audit website for SEO, security, performance and 200+ other issues

核心用法

audit-website 是一款面向AI Agent的网站审计技能，通过调用 squirrelscan CLI 对目标网站执行深度扫描。其核心工作流为三步：
1. Crawl（爬取）：模拟浏览器和搜索引擎爬虫，发现并抓取页面
2. Analyze（分析）：基于230+条规则对页面进行多维度检测
3. Report（报告）：生成LLM优化的结构化报告，包含健康评分、问题分类、修复建议

支持三种覆盖模式：

• Quick：25页，仅种子页面+站点地图，适合CI快速检查
• Surface（默认）：100页，智能URL模式采样，平衡效率与覆盖
• Full：500页，深度全量爬取，适合上线前全面审查

推荐输出格式为 --format llm，专为AI处理优化，比标准XML节省40% token。

显著优点

• 规则全面：21个类别、230+条检测规则，涵盖SEO技术、内容质量、性能、安全、无障碍、E-E-A-T、法律合规等
• 智能采样：Surface模式自动识别URL模式（如 /blog/{slug}），避免重复爬取相似页面
• AI原生优化：LLM格式输出直接支持自动化修复决策，减少人工解析
• 增量审计：支持 --diff 和 --regression-since 对比历史基线，精准定位回归问题
• 并行修复：识别可并行处理的内容问题（alt文本、标题层级等），支持子代理批量执行
• 评分体系：0-100健康评分+1-10严重等级，量化改进效果

潜在局限

• 依赖外部CLI：需本地安装 squirrel 二进制文件，跨平台配置存在门槛
• 外部链接检测可能慢：大量外链可用性检查可能拖慢整体审计速度
• 内容判断依赖人工：断链修复、结构性变更等需人工确认，无法全自动决策
• 无实时预览：修复建议需应用到代码后才能验证效果，缺少即时视觉反馈
• 定价与许可未明：文档未披露商业授权模式，大规模CI使用可能存在成本顾虑

适合人群

• 网站开发者/DevOps：CI/CD集成，自动化质量门禁
• SEO专员：技术SEO诊断、排名问题排查
• 内容运营团队：批量内容质量审计（标题、描述、图片alt等）
• 产品经理：上线前合规检查、性能基线建立
• AI Agent开发者：构建自动化网站优化工作流

常规风险

| 风险类别 | 说明 | 缓解措施 |

|---------|------|---------|

| **性能影响** | Full模式深度爬取可能给目标站点造成负载 | 避开高峰时段，使用 `--max-pages` 限制 |

| **误报修复** | AI批量修复可能引入内容错误 | 关键变更人工审核，修复后重新审计验证 |

| **缓存失效** | `--refresh` 强制刷新可能遗漏间歇性问题 | 建立定期审计 schedule，结合 diff 模式监控 |

| **敏感数据暴露** | 安全规则可能检测出泄露的密钥/密码 | 确保报告存储安全，审计前确认测试环境隔离 |

| **外部依赖** | squirrel CLI 版本迭代可能破坏兼容性 | 锁定版本，关注官方更新日志 |

最佳实践建议

1. 迭代式修复：表面扫描→修复→深度扫描→精细调优，避免一次性大范围改动
2. 目标分数管理：起始<50分目标75+，50-70分目标85+，>85分追求95+（Grade A）
3. 并行化策略：内容类修复（alt文本、描述、标题层级）适合子代理并行，代码级元数据修复建议串行
4. 持续监控：结合 --diff 建立回归检测机制，将审计集成到部署流水线

核心用法

该Skill通过调用squirrelscan官方CLI工具，对目标网站执行全方位的自动化审计。操作流程采用"审计→分析→报告"三阶段模式，支持quick、surface、full三种覆盖深度，默认推荐surface模式（智能采样100页面）。审计完成后可导出多种格式，其中--format llm专为AI Agent优化，压缩40% Token用量。

关键命令包括：

• squirrel audit <URL>：执行完整审计流程
• squirrel report <audit-id> --format llm：生成LLM优化报告
• squirrel report --diff <audit-id>：对比基线检测回归问题

Skill强调优先审计线上环境，以获得真实的性能和渲染表现数据，支持通过子代理并行批量修复内容类问题（如alt文本、标题层级）。

显著优点

1. 规则覆盖全面：230+条审计规则横跨SEO元数据、技术架构、内容质量、安全防护、无障碍访问等21个维度，单工具解决多领域问题。

2. 智能采样机制：surface模式自动识别URL模式（如/blog/{slug}），每类模板仅采样一页，大幅提升大站审计效率。

3. AI原生优化：llm输出格式专为Agent设计，结构紧凑、优先级清晰，便于自动解析和制定修复策略。

4. 迭代修复闭环：内置"审计→修复→再审计"工作流，支持对比分数变化，目标导向（建议95+分Grade A）。

5. 并行修复能力：明确指导对批量内容问题（alt文本、标题、描述）使用子代理并行处理，提升修复效率。

潜在缺点与局限

1. 外部依赖强制：必须独立安装squirrelscan CLI且保证PATH可访问，无法开箱即用，跨平台环境配置可能成为门槛。

2. 无内置执行能力：Skill本身不包含可执行代码，仅作为CLI封装层，实际网络请求和页面渲染均由外部工具完成，Agent对该过程无直接可控性。

3. 修复需人工确认：涉及链接删除、结构变更等语义判断类问题，需用户介入决策，无法全自动闭环。

4. 大规模站点性能：full模式500页上限，超大规模站点需分批次或调整策略，深度审计可能影响目标站点性能。

适合的目标群体

• 前端开发者：排查渲染性能、无障碍、SEO技术实现问题
• SEO优化师：系统性检测元标签、结构化数据、内容质量
• DevOps/站点运维：CI/CD流水线集成，日常健康监控
• 产品经理/运营：获取可量化的网站健康评分和改进清单
• 安全工程师：检测泄露密钥、HTTPS配置、安全响应头

使用风险

1. 外部工具信任风险：Skill依赖的二进制CLI需从squirrelscan.com下载，用户应验证来源完整性，避免供应链攻击。

2. 目标站点负载：审计过程模拟浏览器爬取，高频或深度扫描可能对小型站点造成性能压力，建议在测试环境先行验证。

3. 误报与漏报风险：自动化规则可能产生误报（如合理的短描述）或漏报（如业务逻辑层面的安全问题），关键修复需人工复核。

4. 网络环境依赖：CLI需访问目标站点及外部资源，代理、防火墙或区域限制可能影响审计完整性。

5. 版本兼容性：squirrel CLI与Skill版本需保持兼容，重大版本更新可能导致命令行为变化，建议定期执行squirrel self update。