe, relevante Lade-/Leer-/Fehlerzustände und reale Prüfbelege statt bloßer „Apple-Optik“. Ein reiner Auditauftrag bleibt lesend. Apple-Empfehlungen, eigene Engineering-Ableitungen und Produktentscheidungen sind getrennt; spezielle Technologien werden nur bei tatsächlichem Bedarf eingebaut.
Grundlage ist eine Auswertung von 173 navigationsverlinkten HIG-Seiten (Stand 29. Oktober 2026), darunter 64 Komponenten. Mitgeliefert werden Fachreferenzen, ein Quelleninventar, Agentenauftrag, Plan-/Auditvorlagen und ein lokal ausführbarer Python-Validator. Dieser prüft ausschließlich Auditstruktur und Status, nicht die tatsächliche Anwendung. Keine Apple-Zertifizierung oder App-Store-Freigabezusage; visuelle Medien und externe API-Dokumentationen wurden nicht vollständig untersucht.
/plugin install apple-hig@login-skills
/apple-hig:apple-hig Prüfe unsere Anwendung anhand der Apple HIG und dokumentiere Befunde mit Quellen und Prüfbelegen.
Bei manueller Installation lautet der Aufruf /apple-hig. Bestehenden Marketplace bei Bedarf zuerst mit /plugin marketplace update login-skills aktualisieren.
→ Skill · Überblick · Installation, Beispiele und Audit-Anleitung · Prüfbericht
DACH-Marketing-Suite
Dreizehn deutschsprachige Skills für Marketing, Recherche und Redaktion, zugeschnitten auf Deutschland, Österreich und die Schweiz. Was sie von generischen Marketing-Skills unterscheidet, ist die Arbeitshaltung: Aussagen brauchen Belege mit Quelle und Datum, Schätzungen bleiben als Schätzungen kenntlich, personenbezogene Daten werden minimiert, Deutschland gilt bei deutschem Auftrag als sichtbar gekennzeichnete Annahme (Österreich und Schweiz separat), und externe Aktionen wie Versand, Veröffentlichung, Tracking oder Käufe brauchen eine gesonderte Freigabe. Rechtsverweise sind Prüfpunkte, keine Rechtsberatung.
Jeder Skill lässt sich mit seinem Namen direkt aufrufen, etwa /seo-audit.
| Skill | Aufgabe |
|---|---|
ai-seo | Sichtbarkeit, Zitierung und Empfehlung in KI-Antwortsystemen prüfen und verbessern. Trennt Abruf, Zitierung, Erwähnung und Empfehlung und weist unbelegte KI-Rankingfaktoren zurück. |
seo-audit | Crawling, Indexierung, Rendering, Leistung, Onpage, hreflang und Migrationen mit reproduzierbarer Evi |
// HOW IT'S BUILT
// FILES
2 files shipped with this skill. Inline text is the catalog copy. The upstream link is the source repository.
skills/ai-seo/SKILL.md7.9 KBupstream ↗
--- name: ai-seo description: "Sichtbarkeit, Zitierung und Empfehlung in KI-Antwortsystemen für Deutschland und den DACH-Raum evidenzbasiert prüfen und verbessern. Nutze diesen Skill, wenn eine Marke oder Seite in KI-Overviews, ChatGPT, Perplexity, Gemini oder Copilot auftauchen soll, wenn Crawler-Freigaben für KI-Bots, llms.txt, strukturierte Daten oder die Extrahierbarkeit von Inhalten zu bewerten sind, oder wenn jemand nach AEO, GEO oder LLMO fragt. Trennt Abruf, Zitierung, Erwähnung und Empfehlung, prüft Behauptungen über KI-Rankingfaktoren gegen Primärquellen und verspricht keine Sichtbarkeit. Für klassisches technisches SEO ist seo-audit zuständig." license: MIT metadata: version: "2.2.0" author: "Corey Haines; DACH-Adaption LOGIN" upstream: coreyhaines31/marketingskills upstream_commit: 7868cb9251fad80a73d26e488a5ad5f6c4a9f335 upstream_homepage: https://github.com/coreyhaines31/marketingskills/tree/7868cb9251fad80a73d26e488a5ad5f6c4a9f335/skills/ai-seo tags: [ai-seo, aeo, geo, llmo, ai-overviews, citations] --- # KI-SEO Verbessere, wie eine Marke oder Seite in KI-generierten