Szybka odpowiedź: czym jest harness engineering w SEO?
- Harness to wszystko wokół modelu, czyli kontekst, narzędzia, ograniczenia, weryfikacja oraz logi.
- W SEO harness ma szczególny sens, ponieważ zazwyczaj błędy wychodzą z opóźnieniem, a skala (setki podstron) mnoży każdą pomyłkę.
- Najważniejsza warstwa to automatyczna weryfikacja przed wdrożeniem, a nie lepszy prompt.
- Najłatwiej przeoczyć samowolne zmiany adresów i przekierowania, dlatego adresy opublikowanych stron porównuj przy każdym buildzie z zatwierdzoną listą.
- Każdy błąd agenta powinien kończyć się trwałą poprawką w systemie: testem, blokadą albo regułą w repozytorium.
Czym jest harness engineering w pracy SEO?
Inżynieria harnessu (harness engineering) to budowanie pewnego rodzaju uprzęży dla modelu AI, w formie całej infrastruktury otaczającej model językowy – obejmuje ona zarówno zewnętrzne źródła danych, jak i wyspecjalizowane narzędzia wykonawcze. Przykładowo, za pomocą protokołu MCP możemy spiąć model z Google Search Console, Google Analytics i Google Ads, zapewniając mu stały dostęp do najnowszych dostępnych danych, z uwzględnieniem opóźnień źródła. Potem możemy dołożyć do projektu automatyczne narzędzia sprawdzające projekt pod różnym kątem, by zabezpieczyć go przed regresją i samowolnym działaniem agentów. Takie skrypty są deterministyczne, co oznacza, że dla tych samych danych zawsze zwrócą identyczny wynik. Z kolei modele językowe działają probabilistycznie – szacują najbardziej prawdopodobną odpowiedź, przez co ich rezultaty bywają nieprzewidywalne i stanowią potencjalne zagrożenie dla projektu.
Jeśli potrzebujesz ogólniejszego wprowadzenia, zajrzyj do artykułu o tym, czym jest harness engineering. Pod nieco innym kątem piszę też więcej o wykorzystaniu AI w SEO.
Dlaczego agenty AI w SEO potrzebują harnessu?
Pracuję z agentami AI w repozytoriach klientów oraz we własnych projektach i widzę pięć powodów, dla których praca SEO z agentem wymaga odpowiedniej kontroli.
Błędy wychodzą z opóźnieniem. Nieprawidłowy link kanoniczny w szablonie czy przypadkowy noindex na liście kategorii mogą przejść niezauważone na produkcję. Taki błąd może pozostać długo niewidoczny, a skutki mogą ujawnić się w Search Console dopiero po ponownym pobraniu i przetworzeniu stron. Dzięki implementacji szybkich testów agent może wyłapać błąd jeszcze przed wdrożeniem.
Najtrudniej zauważyć zmiany adresów. Zmiany w robots.txt czy przypadkowy noindex są groźne, ale łatwo je namierzyć, bo prosty test od razu je pokazuje. Z mojej pracy z modelami wynika, że dużo łatwiej przeoczyć samowolną zmianę adresu opublikowanej strony i przekierowanie, które agent dodaje, żeby „naprawić” powstałe przy tym 404. Mnie umknęły właśnie one, bo pilnowałem noindex i robots.txt, a dla adresów nie miałem ani reguły w AGENTS.md czy CLAUDE.md, ani skryptu, który by je sprawdzał. Zmienioną treść czy H1 przywrócisz z Gita jednym commitem, natomiast po zmianie adresu i dodaniu przekierowania Google zdąży pobrać nowy URL razem z 301, więc powrót do starego adresu jest dla niego kolejną migracją. Kilka takich zmian z rzędu łatwo kończy się łańcuchami przekierowań albo przekierowaniami do stron, które nie odpowiadają na tę samą intencję.
Skala mnoży każdą pomyłkę. Jeden błąd w szablonie albo źle zinterpretowany prompt przy masowym generowaniu błyskawicznie zamienia się w setki lub tysiące błędów, które mogą utrudnić indeksację lub obniżyć widoczność wielu podstron.
Błąd w kroku drugim psuje krok piąty. Jeden błąd powoduje łańcuch kolejnych błędów. Przykładowo, nieprawidłowa interpretacja intencji wyszukiwania prowadzi do nietrafionego briefu, a ten może skutkować nietrafionym artykułem. Nieprzemyślana publikacja łatwo powiela istniejące treści i nasila kanibalizację słów kluczowych, dlatego wynik każdego etapu weryfikuj przed przejściem do następnego.
