seo-aio-report-builder

name	seo-aio-report-builder
description	seo-aio-prod MCP で取得した SEO/AIO/LLMO データから、ガートナー風の診断レポート(HTML/PDF)を生成する。MCP=データ取得、本スキル=レポート生成、の分離。

SEO/AIO/LLMO 診断レポート ビルダー

役割分担: データ取得は seo-aio-prod MCP（run_research / get_run_data / capture_screenshots）、 レポートの組み立て・デザインは本スキル。生成ロジックの正本は seo-aio-diagnosis エンジンの 07_report.py + templates/base.css（本スキルはそれを run ディレクトリに対して呼ぶ）。

レポートに含まれるもの

• 1a サイト構造（index規模・サイトマップURL数・SPA判定）／1b コンテンツ整備マトリクス（○専用ページ・△トップ記載のみ・✕）
• 2a/2b ポジショニング・可視性マップ（自社=赤）／2e 競合の訴求コピー比較／2f 競合LPの見た目比較
• 3 商業価値マップ／3b 競合の勝ち筋（keyword gap）
• 4a AI Overview 引用／4b LLMO（Gemini/ChatGPT/Claude×インテント別の言及有無・順位）
• 5a SERP SoV／5b 生成AI SoV（ブランド指名質問は除外＝純粋SoV）／5b 改善効果（円換算）

使い方

データは run ディレクトリに揃っている前提（run-spec.json + keywords/serp/footprint/gap/site/llm/profiles/shots(.json)）。

# 既存データから narrative→レポート生成（追加課金なし）
python ~/.claude/skills/seo-aio-report-builder/scripts/build_report.py --run-dir <run_dir>

# データ取得も含めてフル実行（DataForSEO/LLM 課金あり）
python ~/.claude/skills/seo-aio-report-builder/scripts/build_report.py --run-dir <run_dir> --full

出力: run-spec の output_dir/report_stem に .html と .pdf。

MCP との連携フロー

1. 取得（MCP）: create_spec → run_research(run_id, with_llmo=true)（必要なら capture_screenshots）。
   • ローカルのエンジンで回す場合は run ディレクトリに各 JSON が揃う。
   • 本番 MCP 経由の場合は run ディレクトリがサーバ側のため、run_report がサーバで本スキルと同じ生成を行う。
2. 生成（本スキル）: 上記 build_report.py --run-dir。
   • 競合LP比較(2f)を出すには capture_screenshots 実行済みであること（fold画像が run dir/screenshots に必要）。
   • 競合訴求比較(2e)/ポジショニング(2a)は --profiles（run_research の with_profiles 相当）で profiles.json が必要。

設定

• エンジン位置: 既定 ~/.claude/skills/seo-aio-diagnosis。SEO_AIO_ENGINE（または SKILL_DIR）で上書き。
• Python: 既定でエンジンの .venv。ENGINE_PY で上書き。
• 鮮度: --report-only（既定）は serp.json が7日以内であること（古い場合は --full か MCP で再取得）。

注意

• レポート意匠（base.css・配色・マップ描画）はエンジン側が正本。デザイン変更はエンジンの templates/base.css と 07_report.py で行う（フォークしない）。
• 取得結果は seo-aio-prod 側でキャッシュ（種別別TTL・Supabase Storage永続）されるため、再生成は低コスト。