Sådan bygger du SEO-agent-skills, der virkelig virker

De fleste “AI SEO-skills” er blot et enkelt prompt, og halvdelen af anbefalingerne er forkerte. Hemmeligheden bag pålidelige, gentagelige resultater er ikke et bedre prompt, men en solid arkitektur. Her får du en SEO-optimeret dansk oversættelse af Itay Malinskis artikel om, hvordan du designer AI-SEO-agenter, der leverer kvalitetstime efter time. Teksten henvender sig til alle, der interesserer sig for online marketing, AI og automatiserede audits. Besøg også MorningShow.dk for mere inspiration.

Hvorfor de fleste AI-SEO-skills fejler

Et typisk “AI-SEO-prompt” ser sådan ud:

“You are an SEO expert. Analyze the following website and provide a comprehensive audit …”

Du får et flot format, men 40 % af anbefalingerne er forkerte. Tre problemer dræber enkelt-prompt-strategien:

• Ingen værktøjer: Agenten gætter på, om et site har canonical-tags, i stedet for at hente HTML og parse den.
• Ingen verifikation: Anbefalinger tjekkes ikke mod de faktiske sider, så forkerte fund præsenteres som fakta.
• Ingen hukommelse: Kører du samme prompt to gange, får du forskelligt output. Resultatet er inkonsistent.

Hvis din “skill” kun er et prompt i én fil, er det et slag med en mønt, om du får ret. Du har behov for:

1. Et agent-workspace med dokumentation
2. Værktøjer (scripts) i stedet for manuelle HTTP-kald
3. Referencer og skabeloner til output
4. Hukommelse til historik
5. En dedikeret reviewer til at fange fejlagtige fund

Arkitektur og værktøjer: Workspace, crawler og reviewer

Tænk på agent-workspace’et som en nyansats skrivebord, fuldt udstyret med filer og templates:

• AGENTS.md – detaljerede instruktioner, regler og flow
• SOUL.md – agentens personlighed, principper og kvalitetssikring
• scripts/ – alt HTTP-arbejde:
  • crawl_site.js – Playwright-crawler med rate-limit, resume og rendering
  • parse_sitemap.sh – XML-sitemap-parser til nested indexes
  • check_status.sh – HTTP-statuscheck med korrekt UA-string
  • extract_links.sh – henter interne og eksterne links fra HTML
• references/ – hvad tæller som reelt issue vs. noise (criteria.md) og kendte false positives (gotchas.md)
• memory/ – historik over udførte runs (runs.log)
• templates/ – præcis skabelon for rapportens felter (output.md)

En enkelt AGENTS.md-fil dækker måske 20 % af dit behov. Resten gemmer du i workspace-mappen og kalder efter behov.

Walkthrough: Crawlerens evolution i fem versioner:

• v1 – Naivt prompt: “Crawl this site” → Blokeret af CDN.
• v2 – Scriptet tilføjet: crawl_site.js kører, men crasher på >200 sider pga. ingen rate-limit eller resume.
• v3 – Rate-limit og resume: Mange sites OK, men Single-Page Apps fejler uden rendering.
• v4 – JavaScript-rendering: Alt sites dækket, men output varierer run til run (ingen skabeloner).
• v5 – Skabeloner + hukommelse: Stabilt, konsistent og gentageligt med samme output.md og runs.log.

Giv agenten de rigtige værktøjer, i stedet for at bede den skrive curl-kommandoer. Den styrer HVORNÅR og HVAD, mens scripts styrer HVORDAN.

Progressiv disclosure: Undgå information overload ved at have kerne-regler i AGENTS.md og edge cases i references/gotchas.md. Severity-kriterier læses kun ved behov.

De 10 mest smertefulde “gotchas” med fixes:

1. Hallucination af data: Gætter antal jurister uden at hente sider – fix: fetch kun verificerbare data.
2. Viden deler sig ikke: Samme CDN-blokering dukker op i alle agenter – fix: fælles gotchas.md.
3. Uens output-format: “note” vs. “assessment” – fix: strengt output.md template.
4. False positives med høj selvtillid – fix: introducer reviewer-agent til kode-review.
5. Bare HTTP-kald blokeres – fix: browser UA i gotchas.
6. Gæt ikke URL-stier – fix: følg navigation og links, aldrig gæt.
7. Done vs. In review – fix: workflow-skift før menneskelig godkendelse.
8. For brede kategorier – fix: hyper-specifikke segmenter (fx “PI-advokater i Houston”).
9. Flet ikke data med prompt – fix: scriptet data-kompilering.
10. Ukendte APIs – fix: tillad kun scripts i scripts-mappen.

Byg reviewer-agenten først for at øge kvaliteten mest. Den tjekker claims mod beviser, vurderer severity, fanger dubletter og sikrer, at agenten rent faktisk har gennemført scan. Resultat: 99,6 % godkendelsesrate på 270 interne link-anbefalinger.

Validering, Sandbox og resultater

Valideringsstandard: Hver anbefaling skal bestå fire tests:

1. Google-ingeniør-testen: Ville en Google-ingeniør nikke genkendende?
2. Developer-testen: Kan udvikleren implementere ændringen uden opfølgende spørgsmål?
3. Agenturreputation-testen: Kunne vi forsvare fundet i et kundemøde?
4. Implementerings-testen: Er anbefalingen konkret nok til at blive eksekveret?

Sandbox-testing: Før live-data kører vi to testmiljøer med kendte SEO-fejl:

• WordPress-site med 27+ issues (redirect chains, duplikeret indhold, orphan pages).
• React/Next.js/Angular-simulering med ~90 issues (empty shells, hash routing, hydration mismatches).

Træningsloop: Kør → sammenlign med kendte fejl → tilret instruktioner eller gotchas → gentag. Først ved 100 % grøn sandbox går vi på live.

Konsistens: Strenge output-skabeloner, run-logs og schema enforcement med faste feltnavne (severity, url, description). Hvis du stadig oplever output drift, tilføj en template frem for at ændre prompten.

Resultatet af denne arkitektur:

• 14+ fuldførte audits på timer frem for uger
• 12–20 udviklerklare tickets per audit med præcise URLs og fix-instruktioner
• 99,6 % godkendelsesrate på 270 interne links
• 80+ SEO-checks fordelt på syv specialist-agenter – hver med egne evidenskrav og false positive-filter

Nøglen er ikke smartere AI-prompts, men et workspace med værktøjer, hukommelse, templates, references og reviewer-lag. Samme proces leverer samme kvalitet – gang på gang.

Stop med at udvikle single-prompt-skills. Begynd at bygge workspaces: Giv dine agenter værktøjer, ikke bare instruktioner. Test i sandbox, ikke på rigtige kunder. Byg reviewer-laget først, indfør skabeloner, logs og strenge workflows. Den femte version vil overraske dig med, hvor effektiv den er. Læs den detaljerede guide her for endnu mere dybdegående indsigt.