SEO ma dużo twardych kryteriów i jest to akurat bardzo dobra wiadomość: weryfikację statusów HTTP, poprawności tagów kanonicznych, danych strukturalnych JSON-LD, liczby nagłówków H1, wzajemności relacji hreflang czy obecności adresów w mapie witryny można w pełni zautomatyzować. Dzięki temu agent może otrzymać szczegółowy raport z kontroli jeszcze przed wdrożeniem zmian, ale trzeba przy tym pamiętać o wyraźnym oddzieleniu krytycznych błędów technicznych od wytycznych projektu i ostrzeżeń, które wciąż wymagają ludzkiej oceny.
Z czego składa się harness dla agenta AI w SEO?
W tym artykule dzielę harness na 6 warstw i myślę, że takie właśnie podejście porządkuje mechanizmy opisane przez OpenAI, Hashimoto i Birgittę Böckeler. To rozwinięcie ogólnego podziału na dane, narzędzia i kontrolę, w którym ostatnią warstwę rozbijam na ograniczenia, weryfikację i obserwowalność, bo w SEO każda z nich wymaga innych narzędzi.
| Warstwa | Pytanie | Przykład w SEO |
|---|---|---|
| Kontekst | Co agent wie o projekcie? | Mapa fraz → URL, standardy redakcyjne, struktura serwisu w repozytorium |
| Narzędzia | Czym agent może działać? | GSC przez API lub MCP, PageSpeed Insights API, crawler, skrypty walidujące |
| Ograniczenia | Czego agent nie może zrobić? | Blokada zmian adresów opublikowanych stron, przekierowań, robots.txt i reguł noindex bez akceptacji |
| Weryfikacja | Skąd wiemy, że zrobił dobrze? | Testy w CI na wdrożeniu podglądowym (preview): link kanoniczny, JSON-LD, H1, linki, sitemap |
| Obserwowalność | Co zrobił i dlaczego? | Log decyzji: jakie dane wziął, jakie frazy przypisał, co zmienił |
Do tego dochodzi szósty element, który spina całość, czyli funkcjonująca pętla poprawek.
Kontekst: co agent AI musi wiedzieć o projekcie SEO?
Według zespołu Codex należy dać agentowi prostą mapę (powinna odpowiadać potrzebom projektu), a nie wielką instrukcję, ponieważ sam kontekst jest zasobem ograniczonym. Poglądowo chcę pokazać, co trzymam w repozytorium:
krótki plik główny (
AGENTS.mdlubCLAUDE.md) z zasadami i wskazaniem, gdzie są szczegóły,mapę fraz jako dane (CSV lub JSON): fraza główna, frazy poboczne, przypisany URL, intencja,
standardy redakcyjne: ton, zakazane sformułowania, wymagania dotyczące źródeł,
strukturę serwisu: taksonomię kategorii, szablony i to, które z nich generują indeksowalne strony.
Przykładowy plik główny dla projektu SEO:
Stosuję zasadę, by agent bezwzględnie posiadał dostęp do aktualnych ustaleń projektu, a repozytorium to naturalne i wygodne miejsce na ich wersjonowanie. Zatwierdzone dokumenty czy dane można z powodzeniem udostępniać również przez API i serwery MCP. Liczą się tutaj precyzyjny zakres dostępu, jedno źródło prawdy oraz stała aktualność informacji.
Jak zarządzać kontekstem agenta przy dużych zadaniach SEO?
Okno kontekstowe jest ograniczone, dlatego nie jest odpowiednim rozwiązaniem na przykład eksport GSC z 25 tysiącami wierszy czy pełny crawl tysięcy adresów URL. Taki ogrom informacji nie powinien trafić do rozmowy w całości. Harness musi przekazywać agentowi wyłącznie dane niezbędne w danym kroku, np. wiersze dla konkretnego adresu, wycinek dla jednego szablonu czy pojedynczą stronę konkurencji. Przy pracy na 500 adresach dzielę zadanie na etapy i zapisuję plik postępu, np. seo/progress.json, z liczbą przetworzonych adresów, ostatnim identyfikatorem, otwartymi konfliktami do przeglądu i wersją mapy fraz, aby kolejna sesja mogła odtworzyć stan zadania niezależnie od mechanizmów pamięci asystenta. Ogólne zasady zarządzania kontekstem opisuję w artykule o tym, czym jest harness engineering.