Antworten **abgerufen, zitiert, erwähnt und empfohlen** wird. Klassische SEO, Crawlbarkeit, nützliche Inhalte und überprüfbare Autorität bilden die Grundlage; KI-spezifische Struktur ist nur eine zusätzliche Ebene. ## Evidenzregeln KI-Suchverhalten ändert sich schnell, viele Studien sind beobachtend. Vor aktuellen Prozentwerten, Crawlernamen, Plattform-Backends, Sichtbarkeitssteigerungen oder Mechanismen: 1. aktuelle Primärdokumentation oder Originalstudie prüfen; 2. Quelle, Datum, Plattform/Modell, Region und Methode nennen; 3. Korrelation nicht als Rankingfaktor oder Kausalität ausgeben; 4. keine Zitate, Rankings, Empfehlungen oder Trafficwirkung versprechen; 5. für Google-KI-Funktionen aktuelle Google-Hinweise zugrunde legen: normale Suchberechtigung und nutzerorientierte SEO; kein Spezial-Markup oder KI-Textfile als Pflicht behaupten. **Keine erfundenen Rankingfaktoren.** Weder Strukturmuster, `llms.txt`, Schema, Erwähnungen, Autorenprofile noch Crawlerfreigaben als bestätigten KI-Rankingfaktor bezeichnen, sofern die jeweilige Plattform dies nicht aktuell und eindeutig dokumentiert. ## Kontext und Sichtbarkeitsstufen Erfasse Domain, Prioritätsseiten, Marke, Angebot, Zielgruppe, Region, Sprache, wichtige Prompts, Plattformen, Wettbewerber, Ausgangssichtbarkeit und Ziel. Keine privaten Verzeichnisse, Zugangsdaten oder personenbezogenen Daten durchsuchen. Trenne: 1. **Abgerufen:** System liest die Seite während der Antwortbildung. 2. **Zitiert:** Seite erscheint als Quelle. 3. **Erwähnt:** Marke steht im Antworttext. 4. **Empfohlen:** Marke gelangt in eine Auswahlliste. Ein nützlicher Inhalt kann zitiert werden, ohne dass der Anbieter empfohlen wird. Empfehlungen können von überprüfbarer, webweiter Bestätigung durch Rezensionen, Communities, Fachmedien, Videos, Podcasts oder Analysten abhängen; dies ist keine Garantie. ## Audit-Ablauf ### 1. Reproduzierbare Baseline | Prompt | Plattform/Modell | Datum/Region/Sprache | Antwort | Abgerufen/zitiert/erwähnt/empfohlen | Quellen | Einordnung | |---|---|---|---|---|---|---| Wiederholte Prüfungen nutzen, um Volatilität sichtbar zu machen. Aus einer Antwort oder einem Konto keine stabile Sichtbarkeit ableiten. ### 2. Technische Eignung Erreichbarkeit, Statuscode, Canonical, Robots, Sitemap, Indexierbarkeit, gerendertes HTML, semantische Struktur, Login-/Consent-Barrieren, Titel, Überschriften, Autorenschaft, Datum, interne Links und strukturierte Daten prüfen. Strukturierte Daten müssen sichtbare Inhalte korrekt abbilden und aktuelle Plattformregeln erfüllen. Visuelle, DOM- und Accessibility-Tree-Nutzbarkeit berücksichtigen. ### 3. Crawler-Richtlinien präzise prüfen Keine pauschale Empfehlung „alle KI-Bots erlauben“. Aktuelle Tokens und Zwecke aus Primärquellen unterscheiden: - Such-/Indexcrawler beeinflussen möglicherweise Auffindbarkeit; - nutzerausgelöste Fetcher rufen auf konkrete Anfrage ab; - Trainingscrawler regeln Modelltraining und steuern nicht zwingend Suchzitate. OpenAI unterscheidet beispielsweise nach aktueller Dokumentation Suchbot, Nutzer-Fetcher und Trainingsbot; Google trennt `Google-Extended` vom normalen Search-Crawling. Anthropic, Perplexity und andere live prüfen. Datenschutz, Lizenzierung, Serverlast, Auffindbarkeit und Zitation abwägen. `robots.txt` nie ohne Freigabe und Validierung ändern. ### 4. Extrahierbarkeit und Nutzwert Direkte, korrekte Antworten dort voranstellen, wo es natürlich ist; beschreibende H2/H3, fokussierte Absätze, echte Vergleichstabellen, Prozesslisten, selbstständige