Gdzie trzymać historyczne dane SEO?
Agent powinien pracować na aktualnych danych, ale historia projektu też ma wartość i można ją w jakiś sposób zastosować. Przykładowo, Search Console pokazuje 16 miesięcy, a wolumeny fraz w narzędziach się zmieniają, co skłania do zbierania i budowania w jakiejś formie archiwum. W związku z powyższym najlepiej trzymać w repozytorium aktualne ustalenia i wnioski, czyli mapę fraz, standardy, strukturę serwisu i ostatni eksport danych.
Historię samej mapy fraz i tak wersjonuje Git. Starsze eksporty z GSC, migawki badań słów kluczowych, analizy wyników wyszukiwania czy raporty z audytów warto jednak przenieść poza repozytorium – na przykład do BigQuery lub zewnętrznego magazynu – i unikać ich domyślnego ładowania do kontekstu. Agent powinien sięgać po nie za pośrednictwem wąskiego narzędzia tylko wtedy, gdy wymaga tego konkretne zadanie, takie jak analiza porównawcza rok do roku. Każdy taki plik archiwalny musi być przy tym opatrzony datą, źródłem oraz parametrami (np. krajem czy użytym narzędziem), aby było jasne, z jakiego punktu odniesienia korzysta system.
Wyjątek stanowią zwięzłe rejestry decyzji (Decision Log), czyli notatki wyjaśniające, dlaczego dany adres został scalony lub usunięty, z jakiego powodu zmieniono URL frazy albo jakie wnioski płyną z przeprowadzonego testu. Ponieważ zajmują zaledwie kilkadziesiąt linijek, bez problemu mieszczą się w repozytorium (np. w katalogu seo/decisions/), a agent odczytuje je przed każdą modyfikacją powiązaną z konkretną podstroną. Bez tego kontekstu model może próbować na przykład przywrócić strukturę serwisu, którą wcześniej celowo wycofano.
Narzędzia: jak połączyć agenta AI z Search Console, GA4 i crawlerem?
Podłączenie agenta do Search Console, GA4 czy narzędzi do analizy widoczności jest częścią harnessu na równi z testami i blokadami. Od tego, jakie dane agent może pobrać, w jakim zakresie i z jakimi uprawnieniami, zależy, czy pracuje na danych, czy zgaduje. Jak serwery MCP łączą asystenta z Search Console czy Senuto, wyjaśniam w artykule co to jest MCP.
Zależnie od zadania przydają się:
Google Search Console: zapytania i strony z Search Analytics API, stan indeksacji z URL Inspection API (przez albo własny skrypt eksportujący do plików; konfigurację opisuję w artykule o Google Search Console MCP),
Google Analytics 4: zaangażowanie i konwersje na stronach docelowych, które pozwalają ocenić, czy ruch z wyszukiwarki przynosi efekt; połączenie przez oficjalny serwer MCP opisuję w artykule o Google Analytics MCP,
Google Ads: frazy i koszty kampanii, przydatne przy porównaniu ruchu płatnego z organicznym; konfigurację pokazuję w tekście o Google Ads MCP,
narzędzia do analizy widoczności: frazy, pozycje i konkurencja z Senuto, Ahrefs albo Semrush; polski przykład opisuję w artykule o Senuto MCP,
PageSpeed Insights API: dane laboratoryjne pobieraj z Lighthouse, a terenowe z CrUX API, CrUX History API lub własnego systemu RUM (zwłaszcza że Google zapowiada wycofanie danych CrUX z PageSpeed Insights API),
crawler: własny skrypt albo Screaming Frog w trybie CLI, z wynikiem zapisanym do pliku,
skrypty walidujące: opisuję je w sekcji o weryfikacji.
Przy narzędziach SEO trzymam się dwóch zasad:
- Wąskie narzędzia zamiast ogólnych. Tworzymy narzędzie do jednego konkretnego celu, przez co sam agent ma mniej okazji do pomyłki.
- Odczyt oddzielony od zapisu. Agent czyta GSC, PSI i wyniki crawla tylko dla uprawnionego projektu, wraz z limitami zapytań i czasu pracy, natomiast zmiany w kodzie i treści wprowadza wyłącznie przez osobną gałąź oraz pull request.
Odczyt musi wynikać z uprawnień, a nie z deklaracji. Popularny serwer mcp-gsc wymaga pełnego zakresu OAuth webmasters zamiast webmasters.readonly, więc jego token pozwala także na zmiany, np. zgłaszanie map witryny. Zasadę „agent tylko czyta” zapewniają wtedy konfiguracja serwera, flagi blokujące operacje zapisu i zatwierdzanie wywołań w kliencie.
Dane z narzędzi zapisuję jako kontrolowane eksporty, np. data/gsc/2026-11-01.json w prywatnym repozytorium albo chronionym magazynie. Zawsze zapisuj metadane eksportu: usługę GSC, analizowany okres, filtry, datę pobrania oraz informację o kompletności zbioru. Search Analytics API nie gwarantuje zwrotu wszystkich wierszy, a URL Inspection API pokazuje jedynie zapisany stan indeksacji – brak danych nie oznacza więc braku problemu.
Ograniczenia: czego agent AI nie może zmieniać w SEO?
Tu popełniany jest najczęstszy błąd: polecenia ograniczeń zamyka się wyłącznie w tekście promptu. Zasada „Nie dotykaj robots.txt” zapisana w AGENTS.md to zaledwie grzeczna prośba. Model, owszem, posłucha jej w dziewięciu przypadkach na dziesięć, ale przy pięciuset zadaniach dziennie statystyka przestaje wystarczać. Znam to doskonale z własnego doświadczenia. Oczywiście współczesne modele są sprawniejsze niż te sprzed pół roku, ale zagrożenie jest aktualne.
Operacje wpływające na indeksację i strukturę serwisu wymagają rygorystycznych blokad architektonicznych, a nie samych wytycznych behawioralnych. W ekosystemie Claude Code doskonałym przykładem takiej kontroli jest hook PreToolUse – skrypt uruchamiany synchronicznie przed każdą próbą edycji pliku, który w razie wykrycia ryzyka natychmiast przerywa operację. Uproszczony przykład blokuje zapis do plików, od których zależy indeksacja:
Parametr onFailure: "block" (wymagający Claude Code w wersji 2.1.295 lub nowszej) przerywa operację także w razie błędu lub przekroczenia czasu działania samego hooka. Pamiętaj jednak o jego ograniczeniach: hook przechwytuje wyłącznie operacje Edit i Write – nie blokuje zapisu z poziomu terminala, innych narzędzi ani dowiązań symbolicznych, a podana lista ścieżek jest tylko punktem wyjścia (nie obejmuje np. metadanych w layout.tsx czy testów). Traktuj go jako dodatkową warstwę ochrony, a nie jedyne zabezpieczenie. Hook nie złapie też zmiany adresu, bo przeniesienie pliku treści poleceniem git mv czy nowy slug w CMS-ie omijają Edit i Write. Adresy pilnuję dlatego osobnym testem, który opisuję w sekcji o weryfikacji.
Aby domknąć luki i uniemożliwić agentowi samodzielne osłabienie reguł:
- Zabezpiecz repozytorium: włącz ochronę gałęzi z wymaganym zatwierdzeniem przez code ownerów (sam plik
CODEOWNERSnie wystarczy). - Chroń infrastrukturę kontroli: zablokuj edycję konfiguracji hooków, skryptów CI, testów oraz plików uprawnień.
- Stosuj piaskownicę i izolację: egzekwuj limity zapisu na poziomie systemu oraz uprawnień zewnętrznych usług (API/MCP).
Inne ograniczenia, które stosuję:
- limit zakresu: jeden PR to jedna sekcja serwisu albo określona liczba podstron,
- kontrola kanibalizacji: przed napisaniem treści agent sprawdza mapę fraz i zgłasza możliwe powielenie intencji do przeglądu,
- limit pracy: maksymalny czas, koszt i liczba prób; po ich wyczerpaniu agent raportuje blokadę,
- brak dostępu do produkcyjnych kluczy: agent korzysta z tokenów tylko do odczytu, a wdrożenie wykonuje proces CI/CD, nie agent.
Które zmiany SEO wymagają zatwierdzenia przez człowieka?