Aussagen, Definitionen, Grenzen, Daten, Einheiten und Beispiele verwenden. Landmarken, Überschriften und Alt-Texte korrekt setzen. Keine fragmentierte „KI-Köder“-Seite, keine Doorway-Varianten und keine massenhaft dünnen Inhalte erzeugen. ### 5. Autorität und Evidenz Primärquellen bevorzugen, Statistik mit Datum/Methodik versehen, praktische Erfahrung zeigen, echte Autorenschaft und relevante Qualifikation nennen, Fakt/Schätzung/Meinung/Anbieteraussage trennen und übertriebene oder veraltete Aussagen entfernen. Keine Statistiken, Zitate, Kunden, Rezensionen, Auszeichnungen, Qualifikationen oder Quellen erfinden. ### 6. Externer Konsens Für Empfehlungsziele seriöse Bewertungsplattformen, Fachgemeinschaften, Branchenberichterstattung, redaktionell verdiente Reichweite, YouTube, Podcasts, Transkripte und konsistente Organisationsdaten prüfen. Nur authentische Beteiligung empfehlen; keine falschen Bewertungen, verdeckten Platzierungen, Wikipedia-Manipulation, Forenspam oder erfundenen Belege. ### 7. Maschinenlesbare Ergänzungen `llms.txt`, öffentliche Markdown-Dokumentation, transparente Preis-/Spezifikationsdateien oder Feeds höchstens als messbare Zugänglichkeits-/Discovery-Experimente behandeln. Mit sichtbarem kanonischem Inhalt konsistent halten, nur wartbar einführen, keine vertraulichen Daten oder geschütztes Material offenlegen und nie als Google-Pflicht oder bestätigten Rankingfaktor bezeichnen. Aufkommende Protokolle bleiben experimentell, bis Erstanbieteradoption belegt ist. ## Inhaltsmuster - **Definition:** direkte Definition, Geltungsbereich, Abgrenzung und Nutzen. - **Prozess:** nummerierte, konkrete Handlungen mit Abschlusskriterien. - **Vergleich:** überprüfbare Kriterien, Eignung, Grenzen, Datum, Methodik und Quellen; Eigenangebot nicht automatisch zuerst. - **Evidenzblock:** Aussage, Primärquelle, Ergebnis mit Datum/Umfang, Einschränkung und praktische Folgerung. - **FAQ:** echte Nutzerfragen; FAQ-Markup nur bei sichtbarem Inhalt und aktuell zulässiger Verwendung. ## Priorisierung und Messung Bewerte Geschäftsnutzen, Evidenzstärke, Aufwand, Täuschungs-/Richtlinienrisiko und Messbarkeit. Reihenfolge: Crawl-/Index-/Renderingfehler; falsche Aussagen; fehlende Kerninformation; schwache Struktur/Barrierefreiheit; fehlende Evidenz/Autorenschaft; externer Konsens; experimentelle Dateien. Messdreiklang: 1. Prompt-Tracking mit Prompt, Datum, Modell, Region, Sprache, Quellen und Einordnung; 2. freiwillige Selbstauskunft zur Herkunft; 3. Vertriebs-/Gesprächsevidenz nur rechtmäßig und mit nötiger Einwilligung. Zusätzlich markenbezogene Suche, qualifizierte Besuche, Conversions, Bot-Logs und zitierte Zielseiten beobachten. Direkter Traffic oder Markensuche kann Einfluss verschleiern; daraus nicht automatisch Kausalität ableiten. ## Deutscher/DACH-Kontext **Standardannahme ist Deutschland**, falls kein Zielmarkt genannt ist. Prompts, Quellen, Modelle, Sprachvarianten und Antwortregion müssen für Deutschland reproduzierbar dokumentiert werden. DSGVO/TDDDG, Urheber-, Marken- und Persönlichkeitsrechte sind konkrete Reviewpunkte bei Logs, Tracking, Trainings-/Crawlerentscheidungen, Quellenübernahme und personenbezogenen Inhalten. Keine Rechtsberatung und keine Rechtsgarantie. - **Deutschland:** deutsche Fachsprache, Suchintention, Anbieter-/Autorenvertrauen und PrimärquelleREADME.mdupstream ↗
Contents are not inlined in the catalog. Open the upstream file.
Plain-text copy, no login: /skill-bundles/login-tb-claude-skills-skills-ai-seo.md