Polecenia tekstowe łatwo giną w gąszczu tysięcy zapytań o pojedyncze optymalizacje, dlatego bezpieczeństwo operacji SEO opieraj na klasyfikacji ryzyka:
| Klasa działań | Przykłady | Tryb zatwierdzania |
|---|---|---|
| Zmiana adresu opublikowanej strony | zmiana slugu, nazwy pliku treści lub struktury katalogów, nowe przekierowania, usuwanie stron | osobna zgoda i zatwierdzona mapa migracji |
| Zmiany wpływające na indeksację, trudne do cofnięcia | robots.txt, noindex, link kanoniczny w szablonie | osobna zgoda na każdą zmianę |
| Zmiany treści w powtarzalnym zakresie | title, description, linki wewnętrzne, poprawki w treści | zgoda na całą partię w jednym PR, po testach |
| Odczyt i raporty | eksport GSC, crawl, raport zmian, propozycje bez zapisu | bez zatwierdzania, z limitami zapytań i kosztu |
Im krótsza lista w pierwszej klasie, tym uważniej ktoś ją czyta.
Weryfikacja: jak testować zmiany SEO agenta przed wdrożeniem?
To najważniejsza część całego harnessu. Agent, który po uruchomieniu testów otrzymuje listę adresów URL z błędnym tagiem kanonicznym lub brakiem nagłówka H1, potrafi namierzyć błąd w kodzie i ponownie zweryfikować poprawkę. Bez tej informacji zwrotnej odda komponent, który wizualnie w przeglądarce wygląda poprawnie, ale na produkcji po cichu wykluczy całe sekcje serwisu z indeksu.
Zautomatyzowane testy SEO uruchamiam zawsze na wdrożeniu podglądowym (np. na preview deploymentach tworzonych dla każdego pull requesta). Weryfikuję finalny kod HTML zwracany przez serwer, a nie same pliki źródłowe. We frameworkach takich jak Next.js różnica jest zasadnicza: ostateczne metadane powstają przez nadpisywanie konfiguracji z wielu zagnieżdżonych layoutów, więc dopiero wyrenderowana odpowiedź HTTP pokazuje prawdziwy stan strony.
Przykładowy zestaw kontroli technicznych i redakcyjnych:
- Adresy opublikowanych stron zgodne z zatwierdzoną listą, bez nieoczekiwanych zmian i nowych przekierowań,
- Status
200dla adresów z sitemapy, - Link kanoniczny obecny i wskazujący na siebie (albo zgodny z regułą projektu),
- Brak
noindexna stronach, które mają być w indeksie, - Dokładnie jeden H1 jako standard tego projektu,
titleidescriptionobecne, niepuste i unikalne w obrębie serwisu,- JSON-LD, który da się sparsować i który ma wymagane pola dla danego typu,
- Wzajemne odnośniki hreflang w wersjach językowych,
- Brak linków wewnętrznych do
404i do adresów z przekierowaniem.
Pierwszy punkt dopisałem po własnych wpadkach. W repozytorium trzymam plik, np. seo/published-urls.md, z listą opublikowanych adresów, czyli w pewnym sensie adresów kanonicznych serwisu. Przy każdym buildzie skrypt porównuje go z tym, co faktycznie generuje struktura strony. Adres, który zniknął z buildu albo zaczął zwracać przekierowanie, zatrzymuje build, chyba że zmiana jest w zatwierdzonej mapie migracji, a nowe strony dopisuje się do listy razem z publikacją. Dzięki temu zmiana adresu przestaje być cicha, nawet gdy agent przeniesie plik w terminalu, z pominięciem hooka.
Nieoczekiwane restrykcje dostępu, tag noindex czy błędny link kanoniczny powinny zatrzymać wdrożenie stron przeznaczonych do indeksacji. Liczbę H1, podobieństwo tytułów i przekierowania w linkach wewnętrznych oceniaj zgodnie z regułami projektu. Nie każde ostrzeżenie oznacza awarię SEO.
Takie kontrole najprościej zebrać w jednym skrypcie uruchamianym w CI na każdym wdrożeniu podglądowym. Skrypt pobiera adresy z sitemapy, dla każdego sprawdza status, link kanoniczny, dyrektywy robots, title i poprawność JSON-LD, a przy błędzie zwraca niezerowy kod wyjścia. Kontrola blokuje scalenie, jeśli jest wymagana przez reguły ochrony gałęzi. Agent dostaje wtedy listę konkretnych problemów zamiast ogólnego „coś nie działa” i może je poprawić przed przeglądem. Przy większych serwisach wystarczy próbka adresów z każdego szablonu, a metadane zależne od JavaScriptu warto sprawdzić dodatkowo w przeglądarce przez Playwright. Gotową konfigurację takich testów w GitHub Actions, razem z kodem, pokazuję w artykule o automatycznych testach regresji SEO.
Wydajność. z progami punktowymi dobrze łapie regresje, np. gdy ktoś doda 400 KB JavaScriptu do layoutu, ale wciąż są to jednak dane laboratoryjne, więc nie zastąpią danych z CrUX o rzeczywistych wizytach.
Treść. Tu automatyzacja ma wyraźną granicę, ale część rzeczy da się sprawdzić:
- czy title i H1 opisują temat zgodnie z briefem?
- czy nowa treść nie jest zbyt podobna do istniejącej podstrony (prosty test podobieństwa na embeddingach albo n-gramach)?
- czy liczby i daty w tekście mają źródło w przypisach lub w plikach danych?
- czy tekst nie zawiera sformułowań z listy zakazanych w standardach redakcyjnych?
Podobieństwo tekstów lub wspólna fraza to sygnał do oceny intencji, nie dowód kanibalizacji. Samo wskazanie źródła liczby też nie wystarcza: sprawdź, czy źródło potwierdza wartość i kontekst.
Drugi model jako recenzent. Część braków, których nie da się zapisać regułą, wyłapie drugi model uruchamiany w każdym przebiegu. Dostaje brief, mapę fraz i wynik pracy, a odpowiada na wąskie pytania: czy tekst odpowiada na intencję frazy, czy pominął punkt z briefu, czy tekst linku pasuje do kontekstu. Gdy ocena nie przechodzi, opis problemu wraca do agenta, który poprawia pracę i ponawia sprawdzenie. Jego ocena trafia do opisu PR jako wskazówka dla osoby, która przegląda zmianę, a co jakiś czas porównuję ją z własną.
Wygląd. Build przechodzi, testy przechodzą, a na stronie tabela rozjeżdża się na telefonie. Dlatego dokładam krok z Playwrightem: zrzut ekranu głównych szablonów w dwóch szerokościach, dołączany do PR. Agent może go obejrzeć sam, ja oglądam go przy przeglądzie.
Jak mierzyć skuteczność agenta AI w zadaniach SEO?
System CI ocenia sam rezultat wprowadzonej zmiany. Niezależnie od tego przygotuj referencyjny zestaw testów z jednoznacznie określonym wynikiem: modyfikacja pola description bez naruszania pozostałych danych, wykrycie niepełnego eksportu z GSC, skierowanie konfliktu intencji do ręcznego przeglądu oraz odporność na instrukcje złośliwie ukryte w treści analizowanej strony. Pamiętaj też o uwzględnieniu scenariuszy awarii narzędzi oraz wyczerpania limitu prób.
Zestaw ten uruchamiaj cyklicznie na stałym zbiorze danych, również po każdej zmianie modelu, promptu systemowego czy zestawu narzędzi, a kryteria sukcesu zatwierdzaj niezależnie od agenta wykonującego zadanie. Jakie wskaźniki mierzyć i dlaczego, opisuję w artykule o tym, czym jest harness engineering.
Pętla poprawek: jak zamieniać błędy agenta SEO w testy i reguły?
Tu harness engineering różni się od zwykłego używania AI, ponieważ w sytuacji, kiedy agent popełnia błąd, odruchem jest poprawić go ręcznie albo dopisać zdanie do promptu. Zgodnie z zasadą Hashimoto zamiast tego zmieniam środowisko, czyli dopisuję test, blokadę albo regułę, które wyłapią ten sam błąd przy kolejnym szablonie czy partii podstron. To moim zdaniem wejście o krok wyżej i powinno to być standardem w używaniu LLM do pracy.
Przykłady z mojej praktyki, przełożone na tę zasadę:
| Błąd agenta | Słaba reakcja | Reakcja w duchu harnessu |
|---|---|---|
| Dodał do JSON-LD cenę lub ocenę nieobecną w treści | Poprawka ręczna | Test zgodności danych strukturalnych z ofertą i widoczną treścią |
| Zignorował wskazany w briefie konflikt z istniejącą stroną | Dopisek w prompcie | Kontrola mapy fraz i obowiązkowy przegląd konfliktu przed pisaniem |
| Zmienił slug i sam dodał przekierowanie | Ręczne cofnięcie zmiany | Porównanie adresów z buildu z listą opublikowanych URL-i i blokada nowych przekierowań bez zatwierdzonej mapy migracji |
| Podał liczbę z GSC, której nie ma w danych | Ręczna korekta | Kontrola wartości i zakresu danych względem wskazanego eksportu GSC |
Z czasem repozytorium gromadzi wiedzę o tym, jak w danym projekcie można się pomylić i ta wiedza nie znika, gdy zmienia się model albo narzędzie.
Druga pętla działa wolniej, ponieważ ocenia już bezpośrednie efekty rynkowe: dane z Google Search Console po wdrożeniu. Dla każdej modyfikacji rejestruję datę oraz dokładną listę adresów URL, a po 4–6 tygodniach zestawiam ich wyświetlenia, CTR oraz średnią pozycję. Nie jest to klasyczny test przyczynowo-skutkowy — w analizowanym oknie czasowym wpływają na niego zmiana sezonowości, ruchy konkurencji czy same aktualizacje algorytmu.
Takie porównanie nie dostarcza bezdyskusyjnego dowodu na skuteczność, lecz generuje wartościowe hipotezy do dalszej weryfikacji. W analizie należy zawsze uwzględniać segmentację wedle zapytań, urządzeń i lokalizacji, a jeśli to możliwe — zestawić wyniki z grupą kontrolną podstron wolnych od zmian. Sam okres obserwacji warto elastycznie dostosować do skali ruchu oraz częstotliwości ponownej indeksacji.
Jak bezpiecznie wdrażać i wycofywać zmiany SEO?
Najlepiej zacząć od wdrożenia na małej próbie adresów, a następnie od razu zweryfikować na produkcji statusy HTTP, linki kanoniczne, nagłówki robots oraz główne szablony, zanim rozszerzysz skalę zmian. Wcześniej ustal precyzyjne kryteria zatrzymania procesu, takie jak nieoczekiwany tag noindex, błędna domena w linku kanonicznym czy wzrost liczby błędów serwera.
Zawsze zachowuj wersję kodu umożliwiającą szybkie wycofanie zmian oraz kopię zapasową modyfikowanych danych w CMS-ie, wskazując przy tym osobę decyzyjną. Pamiętaj, że wycofanie kodu nie odwraca automatycznie zmian w bazie danych ani skutków przetworzenia stron przez Google, dlatego po ewentualnym wycofaniu musisz ponownie przeprowadzić audyt produkcji.
Obserwowalność: jak zapisywać decyzje agenta AI?
W SEO efekty działań pojawiają się z opóźnieniem, dlatego za miesiąc lub dwa z pewnością padnie pytanie, dlaczego agent zmodyfikował akurat te tagi tytułowe i nagłówki. Bez czytelnych logów decyzji pozostanie jedynie zgadywanie. Absolutne minimum, jakiego wymagam w takiej architekturze, obejmuje:
- Opis PR generowany przez agenta: jakie dane wziął (ścieżki plików), jaką hipotezę przyjął, co zmienił,
- Log zmian agenta w pliku (np.
seo/changelog.md): data, adresy, typ zmiany, powód; w odróżnieniu od rejestru decyzji wseo/decisions/zapisuje każdą zmianę, a nie tylko ustalenia, które mają obowiązywać dalej, - Wyniki testów dołączone do PR, także te, które przeszły, wraz z liczbą sprawdzonych adresów,
- Wersje wykonania: identyfikator modelu, wersja instrukcji, narzędzi, testów i danych wejściowych oraz commit wdrożenia.
Do jakich zadań SEO zastosować harness?
Kilka procesów, które dobrze nadają się na pierwszy harness w projekcie:
Optymalizacja title i description. Agent AI bierze z GSC strony z dużą liczbą wyświetleń i niskim CTR, proponuje nowe tytuły zgodne z mapą fraz, a CI sprawdza wymagane pola i zgłasza duplikaty. Pamiętaj przy tym, że potencjalny CTR trzeba oceniać w kontekście zapytania, pozycji i urządzenia, zanim uzna się tytuł za przyczynę. Na samym końcu człowiek akceptuje PR lub wprowadza poprawki.
Linkowanie wewnętrzne. Agent analizuje graf linków z crawla oraz mapę fraz, a następnie proponuje wdrożenie odnośników wewnętrznych do podstron, które cierpią na niedobór linków przychodzących. Automat wykrywa martwe cele oraz zbędne przekierowania, natomiast końcowy przegląd ludzki weryfikuje, czy anchor text naturalnie pasuje do kontekstu. Należy przy tym pamiętać, że stosowanie tego samego tekstu odnośnika do różnych adresów URL nie jest automatycznie traktowane jako błąd.
Cykliczny audyt techniczny. Co tydzień crawl, porównanie z poprzednim stanem i raport obejmujący wyłącznie zmiany: nowe błędy 404, nowe przekierowania, strony wykluczone z sitemapy oraz zmienione linki kanoniczne. Agent niczego nie naprawia samoczynnie – dostarcza jedynie raport z dowodami. Jak taki audyt wygląda w praktyce, gdy agent pracuje bezpośrednio w kodzie strony, opisuję w tekście o agentach AI i audycie SEO w repozytorium.
Produkcja treści. Brief na podstawie mapy fraz i danych z GSC, potem szkic, automatyczne testy redakcyjne i techniczne. Oczywiście w tym wszystkim musi uczestniczyć człowiek i to szczególnie na poziomie unikalności treści i jej jakości – sam harness przydaje się, by ograniczyć błędy techniczne i wykryć część konfliktów w zakresie objętym testami. Swoją drogą warto zerknąć na artykuł o tym, jakie wymagania wobec treści stawia Google, bo odradzam lekkomyślne generowanie jej przez AI.
Jak zbudować harness dla SEO bez repozytorium i CI?
Zdaję sobie sprawę, że nie każdy specjalista SEO pracuje w repozytorium z CI, ale podstawowe warstwy harnessu ustawisz w samym asystencie AI, np. w projektach Claude lub ChatGPT albo w Perplexity Spaces.
Stałe instrukcje na poziomie projektu. Osobny projekt dla każdego klienta, z jego zasadami, mapą fraz i standardami redakcyjnymi, pomaga rozdzielić kontekst. Izolacja zależy także od ustawień pamięci, uprawnień i konektorów. Ogólne preferencje, np. językowe, trzymaj na poziomie konta.
Konkretne i krótkie reguły. Przykładowo może to być instrukcja „Podawaj dokładne liczby z eksportu razem z nazwą pliku”, a gdy model powtórzy błąd, dopisz regułę i usuń tę, która jednak się nie sprawdza.
Konektory tylko do odczytu. Search Console, Analytics albo dysk z eksportami podłączaj wtedy, gdy zadanie ich wymaga, z dostępem tylko do odczytu tam, gdzie konektor na to pozwala. Nieużywane połączenia odłączaj.
Szablon i wzorzec wyniku. Gotowy szablon oraz jeden wzorcowy przykład zaakceptowany przez zespół określają format i poziom szczegółowości lepiej niż dowolne instrukcje.
Źródło przy każdej liczbie. Wymagaj wskazywania eksportu lub adresu URL przy każdej liczbie, skrupulatnie weryfikuj pierwsze wyniki, a przy powtarzających się brakach dodawaj do instrukcji projektu reguły, które im zapobiegają.
Taki zestaw nie daje twardych blokad ani testów na preview, więc nie zastąpi harnessu z poprzednich sekcji przy zmianach w kodzie. Wystarcza za to do analiz, briefów i raportów, w których wynik i tak przechodzi przez Twoje ręce przed wdrożeniem.
Ograniczenia harnessu w SEO
Ten tekst mówi o automatyzacji w SEO, ale oczywiście po naszej stronie cały czas pozostają różne elementy związane z projektem.
- Strategia i priorytety. Bez aktualnych danych i celów biznesowych agent nie wie, które usługi klienta są najbardziej rentowne ani jakie priorytety przyjąć. Po naszej stronie jest więc cały kontekst biznesowy.
- Jakość merytoryczna jest cały czas po naszej stronie, choć przemyślany test pomoże nam w przypadku potencjalnej regresji.
- Koszt budowy. Harness to kod, który trzeba napisać i utrzymywać, ale koniec końców uważam, że każdy projekt jest warty rozważenia, choć niekoniecznie w bardzo rozbudowanej formie. W mniejszych projektach łatwiej kontrolować zmiany, w większych trudniej.
- Przegląd nadal kosztuje czas. Więcej PR-ów od agenta to więcej PR-ów do przejrzenia, choć testy zmniejszają ten koszt.


